El 1 de octubre, GitHub metió a Copilot en un terreno que hasta hace poco parecía territorio exclusivo de los equipos de investigación: ahora puede operar tu computadora como lo harías tú. La función se llama computer use y salió en preview público para Copilot CLI y la app de escritorio en macOS y Windows. El agente lee lo que hay en pantalla, hace clic, escribe, arrastra y navega entre ventanas, incluso en programas viejos que nunca tuvieron una API ni soporte para MCP.
Qué hace exactamente 'computer use'
La idea es simple: cuando una tarea no tiene atajo técnico (sin API, sin CLI, sin servidor MCP), Copilot ahora la resuelve como la resolvería una persona, mirando la pantalla y usando el mouse y el teclado. GitHub pone ejemplos concretos en su changelog: resumir las notificaciones que llegaron al navegador, actualizar una diapositiva en una presentación que nadie exportó a un formato editable, o mover datos de un sistema a otro cuando no existe forma de conectarlos por código. Por ahora el acceso está llegando primero a cuentas Business y Enterprise.
Por qué GitHub te dice que no lo uses primero
Esto es lo que más me llamó la atención del anuncio: GitHub no vende computer use como la opción por defecto. Lo dicen ellos mismos: si existe una API, un servidor MCP o un comando de terminal para la tarea, usa eso primero. Computer use queda como último recurso, para cuando de verdad no hay otra puerta de entrada. The New Stack lo resumió bien: el propio fabricante advierte de misclics, pantallas que se quedan colgadas a mitad de una tarea, y el riesgo de que datos sensibles que están a la vista terminen dentro del contexto del agente. Es honesto de su parte admitirlo desde el día uno, pero también es una señal clara de que la tecnología todavía no está lista para dejarla sola con algo crítico.
Dónde sí tiene sentido probarlo hoy
- ▸Pruebas end-to-end en apps que no tienen suite de testing automatizado.
- ▸Tareas repetitivas en software legado: ERPs viejos, portales internos sin API.
- ▸Mover información entre sistemas que nunca se hablaron entre sí.
- ▸Trabajo exploratorio: pedirle que describa qué hay en una pantalla antes de automatizar nada.
Cómo se compara con los agentes que ya conoces
Si ya usas Claude Code para programar, vas a notar la diferencia de filosofía. Claude Code trabaja sobre el sistema de archivos y la terminal, con acceso directo y auditable a cada cambio que hace. Computer use, en cambio, opera "a ciegas", interpretando píxeles en pantalla: por eso es más frágil, pero también más universal, funciona con cualquier programa que tenga interfaz gráfica sin que nadie tenga que construir una integración primero. Si automatizas procesos con n8n, vas a reconocer el mismo problema que ahí resuelve un webhook o un nodo HTTP, solo que esto ataca ese otro porcentaje de sistemas que nunca te dieron ese webhook.
Lo que casi nadie está discutiendo todavía: si tu empresa ya tiene automatizaciones corriendo con acceso a pantallas completas, alguien tiene que decidir qué puede ver un agente y qué no. Esa conversación de gobernanza te va a tocar más pronto de lo que crees.
Por qué esto importa si quieres trabajar con agentes de IA
Evaluar cuándo conviene un agente como este, y cuándo definitivamente no, es justo el tipo de criterio que se construye en la ruta AI Agentic Engineer. No es algo que se aprenda leyendo un changelog: necesitas entender cómo se diseñan flujos de agentes, qué permisos les das, cómo monitoreas lo que hacen y cómo armas la alternativa más segura (API, MCP) antes de recurrir a la fuerza bruta de controlar la pantalla.
Cómo empezar a construir y evaluar este tipo de agentes
Si programas y quieres meterte de lleno en agentes para código, el punto de entrada más directo sigue siendo Claude Code For Developer: ahí practicas con un agente real antes de confiarle algo tan abierto como computer use. Y si tu objetivo es diseñar sistemas de agentes completos, no solo usarlos, la ruta AI Agentic Engineer te lleva por LangGraph, CrewAI y los mismos patrones de producción que GitHub todavía está probando en preview.
Si quieres ver herramientas como esta en acción antes de meterlas en tu flujo de trabajo, cada semana hacemos un taller en vivo en la Comunidad AI Builders: https://builders.datapath.ai/?utm_source=datapath_web&utm_medium=blog_body&utm_campaign=ai_builders
Si te interesa seguirle el ritmo a este tipo de novedades sin perder tiempo descifrando cada feature por tu cuenta, en DataPath tenemos el catálogo completo de cursos y la ruta AI Agentic Engineer armada para eso.
