GitHub Copilot: Was er 2026 kann, was er kostet – und für wen er sich lohnt

GitHub Copilot war 2021 der erste KI-Assistent für Millionen Entwickler – damals ein besseres Autovervollständigen. 2026 ist daraus eine Werkzeugkiste geworden: Agenten, die selbst Pull Requests öffnen, automatisches Code-Review, über zwei Dutzend wählbare KI-Modelle. Dieser Überblick – Stand: September 2026 – zeigt, was Copilot kann, was die sechs Pläne kosten, was Unternehmen vor dem Rollout einstellen sollten – und ob Copilot beim Programmieren-Lernen hilft oder schadet.

Vom Autocomplete zum Agenten: was Copilot 2026 ist

Die kurze Antwort: Copilot ist kein einzelnes Feature mehr, sondern drei Schichten übereinander. Wer nur die unterste kennt, unterschätzt das Tool – wer nur die oberste sieht, überschätzt es.

1. Vorschläge. Graue Codezeilen beim Tippen, dazu „Next Edit Suggestions“ für die nächste fällige Änderung – in allen Bezahlplänen unbegrenzt und ohne Anrechnung aufs Verbrauchsbudget.

2. Chat. Ein Dialogfenster, das den geöffneten Code kennt: in der Entwicklungsumgebung, auf github.com, in der Mobile-App und im Windows Terminal.

3. Agenten. Hier passiert der Sprung. Im Agent-Modus entscheidet Copilot selbst, welche Dateien er anfasst, und iteriert, bis die Aufgabe erledigt ist. Dem Cloud-Agenten weist man auf GitHub eine Aufgabe zu, etwa per @copilot in einem Issue: Er durchsucht das Repository, plant, ändert Code auf einem eigenen Branch und öffnet einen Pull Request. Dazu kommen Copilot Code Review, ein Kommandozeilen-Werkzeug und eine Desktop-App für parallele Agenten-Sitzungen. Was „agentisch“ bedeutet, erklärt der Überblick zu KI-Agenten.

Zwei Dinge überraschen dabei. Erstens ist Copilot nicht mehr an ein Modell gebunden: wählbar sind unter anderem OpenAIs GPT-5-Reihe, Claude Sonnet 5 und Opus 5, Googles Gemini-3-Modelle sowie Modelle von Microsoft, xAI und Moonshot AI – Einordnung im Überblick KI-Modelle 2026. Zweitens lassen sich in GitHub sogar Agenten anderer Anbieter aufs eigene Repository ansetzen, etwa Claude oder OpenAI Codex.

Die Pläne – und was die Limits wirklich bedeuten

Copilot läuft seit Mitte 2026 auf einem Guthaben-Modell: Jeder Plan enthält ein monatliches Kontingent an GitHub AI Credits. Ein Credit entspricht 0,01 US-Dollar – die Credit-Zahl ist also ein Verbrauchsbudget.

Der entscheidende Punkt fehlt in der Preistabelle: Vervollständigungen kosten keine Credits. Verbraucht wird nur bei Chat, Kommandozeile, Cloud-Agent und Code-Review – nach Token und je nach Modell: ein sparsames rund 0,25 $ je Million Eingabe-Token, ein großes 5 $ Eingabe und 25 $ Ausgabe.

Der kostenlose Einstieg ist echt – 2.000 Vervollständigungen im Monat sind für Lernprojekte kein enges Korsett. Dazu ein zweiter Gratis-Weg: Verifizierte Studierende bekommen über GitHub Education den kostenlosen Plan „Copilot Student“ (laut GitHub ab 13 Jahren, eingeschrieben in einen abschlussbezogenen Studiengang, Nachweis per Hochschul-Mailadresse oder datiertem Beleg). Lehrkräfte und Maintainer bekannter Open-Source-Projekte erhalten Copilot Pro kostenlos; die Berechtigung wird monatlich neu geprüft.

Was im Alltag wirklich hilft – und wo es hakt

Am größten ist der Gewinn bei Boilerplate – Konfigurationsdateien, Datenmodelle, das fünfzehnte Standard-Endpoint, weil die Aufgabe klar umrissen und ein Fehler sofort sichtbar ist. Ähnlich stark beim Tests schreiben, jener Fleißarbeit, die viele Teams schleifen lassen. Unterschätzt wird der Nutzen beim Verstehen fremden Codes: Wer in ein unbekanntes Projekt einsteigt, lässt sich Module erklären, statt sich durchzuklicken. Und beim Sprachwechsel – wer Python kann und ein TypeScript-Projekt übernimmt, kennt die Konzepte, nicht die Syntax. Genau diese Lücke füllt Copilot gut.

Wo es hakt, erstens: der große Zusammenhang. Je gewachsener eine Codebasis, desto häufiger kommt ein Vorschlag, der isoliert korrekt und im Projektkontext trotzdem falsch ist – weil die ungeschriebene Konvention nicht im Kontextfenster steht. Die zweigeteilte Studienlage dazu ist im Artikel zu Claude Code und KI-Coding-Tools aufgearbeitet, samt Tool-Vergleich und „Vibe Coding“-Debatte.

Zweitens: subtile Fehler. Der gefährlichste KI-Output ist nicht der, der nicht läuft – sondern der, der läuft und in einem Randfall falsch rechnet. Solche Fehler passieren Tests, die derselbe Agent geschrieben hat, gerne ungehindert.

Drittens: Sicherheit. Der Sicherheitsanbieter Veracode prüfte im Juli 2025 über 100 Sprachmodelle an standardisierten Programmieraufgaben: 45 % der erzeugten Codebeispiele enthielten Schwachstellen aus den OWASP Top 10, bei Cross-Site-Scripting versagten die Modelle in 86 % der einschlägigen Fälle. Der unbequemste Befund: Neuere, leistungsfähigere Modelle schnitten sicherheitstechnisch nicht besser ab. Getestet wurde KI-Code allgemein, nicht Copilot allein – die Konsequenz bleibt dieselbe.

Für Entscheider: Lizenzrisiko, Daten, Kontrolle

Fünf Einstellungen sollte kennen, wer Copilot im Unternehmen ausrollt – mehrere stehen ab Werk nicht so, wie eine Rechtsabteilung sie hätte.

1. Vorschläge, die öffentlichem Code gleichen. Copilot gleicht sie samt rund 150 Zeichen Umgebung gegen einen Index öffentlicher Repositories ab; laut GitHub betrifft das unter ein Prozent der Vorschläge. Die Einstellung steht bei Einzelnutzern standardmäßig auf Erlauben – man sieht den Treffer mit Quelldatei und Lizenz und entscheidet selbst. Wer das Lizenzrisiko nicht will, stellt organisationsweit auf Blockieren.
2. Training mit den eigenen Interaktionen. Bei Free, Pro, Pro+ und Max ist es seit dem 24. April 2026 standardmäßig aktiviert und muss aktiv abgeschaltet werden; Business und Enterprise laufen unter einem Datenschutz-Vertrag. Ein privates Pro-Konto im Firmenprojekt ist damit keine Sparmaßnahme, sondern eine Datenschutzfrage.
3. Dateien ausschließen. Content Exclusion gibt es nur in Business und Enterprise: Repository-Admins und Organisations-Owner sperren Dateien, die Copilot weder vorschlagen noch als Kontext lesen darf. GitHub nennt die Grenzen selbst – indirekt können über die Entwicklungsumgebung weiter semantische Informationen durchsickern, etwa Typangaben; auf symbolische Links wirkt der Ausschluss nicht.
4. Agenten- und Modell-Richtlinien. Organisationen steuern getrennt, ob der Cloud-Agent laufen darf, ob Agenten von Drittanbietern auf die Repositories dürfen, welche Modelle frei sind und welche MCP-Server angebunden werden. Das gehört vor die Lizenzbestellung.
5. Budgets setzen. Credits werden je Platz eingebracht und aus einem gemeinsamen Pool verbraucht; alles darüber kostet 0,01 $ pro Credit. Grenzen lassen sich auf Nutzer-, Kostenstellen- und Unternehmensebene ziehen – sonst dominiert ein einzelner Agenten-Enthusiast die Monatsrechnung.

Und die Haftungsfrage? GitHub hält in den produktspezifischen Bedingungen fest, dass eine im Kundenvertrag vereinbarte Verteidigung gegen Ansprüche Dritter auch für Copilot-Vorschläge gilt – der Schutz hängt also am Vertrag und greift nicht automatisch für private Pläne. Zugleich „empfiehlt GitHub dringend“ angemessene Richtlinien, ausdrücklich einschließlich der Filterfunktionen. Übersetzt: Den Filter zu aktivieren ist keine Pflicht, aber das Sorgfaltsargument, das man im Streitfall haben möchte. Einschätzung, keine Rechtsberatung – verbindlich ist nur der konkrete Vertrag.

Hilft Copilot beim Programmieren-Lernen – oder schadet er?

Beides, und es hängt fast vollständig davon ab, wie du ihn benutzt. Dieselbe Funktion, die einem Profi vier Stunden Fleißarbeit spart, kann einen Anfänger vier Wochen Lernfortschritt kosten.

Der Mechanismus heißt Verstehens-Defizit. Beim Programmieren-Lernen ist das Steckenbleiben kein Betriebsunfall, sondern der eigentliche Lernvorgang: Wer eine Fehlermeldung dreimal falsch deutet und beim vierten Mal versteht, hat ein Modell im Kopf gebaut. Wer stattdessen Tab drückt, produziert funktionierenden Code – und steht am Kursende mit lauffähigen Projekten ohne dieses Modell da. Das fällt erst auf, wenn etwas kaputtgeht, das die KI nicht auf Anhieb repariert.

Eine Verbotsempfehlung folgt daraus nicht: Auf das Werkzeug zu verzichten, mit dem später alle arbeiten, wäre eine seltsame Berufsvorbereitung. Vier Regeln:

1. Erst selbst versuchen, dann fragen. Eine feste Zeitgrenze hilft, etwa fünfzehn Minuten – nicht zur Selbstquälerei, sondern weil genau darin gelernt wird.

2. Erklären lassen statt übernehmen. Der wertvollste Prompt für Lernende ist kein Auftrag, sondern eine Rückfrage:

3. Vorschläge kaputt machen. Ändere absichtlich eine Zeile und sieh nach, was passiert. Wer vorhersagen kann, wie ein Programm reagiert, hat verstanden – wer überrascht wird, hat eine Lücke gefunden.

4. Vervollständigungen zeitweise abschalten. Bei Übungsaufgaben zu einer neuen Technik den Assistenten aus, danach als Korrektor wieder an.

Der Rahmen dahinter: Die gefragte Kompetenz verschiebt sich vom Schreiben zum Beurteilen – und prüfen können, was eine KI liefert, setzt Fachwissen voraus. Wie sich KI-Kompetenz aufbauen lässt, zeigt der Fahrplan KI lernen; welche Rollen dabei entstehen, der Überblick KI-Berufe.

Benedikt Backhaus – schreibt bei Scaly über KI-Tools, neue Modelle und aktuelle Entwicklungen rund um künstliche Intelligenz. Er beobachtet die KI-Szene laufend und ordnet ein, was neue Releases praktisch bedeuten – ehrlich und ohne Hype. Einschätzung, keine Rechtsberatung. Benedikt auf LinkedIn