Contexto técnico
No me apresuraría a gritar sobre un «mensaje de sistema secreto». Según los datos disponibles ahora, no hay confirmación oficial de una actualización oculta. Pero hay una versión muy prosaica: en mayo y junio, GitHub reorganizó los modelos en Copilot, y precisamente después de esos cambios la automatización de IA comienza a comportarse «como si la hubieran sustituido».
Lo que veo en los hechos: GPT-5.3-Codex se convirtió en el modelo base para algunos escenarios de Copilot, GPT-5.2-Codex empezó a eliminarse, y el despliegue no fue simultáneo. En estas transiciones es donde surgen efectos extraños: ayer el agente era demasiado autónomo, hoy se frena e interroga por cada pequeño detalle.
Me llamó especialmente la atención la parte sobre memory.md y la introspección entre hilos. Esto ya no se parece a un solo botón o un solo modo. Si el asistente tiene memoria, instrucciones internas y diferentes superficies de producto, el cambio de comportamiento bien podría venir no de un «mensaje de sistema» puro, sino de una combinación de nuevo modelo, memoria y orquestación.
Y aquí es donde yo indagaría no hacia las teorías, sino hacia la reproducibilidad. En qué cuenta comenzó, en qué modo, en qué superficie exacta de Copilot, con qué modelo, qué hay en memory.md, y si el efecto desaparece al restablecer el contexto. Sin eso, todo lo que se dice sobre /plan mode se queda en un chat de conjeturas.
Qué cambia para el negocio y la automatización
Si estás construyendo integración de IA en desarrollo, este comportamiento golpea dos puntos a la vez: velocidad y previsibilidad. Un agente que antes hacía una tarea en una sola pasada ahora inserta una capa extra de aprobaciones. En tareas pequeñas, esto es exasperante. En el pipeline del equipo, se convierte en un impuesto oculto sobre el tiempo.
¿A quién podría resultarle útil? A equipos con requisitos estrictos de calidad y cambios seguros. Quienes pierden son aquellos que contaban con un flujo rápido y semiautónomo de correcciones sin diálogo constante.
Estos cambios los veo con regularidad: cambian el modelo, mientras que la arquitectura de IA del proceso sigue siendo la antigua, y de repente todo empieza a atascarse. En Nahornyi AI Lab analizamos precisamente estos cuellos de botella en la práctica: dónde se necesita un agente más autónomo, dónde límites estrictos, y dónde es mejor rediseñar completamente la memoria y el enrutamiento. Si tu Copilot o tu asistente de código interno de repente empieza a ralentizar al equipo, puedes analizar tranquilamente el flujo de trabajo y construir un desarrollo de soluciones de IA adaptado al trabajo real, no a las expectativas de la versión anterior.