GitHub Copilot обновил метрики агентов, CodeQL ловит prompt injection, вышли GPT-6 Astra и Gemini 3.6 Flash. Что это значит для ИИ-контура бизнеса.
За два с половиной месяца - с июля по сентябрь 2026 - GitHub выкатил в Copilot пять изменений сразу: новый API метрик для агентных функций, детектор prompt injection в CodeQL 2.26.0, GA для GPT-6 Astra, тройку GPT-5.6 (Sol, Terra, Luna) и Gemini 3.6 Flash.
Порознь - рутинный список чейнджлога. Вместе - сигнал: вопрос «какую модель поставить»
уступает место вопросу «как измерить и обезопасить то, что уже работает».
Типичная картина в компании, которая внедрила Copilot полгода-год назад: инструмент раздали разработчикам, кто-то настроил MCP-серверы, кто-то завёл кастомных агентов и slash-команды под свои процессы - а у руководства нет ответа на простой вопрос: какие из этих настроек реально приносят результат, а какие простаивают мёртвым грузом в конфиге.
Без видимости в использование бюджет на лицензии превращается в веру на слово.
Та же слепота - с безопасностью: агент читает внешние данные (тикет, PR-комментарий, содержимое файла), и если в них зашита инструкция для модели, агент может её выполнить в обход намерения пользователя.
До недавнего времени поймать это можно было только вручную.
GitHub расширил usage metrics API полями totals_by_skill, totals_by_custom_agent и аналогичными - для MCP-серверов, slash-команд и плагинов.
Поля есть в отчётах enterprise и organization: посуточных per-user и агрегированных, 28-дневных per-user, и в day_totals агрегированных 28-дневных отчётов.
Впервые можно на уровне организации увидеть, какие кастомные агенты и MCP-серверы реально используются, а какие давно никто не трогал.
Для CTO эта метрика - основание резать лишние интеграции и инвестировать в те, что дают TTU (time to use): чем быстрее конкретная настройка даёт разработчику рабочий результат, а не просто занимает место в списке доступных инструментов, тем она ценнее.
CodeQL 2.26.0 добавил запрос js/system-prompt-injection, который ловит случаи, когда непроверенные внешние данные попадают в системный промпт LLM. Заодно подъехала поддержка Kotlin 2.4.0. Для команд, которые уже встраивают LLM в свои продукты, а не только используют Copilot как ассистента, это первый статический анализатор такого рода в мейнстримном тулинге - раньше проверка на инъекции делалась вручную или не делалась вовсе.
Простой на вид результат - «нашли уязвимость до продакшена»
- держится на серьёзной инженерной работе: нужно точно смоделировать потоки данных между внешним вводом и системным промптом, чтобы не утонуть в ложных срабатываниях.
Вместо одной «лучшей» модели Copilot теперь предлагает выбор под задачу. GPT-6 Astra в GA рассчитан на долгие агентные сессии: планирование, валидация промежуточных шагов, самопроверка перед тем, как объявить задачу выполненной - меньше случаев, когда агент рапортует «готово» на полуработающем коде. Тройка GPT-5.6 - Sol для сложных рассуждений на больших кодовых базах, Terra как рабочая лошадка на каждый день, Luna для лёгких и дешёвых задач - признаёт очевидное: не любой рефакторинг требует топовую модель.
Переплата токенами за флагманский вызов на тривиальной задаче - потери бюджета. Gemini 3.6 Flash показал, по данным GitHub, более высокий completion rate и token-эффективность против 3.5 Flash в агентных workflow - конкретная метрика, не общие слова про «умнее».
Измерение (metrics API), защита (CodeQL) и выбор инструмента под задачу (линейка моделей) - это то, из чего строится зрелый ИИ-контур в разработке.
Разовое подключение модного ассистента до такого контура не дотягивает.
Без метрик компания не видит, где теряет деньги на неиспользуемых интеграциях.
Без анализа инъекций - не видит, где теряет контроль над агентом.
Без осознанного выбора модели под задачу - переплачивает за мощность там, где она не нужна, и экономит там, где экономия обходится качеством. В проектах, где мы в KT.Team ставим LLM & Security Gateway и MCP-контур для клиента, ровно эти три слоя - usage-метрики, проверка на инъекции, маршрутизация запроса на нужную по стоимости и мощности модель - становятся частью инфраструктуры с первого дня, а не добавляются постфактум после инцидента или аудита бюджета.
Бизнес считает не то, что где-то стоит Copilot с GPT-6.
Бизнес считает результат: конкретная фича из бэклога доехала до продакшена быстрее и без утечки данных туда, куда не надо.
Гонка моделей продолжится - за GPT-6 Astra и Gemini 3.6 Flash в ближайшие месяцы придут следующие версии. Подключить модель первым - не преимущество. Преимущество даёт видимость: видит ли компания, как модель используется, и умеет ли остановить её, когда та делает не то. Тот, кто выстроил измерение и защиту, извлекает пользу из каждого следующего релиза модели за недели. Тот, кто нет, продолжает платить за потенциал, который никогда не станет результатом.
