---
service: "Publicasta"
schema_version: "1.0"
article_id: 1242
title: "Die Ablösung von GitHub-Copilot-Modellen macht Änderungen an der KI-Programmierung zum Release-Management"
language: "de"
default_language: "en"
canonical_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=de"
json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=de"
api_url: "https://publicasta.com/api/public/v1/channels/it_today_news/articles/github_copilot_model_retirements_release_management?lang=de"
channel_url: "https://publicasta.com/api/public/v1/channels/it_today_news"
channel_articles: "https://publicasta.com/api/public/v1/channels/it_today_news/articles"
search_url: "https://publicasta.com/api/public/v1/search"
documentation_url: "https://publicasta.com/api-docs#reading-publicasta"
openapi_url: "https://publicasta.com/api-docs/openapi.json"
published_at: "2026-11-14T13:55:52+00:00"
updated_at: "2026-11-14T13:55:52+00:00"
translations:
  - language: "ar"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=ar"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=ar"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=ar"
  - language: "de"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=de"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=de"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=de"
  - language: "en"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=en"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=en"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=en"
  - language: "es"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=es"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=es"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=es"
  - language: "fr"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=fr"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=fr"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=fr"
  - language: "pl"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=pl"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=pl"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=pl"
  - language: "ru"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=ru"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=ru"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=ru"
  - language: "zh"
    html_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management?lang=zh"
    markdown_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.md?lang=zh"
    json_url: "https://publicasta.com/it_today_news/github_copilot_model_retirements_release_management.json?lang=zh"
---

# Die Ablösung von GitHub-Copilot-Modellen macht Änderungen an der KI-Programmierung zum Release-Management

> GitHub stellt am 14. Dezember sechs Copilot-Modelle ein. Das praktische Risiko liegt nicht im verschwindenden Modellauswahldialog, sondern in ungetesteten Änderungen an Prompts, Agentenverhalten, Richtlinien, Kosten und Code-Review-Ausgaben.

## Welche Modelle GitHub am 14. Dezember einstellt

 ![Arbeitsplatz eines Entwicklers mit KI-Modellmigration, Software-Release-Schritten und Prüfungen von Engineering-Richtlinien.](https://publicasta.com/storage/projects/17/pages/1242/2026/11/c3f7b2e1-c937-450f-9b72-dbd85f76afde.webp)

 GitHub kündigte am 13. November an, sechs Modelle in allen GitHub-Copilot-Erfahrungen am 14. Dezember 2026 abzuschalten: Claude Fable 5, Claude Haiku 4.5, Gemini 3.8 Flash, Gemini 4 Argon, Grok 4.6 und Kimi K3. Der Umfang geht über die Modellauswahl in Copilot Chat hinaus. GitHub nennt ausdrücklich Copilot Chat, Inline-Bearbeitungen, den Ask-Modus, den Agent-Modus und Codevervollständigungen. Dadurch kann dasselbe Einstellungsdatum beeinflussen, wie Entwickler Fragen stellen, Code direkt ändern, Repository-Aufgaben delegieren und während der Bearbeitung Vorschläge erhalten. ([GitHub Changelog](https://github.blog/changelog/2026-11-13-upcoming-deprecation-of-selected-github-copilot-models-in-december/))

 Für jeden Eintrag nennt der Hinweis eine empfohlene Alternative. Er beschreibt den Wechsel jedoch nicht als universellen Eins-zu-eins-Ersatz, den jedes Konto identisch erleben wird. Claude Fable 5 soll durch Claude Fable 5.2 ersetzt werden. Für Claude Haiku 4.5 ist Claude Haiku 5.5 angegeben. Gemini 3.8 Flash wird Gemini 4 Hydrogen zugeordnet, Gemini 4 Argon Gemini 4 Carbon. Auf Grok 4.6 folgt Grok 4.7. Für Kimi K3 steht in GitHubs Tabelle bei der Alternative „Wird noch bekannt gegeben“. Organisationen, die dieses Modell verwenden, haben in der Ankündigung daher noch keinen benannten Nachfolger, den sie prüfen könnten.

 Dieses letzte Detail ist für den Betrieb entscheidend. Ein Team kann sofort mit dem Testen der genannten Alternativen beginnen, darf den Eintrag für Kimi K3 aber nicht als abgeschlossene Zuordnung behandeln. Das Zielmodell bleibt im Hinweis zur Einstellung offen. Damit bleibt für jeden Workflow, der auf die Auswahl oder Verfügbarkeit von Kimi K3 angewiesen ist, ein eigener Entscheidungspunkt bestehen. Auch die Dokumentation zu den unterstützten Modellen weist darauf hin, dass die Verfügbarkeit vom Copilot-Tarif und dem Einsatzort abhängt, etwa GitHub.com oder eine integrierte Entwicklungsumgebung. Laut GitHub kann sich die Verfügbarkeit ändern, wenn Modelle ersetzt oder aktualisiert werden. Dass ein Modell in einem Client oder Konto erscheint, belegt daher nicht automatisch, dass es überall verfügbar ist, wo das Team arbeitet. ([GitHub Docs](https://docs.github.com/en/copilot/reference/ai-models/supported-models))

 Für Claude Haiku 4.5 nennt die Ankündigung eine konkrete Ausnahme. Das Modell bleibt für einzelne GitHub-Copilot-Abonnenten mit Jahrestarif verfügbar; laut GitHub gilt die Einstellung für diese Kunden nicht. Diese Einschränkung ist eng auszulegen: Sie bezeichnet eine Gruppe einzelner Abonnenten und keine pauschale Ausnahme für jede Organisation oder jedes Konto mit jährlicher Abrechnung. Für andere Nutzer gehört Claude Haiku 4.5 weiterhin zu den Modellen, deren Abschaltung für den 14. Dezember vorgesehen ist. Als empfohlene Alternative nennt GitHub Claude Haiku 5.5.

 GitHub erläutert außerdem, wie die vorgeschlagenen Alternativen für Kunden von Copilot Enterprise und Copilot Business mit standardmäßiger Modellfreigabe behandelt werden. Die Alternativen werden automatisch aktiviert, wenn der entsprechende Standard aktiv ist, sofern ein Administrator nicht den globalen Standard deaktiviert oder das Modell ausdrücklich gesperrt hat. Hat eine Organisation diesen globalen Standard abgeschaltet, kann ein Administrator den Zugriff auf die Alternativen über Modellrichtlinien in den Copilot-Einstellungen freigeben. Nach der Aktivierung sehen Nutzer das Modell in der Modellauswahl von Copilot Chat in unterstützten Copilot-Erfahrungen. GitHub zufolge ist nach der Einstellung keine Aktion erforderlich, um die auslaufenden Modelle zu entfernen. Das ändert jedoch nichts daran, dass Workflows und Integrationen vor diesem Datum aktualisiert werden müssen.

 Diese Unterscheidung – automatische Aktivierung bei einer Richtlinienkonfiguration gegenüber einer ausdrücklichen Administratoraktion bei einer anderen – macht den 14. Dezember zu einem Prüfpunkt für Konfiguration und Release-Management. Die Modellnamen können an verschiedenen Stellen auftauchen: in der Auswahl eines Nutzers, in Modellrichtlinien auf Organisations- oder Unternehmensebene oder in einer Integration, die von einem bestimmten unterstützten Modell ausgeht. Wer nur die Chat-Oberfläche prüft, kann eine Richtlinieneinstellung oder eine Workflow-Abhängigkeit übersehen. Wer als Administrator lediglich die vorgeschlagenen Alternativen aktiviert, könnte dagegen versäumen zu vergleichen, wie sich diese Alternativen bei den tatsächlichen Aufgaben des Teams verhalten.

 Das unmittelbare Inventar ist daher konkret. Ermitteln Sie, ob eines der sechs auslaufenden Modelle in Copilot Chat, bei Inline-Änderungen, im Ask-Modus, im Agent-Modus oder für Codevervollständigungen verwendet wird; halten Sie fest, welcher Copilot-Tarif und welcher Client die jeweilige Nutzung bestimmen; und unterscheiden Sie zwischen benannten Ersatzmodellen und noch ungeklärten Fällen. Für Claude Fable 5, Claude Haiku 4.5, Gemini 3.8 Flash, Gemini 4 Argon und Grok 4.6 nennt GitHub in seiner Ankündigung mögliche Ziele. Für Kimi K3 gibt es bislang keines. Einzelne Abonnenten eines Jahrestarifs sind ausdrücklich von der Abkündigung von Claude Haiku 4.5 ausgenommen. Diese Fakten markieren die Migrationsgrenze für die nächste Phase: Es muss getestet werden, ob das unterstützte Zielmodell im jeweiligen Engineering-Workflow funktioniert, statt eine geänderte Modellbezeichnung als rein kosmetische Anpassung zu betrachten.

 ## Warum ein Modellwechsel die Ergebnisse in der Softwareentwicklung verändern kann

 Ein Copilot-Modell ist Teil eines Engineering-Workflows und nicht bloß eine Bezeichnung in einer Auswahlliste. Wenn GitHub ein auslaufendes Modell ersetzt, kann die umgebende Aufgabe unverändert wirken, während sich das Verhalten des Systems im Hintergrund verschiebt. Der Prompt kommt weiterhin aus demselben Editor oder Repository, doch das Ersatzmodell kann Anweisungen anders interpretieren, andere Rückfragen stellen, eine andere Reihenfolge von Tools wählen oder an einem anderen Punkt einer Agent-Schleife anhalten. Das ist relevant, wenn eine Aufgabe von einer präzisen Repository-Konvention abhängt und nicht nur von einer allgemein akzeptablen Antwort.

 Deshalb sollte die Abkündigungsmitteilung als Ereignis des Release-Managements behandelt werden. Betroffen sind Copilot Chat, Inline-Änderungen, Ask- und Agent-Modi sowie Codevervollständigungen. Eine Änderung auf einer dieser Oberflächen kann beeinflussen, wie aus einer Anweisung Code entsteht, wie vorhandene Dateien vor einer Änderung durchsucht werden oder wie viel Kontext zur Begründung eines Änderungsvorschlags herangezogen wird. Die praktische Frage lautet nicht, ob das Ersatzmodell Code erzeugen kann. Entscheidend ist, ob es unter denselben Berechtigungs- und Richtlinienvorgaben den erwarteten Code im erwarteten Repository erzeugt.

 ### Der Prompt ist nur ein Teil des Vertrags

 Teams betrachten einen Prompt häufig als Bitte um eine Antwort: einen fehlschlagenden Test reparieren, eine Funktion refaktorisieren, eine API erklären oder einen Pull Request prüfen. Ausgereifte Copilot-Workflows ergänzen diese Bitte um einen impliziten Vertrag. Das Modell soll Repository-Anweisungen befolgen, den lokalen Stil bewahren, den vorgegebenen Umfang einhalten, verfügbare Tools angemessen verwenden und ein Ergebnis liefern, das ein Mensch überprüfen kann. Ein Modellwechsel kann jede dieser Ebenen beeinflussen, selbst wenn der formulierte Prompt unverändert bleibt.

 Die Interpretation des Prompts ist die erste Quelle für Abweichungen. Ein Modell kann aus „Nimm diese Änderung im gesamten Modul vor“ schließen, dass auch zugehörige Tests eingeschlossen sind; ein anderes bearbeitet nur die genannte Funktion. Eines kann eine knappe Anweisung als Erlaubnis verstehen, benachbarte Dateien zu untersuchen, während ein anderes vor einer Ausweitung der Suche nachfragt. Das sind nicht zwangsläufig Fehler, sie verändern jedoch, wie viele Entscheidungen beim Entwickler verbleiben. Ein Team, das sich stillschweigend auf die Interpretation eines bestimmten Modells verlassen hat, kann feststellen, dass seine Prompts weniger eindeutig waren, als der eigene Prozess voraussetzte.

 Auch der Einsatz von Tools führt zu Unterschieden. Im Agent-Modus hängt die Qualität nicht nur vom finalen Text ab, sondern auch vom Weg dorthin: Welche Dateien werden geöffnet, welche Befehle vorgeschlagen oder ausgeführt, ob ein Test gestartet wird und wie das Modell auf einen Fehler reagiert. Ein Ersatzmodell mit weniger Tool-Aufrufen kann schneller sein, aber wichtige Annahmen ungeprüft lassen. Eines mit mehr Aufrufen kann die Untersuchung schwieriger Aufgaben verbessern, dabei jedoch mehr Tokens verbrauchen und länger benötigen. Die Dokumentation zu den von GitHub unterstützten Modellen macht außerdem deutlich, dass die Verfügbarkeit vom Copilot-Tarif und von der Oberfläche abhängt, auf der Copilot verwendet wird; zugleich kann sie sich ändern, wenn Modelle ersetzt oder aktualisiert werden. Der effektive Workflow ist damit eine Kombination aus Modell, Produktoberfläche und Richtlinie – nicht nur ein Modellname.

 ### Kleine Verhaltensänderungen können zu Workflow-Änderungen werden

 Der Codestil ist ein weiteres sichtbares Signal. Modelle können sich darin unterscheiden, wie aggressiv sie refaktorisieren, wo sie Hilfsfunktionen platzieren, wie sie Variablen benennen und ob sie ein bestehendes Muster beibehalten oder ein neues einführen. Bei einem isolierten Vorschlag mag das eine geringfügige Präferenz sein. Über wiederholte Vervollständigungen oder Inline-Änderungen hinweg kann es jedoch mehr Prüfaufwand verursachen und die Konventionen einer Codebasis uneinheitlicher machen. Dasselbe gilt für Kommentare und Tests: Umfangreichere generierte Tests können nützlich sein, aber auch Änderungen über den Umfang hinaus ausweiten, den ein Reviewer erwartet.

 Latenz und Tokenverbrauch gehören in dieselbe Bewertung. Eine technisch korrekte, aber deutlich langsamere Antwort kann beeinflussen, ob Entwickler Copilot für kleine Aufgaben überhaupt einsetzen. Verbraucht eine Antwort mehr Kontext oder erzeugt sie längere Diffs, kann das Nutzungsmuster und die Kostenkontrolle verändern. Die Mitteilung zur Ablösung legt kein bestimmtes Leistungs- oder Kostenergebnis für jedes Ersatzmodell fest. Diese Auswirkungen sollten daher gemessen und nicht vorausgesetzt werden.

 Die Qualität von Code-Reviews verdient besondere Aufmerksamkeit, denn ein Review ist eine Beurteilungsaufgabe und nicht nur Codegenerierung. Ein Ersatzmodell kann andere Risiken hervorheben, Befunde anders formulieren oder einen Fehler übersehen, den das vorherige Modell erkannt hat. Umgekehrt kann es auch ein Problem identifizieren, das zuvor unentdeckt blieb. „Der Code kompiliert weiterhin“ ist deshalb kein ausreichender Migrationstest. Teams sollten repräsentative Review-Befunde, Erklärungen, Fehlalarme und Auslassungen vergleichen, bevor sie annehmen, dass ein unveränderter Review-Workflow auch eine unveränderte Abdeckung bietet.

 Die Migrationsstudie für 2026 im Forschungsplan enthält einen Hinweis zum zeitlichen Ablauf: Ihre Analyse ergab, dass die meisten beobachteten Migrationen in Open-Source-Anwendungen erst stattfanden, nachdem das ursprüngliche Modell abgeschaltet worden war. Diese Erkenntnis liefert Kontext, ist aber keine Vorhersage darüber, dass sich jeder Copilot-Nutzer gleich verhalten wird. Die operative Konsequenz ist eindeutig: Wer bis zur Durchsetzung der Ablösung wartet, verliert den Zeitraum, in dem sich Ausgaben vergleichen lassen, während das alte Verhalten noch als Referenz verfügbar ist. Frühzeitige Tests machen aus einer unerwarteten Änderung in der Produktion einen kontrollierten Vergleich.

 Das sicherste Denkmodell ist Verhaltenskompatibilität statt Kompatibilität des Modellnamens. Die Dokumentation von GitHub kann festlegen, welche Modelle und Richtlinien unterstützt werden. Sie kann jedoch nicht beweisen, dass ein Ersatzmodell die Interpretation von Prompts, die Agentenschleife, den Stil, die Latenz, den Tokenverbrauch oder die Review-Qualität eines Teams beibehält. Diese Eigenschaften müssen anhand der tatsächlichen Arbeit des Teams überprüft werden. Eine Modellablösung wird beherrschbar, wenn Engineering-Verantwortliche das Ersatzmodell als Versionsänderung in einer KI-gestützten Toolchain behandeln und die Teile dieser Toolchain validieren, von denen Menschen, Automatisierung und Richtlinien abhängen.

 ## Wer vor dem Stichtag handeln muss

 Der Stichtag ist nicht nur eine Erinnerung für einzelne Entwickler. Es geht um Zuständigkeiten: Wer legt die Modellauswahl fest, wer ist vom aktuellen Verhalten abhängig und wer kann prüfen, ob ein Ersatz weiterhin zum Workflow passt? GitHubs Mitteilung zur Ablösung betrifft Copilot Chat, Inline-Bearbeitungen, den Ask- und Agent-Modus sowie Codevervollständigungen. Der zuständige Personenkreis ist daher größer als die Gruppe, die gelegentlich einen Modellauswahldialog öffnet. Unternehmensadministratoren, Plattformteams, Repository-Verantwortliche und Entwickler können jeweils einen anderen Teil der Konfiguration steuern.

 Unternehmensadministratoren sollten mit den Richtlinien beginnen, die bestimmen, welche Modelle Nutzer sehen und verwenden können. Entscheidend ist der Unterschied zwischen einem ausdrücklich ausgewählten Modell und einem Standardmodell, das über Organisationseinstellungen übernommen wird. Ein benanntes Modell kann in einer Richtlinie, einem dokumentierten Standard, einer gespeicherten Anweisung oder einer Integration auftauchen, selbst wenn die meisten Nutzer Copilot über einen Standard verwenden. Diese Verweise müssen vor dem Ablösungstermin gefunden werden. Ein Standard kann zentral geändert werden, während eine ausdrückliche Auswahl in einem Workflow verankert bleiben oder fehlschlagen kann, sobald das benannte Modell nicht mehr verfügbar ist.

 Die administrative Prüfung sollte außerdem die Berechtigung für den jeweiligen Tarif sowie Einschränkungen abdecken, die Ersatzmodelle betreffen. Githubs Dokumentation zu unterstützten Modellen macht Verfügbarkeit und Richtlinienkontrollen zu einem Bestandteil der Modellauswahl. Deshalb sollte die Verfügbarkeit nicht anhand des Kontos eines anderen Nutzers oder eines Produkt-Screenshots vorausgesetzt werden. Prüfen Sie den Copilot-Tarif der Organisation, die durch Richtlinien zugelassenen Modelle sowie Anforderungen an Datenresidenz oder Compliance, die die Auswahl einschränken. Ist ein Ersatzmodell in einem bestimmten Tarif nicht verfügbar oder steht es im Konflikt mit einer organisatorischen Vorgabe, kann der Migrationsweg anders aussehen als in einer allgemeinen Ankündigung beschrieben.

 Plattformteams haben eine eigene Verantwortung: Sie müssen die Stellen identifizieren, an denen Copilot Teil eines Engineering-Systems und nicht bloß eine individuelle Komfortfunktion ist. Dazu gehören festgelegte Modelleinstellungen in Erweiterungen oder Integrationen, gemeinsam genutzte Prompt-Dateien, interne Entwicklerleitfäden, Automatisierungen für Pull Requests und Evaluierungsjobs, die Ergebnisse unter einem Modellnamen speichern. Ein Modellverweis kann sich in einem Konfigurationswert, einer Richtlinienregel oder einem Test-Harness verbergen. Eine Bestandsaufnahme dieser Verweise hilft dabei, eine bewusst gesetzte Standardeinstellung von einer Abhängigkeit zu unterscheiden, die ausfallen oder sich unbemerkt ändern könnte.

 Die höchste Priorität sollte die Prüfung von Workflows haben, deren Folgen operativer Art sind. Agentenmodi können Prompts nach einer Modelländerung anders interpretieren, Tools anders nutzen, Schritte wiederholen und unter anderen Bedingungen anhalten. Auch Code-Reviews können andere Befunde, Prioritäten oder Erklärungen liefern, obwohl der zugrunde liegende Code unverändert ist. Automatisierte Evaluierungen können ebenfalls irreführend werden, wenn Ergebnisse eines Modells mit historischen Ergebnissen eines anderen verglichen werden, ohne die Änderung zu protokollieren. Daraus folgt nicht, dass ein Ersatz zwangsläufig scheitert. Es folgt aber, dass der Ersatz eine verantwortliche Person und eine Prüfung braucht.

 Teams sollten jeden Workflow erfassen, der von einem namentlich festgelegten Modell ausgeht – nicht nur jeden Workflow, in dem ein Modell angezeigt wird. Wer gelegentlich ein Modell für eine Erklärung auswählt, muss möglicherweise nur bestätigen, dass ein unterstützter Ersatz verfügbar ist. Ein Plattformteam, das Agentenaufgaben, Review-Unterstützung oder wiederholbare Prompt-Evaluierungen betreibt, muss hingegen festlegen, was für diesen Workflow als „gleichwertig“ gilt, und bestimmen, wer das Ergebnis freigibt. Sinnvolle Prüfungen können die Korrektheit bei repräsentativen Aufgaben, das Verhalten bei Tool-Aufrufen, Latenz, Token-Verbrauch, Berechtigungen und die Qualität von Reviews umfassen.

 Auch einzelne Entwickler haben vor der Umstellung eine konkrete Aufgabe. Sie sollten gespeicherte Prompts, persönliche Anweisungen, Editoreinstellungen und dokumentierte Modellpräferenzen prüfen, die sie im Arbeitsalltag verwenden. Außerdem sollten sie Team-Prompts oder Beispiele melden, in denen ein auslaufendes Modell genannt wird – insbesondere dann, wenn diese Prompts in gemeinsam genutzte Repositories oder Onboarding-Material übernommen werden. Ein in der Oberfläche sichtbarer Ersatz ist nicht automatisch für die Coding-Konventionen, Testerwartungen oder Review-Gewohnheiten eines Projekts validiert. Entwickler bemerken solche kleinen, aber folgenreichen Unterschiede oft am schnellsten.

 Eine nützliche Eskalationsregel ist einfach: Je stärker ein Workflow handeln, Entscheidungen absichern oder Inhalte veröffentlichen kann, desto weniger vertretbar ist es, die Modellablösung als rein kosmetische Änderung der Benutzeroberfläche zu behandeln. Ein Agenten-Workflow, der Dateien bearbeitet, ein Review-Prozess, der Merge-Entscheidungen beeinflusst, oder eine Evaluierungspipeline zum Vergleich von Prompt-Änderungen hat größere operative Auswirkungen als eine gewöhnliche Chat-Sitzung. Die Verantwortlichen sollten das aktuelle Modell, den vorgesehenen Ersatz, die ihn ermöglichende Richtlinie und die Belege dafür dokumentieren, dass der Workflow nach der Änderung weiterhin akzeptabel ist.

 Vor dem 14. Dezember können Administratoren die Vererbung von Richtlinien und die Berechtigung für Ersatzmodelle bestätigen; Plattformteams können Konfigurationen, Integrationen, Prompts und Evaluierungen durchsuchen; und Entwickler können wiederkehrende Copilot-Aufgaben testen. Ziel ist nicht, einen Modellnamen um seiner selbst willen zu bewahren. Es geht darum, die Abhängigkeit sichtbar zu machen, Verantwortung für den betroffenen Workflow zuzuweisen und sicherzustellen, dass jede Änderung der Ausgabe von denjenigen bemerkt wird, die darauf angewiesen sind.

 ## Eine kontrollierte Migrations-Checkliste für Copilot-Nutzer

 Behandeln Sie die Umstellung am 14. Dezember 2026 als kleine Release-Management-Aufgabe, selbst wenn GitHub sie als Änderung der Modellverfügbarkeit darstellt. Zuerst muss geklärt werden, an welchen Stellen die auslaufenden Modelle tatsächlich referenziert werden. Durchsuchen Sie Administratorrichtlinien, Dokumentationen auf Repository- oder Organisationsebene, gespeicherte Prompts, interne Runbooks, Evaluierungsskripte und Integrationen, die einen Modellnamen ausdrücklich übergeben. Erfassen Sie außerdem Stellen, an denen ein Modell als Standard ausgewählt wird, statt in Code oder Konfiguration namentlich aufzutauchen. Eine sichtbare Modellauswahl ist nur ein Teil der Abhängigkeitsfläche: Ein Team kann standardisierte Prompts, Agentenanweisungen oder Review-Verfahren um ein bestimmtes Modell herum aufgebaut haben, ohne diese Annahme zu dokumentieren.

 Die Bestandsaufnahme sollte für jede Referenz einen Verantwortlichen und eine Entscheidung ergeben. Der Verantwortliche kann den von GitHub vorgesehenen Ersatz freigeben, ein anderes unterstütztes Modell auswählen oder die explizite Festlegung entfernen und die Auswahl der jeweils geltenden Richtlinie überlassen. Dabei sollten die Berechtigung des Plans und Organisationsregeln berücksichtigt werden, die festlegen, welche Modelle verwendet werden dürfen. Außerdem sollte die Bestandsaufnahme Integrationen erfassen, deren Verhalten davon abhängt, dass ein bestimmtes Modell verfügbar ist. Dass ein Ersatzmodell in der Benutzeroberfläche erscheint, bedeutet nicht automatisch, dass es in jedem Plan, Richtlinienbereich oder Workflow verfügbar ist. Deshalb sollte das Verzeichnis mit der aktuellen Dokumentation der von GitHub unterstützten Modelle und den eigenen Copilot-Einstellungen der Organisation abgeglichen werden.

 ### 1. Den Ersatz ausdrücklich festlegen

 Verlassen Sie sich bei wichtiger Entwicklungsarbeit nicht auf einen stillen Fallback. Aktivieren oder genehmigen Sie den vorgesehenen Ersatz ausdrücklich in den relevanten Einstellungen der Organisation, des Unternehmens oder des persönlichen Kontos. Prüfen Sie anschließend, ob diese Einstellung die Benutzer und Repositorys erreicht, die sie benötigen. Wenn eine Richtlinie vererbt wird, sollte dokumentiert werden, woher der wirksame Wert stammt und wer ihn ändern kann. Das ist besonders für Enterprise-Administratoren wichtig: Die lokale Auswahl eines Entwicklers kann eine Organisationsrichtlinie möglicherweise nicht außer Kraft setzen, während eine zentral geänderte Richtlinie viele Workflows gleichzeitig beeinflussen kann.

 Halten Sie für jedes benannte Modell fest, welches Verhalten nach der Änderung erwartet wird. Der Eintrag kann kurz sein: Ersatzmodell, betroffene Copilot-Oberflächen, Verantwortlicher für die Richtlinie, Einschränkung durch Plan oder Berechtigung sowie das Fallback-Verhalten, falls der Ersatz nicht verfügbar ist. Nehmen Sie die in GitHubs Hinweis genannten Ausnahmefälle auf, statt davon auszugehen, dass alle Konten denselben Weg nehmen. Ziel ist nicht, ein bestimmtes Label um jeden Preis zu bewahren, sondern den Zustand nach der Umstellung bewusst festzulegen und sichtbar zu machen.

 ### 2. Repräsentative Arbeit testen, keine Spielzeug-Prompts

 Stellen Sie einen Evaluationsdatensatz aus realen Aufgaben zusammen, die für das Team relevant sind. Dazu gehören gewöhnliche Codevervollständigung, Änderungen über mehrere Dateien hinweg, Fehlersuche, Erklärungen, Testgenerierung, Code-Reviews und alle agentischen Workflows, die Tools oder Repository-Kontext verwenden. Bewahren Sie Prompt, relevante Dateien oder Fixtures, erwartetes Ergebnis und Akzeptanzkriterien auf, damit die alte und die neue Konfiguration anhand derselben Arbeit verglichen werden. Einige eindrucksvolle Demonstrationen reichen nicht aus, um eine sichere Migration zu belegen.

 Bewerten Sie zuerst die Korrektheit, aber belassen Sie es nicht dabei. Erfassen Sie, ob die Antwort den Konventionen des Repositorys folgt, zum richtigen Zeitpunkt um Klärung bittet, unnötige Änderungen vorschlägt und ob ein Reviewer den resultierenden Patch nachvollziehen kann. Prüfen Sie bei Agentenmodi die vollständige Schleife: Interpretation der Anfrage, Toolauswahl, Berechtigungsabfragen, Dateiänderungen, Testausführung und Abbruchverhalten. Diese Prüfungen ergeben sich unmittelbar daraus, dass sich Modelle bei der Interpretation von Prompts, der Tool-Nutzung und dem Agentenverhalten unterscheiden können, selbst wenn sie über dieselbe Copilot-Oberfläche angeboten werden.

 Latenz und Tokenverbrauch gehören in denselben Vergleich. Ein Modell, das eine akzeptable Antwort liefert, aber länger braucht, mehr Kontext verbraucht oder zusätzliche Iterationen auslöst, kann die Kosten und den Durchsatz eines Workflows verändern. Sammeln Sie genügend Belege, um eine einmalige Antwort von einem wiederholbaren Muster zu unterscheiden. Wenn das Team bereits automatisierte Evaluierungen einsetzt, sollte die Migration durch diese Tests laufen und die Ergebnisse sollten aufbewahrt werden. Gibt es solche Tests nicht, ist eine kleine manuell geprüfte Auswahl immer noch nützlicher als die ungeprüfte Annahme, der Ersatz sei gleichwertig.

 ### 3. Berechtigungen, Richtlinien und Fallback-Verhalten prüfen

 Ein Migrationstest sollte die Berechtigungen ausüben, über die der Workflow in der Produktion verfügen wird. Bestätigen Sie, dass der Ersatz auf den erwarteten Repository-Kontext und die benötigten Tools zugreifen kann und dass Freigabeschranken weiterhin wie vorgesehen funktionieren. Testen Sie sowohl den erfolgreichen als auch den eingeschränkten Ablauf: Was geschieht beispielsweise, wenn ein Tool-Aufruf eine Genehmigung erfordert, ein Modell für das Konto nicht aktiviert ist oder eine Administratorrichtlinie die bevorzugte Auswahl verhindert? Das Ergebnis sollte als operatives Verhalten dokumentiert werden und nicht einzelnen Entwicklern überlassen bleiben, die es erst während einer laufenden Aufgabe entdecken.

 Dokumentieren Sie vor dem Stichtag das Verhalten bei einem Rollback oder Fallback. In diesem Fall bedeutet ein Rollback möglicherweise nicht, ein ausgemustertes Modell wiederherzustellen. Stattdessen kann es heißen, auf ein anderes unterstütztes Modell umzuschalten, einen automatisierten Schritt zu deaktivieren, eine Aufgabe zur manuellen Prüfung weiterzuleiten oder vorübergehend einen enger gefassten Workflow zu verwenden. Entscheidend ist, dass das Team weiß, welche Maßnahme sicher ist, wenn das erwartete Modell fehlt oder deutlich andere Ergebnisse liefert. Behandeln Sie einen ungetesteten Fallback nicht als Kontrollmechanismus: Er kann Stil des Codes, Prüftiefe, Latenz oder Nutzungsmuster ebenso verändern wie ein primärer Ersatz.

 ### 4. Die Umstellung kommunizieren und anschließend überprüfen

 Informieren Sie betroffene Entwickler, Reviewer und Administratoren darüber, was sich ändert, wann die Änderung wirksam wird und welche Workflows Aufmerksamkeit erfordern. Die Mitteilung sollte auf das freigegebene Ersatzmodell oder die geltende Richtlinie verweisen, eine zuständige Ansprechperson für Fragen nennen und die Bewertungsergebnisse aufführen. Außerdem sollte sie festlegen, was Nutzer melden sollen: nicht verfügbare Modelle, unerwartetes Verhalten von Agenten, veränderte Review-Ergebnisse, neue Genehmigungsabfragen, ungewöhnliche Latenzen oder einen merklichen Anstieg der Nutzung. Klare Kriterien für Meldungen erleichtern die Unterscheidung zwischen einer normalen Modellabweichung und einem Konfigurationsfehler.

 Führen Sie nach dem 14. Dezember eine Prüfung nach der Änderung durch, statt die Aufgabe mit Ablauf der Frist zu schließen. Stellen Sie sicher, dass die ausgemusterten Modelle dort nicht mehr erscheinen, wo sie nicht erscheinen dürfen, dass die vorgesehenen Ersatzmodelle für die richtigen Konten verfügbar sind und dass die Richtlinienvererbung weiterhin den erwarteten Wert auflöst. Führen Sie einen kleinen, repräsentativen Teil des Evaluationsdatensatzes erneut aus, prüfen Sie einen oder mehrere reale Workflows für Code-Reviews und Agenten und vergleichen Sie Nutzungs- oder Kostensignale mit der Ausgangsbasis vor der Änderung. Aktualisieren Sie abschließend gespeicherte Prompts, Runbooks und interne Dokumentation, damit die nächste Modelländerung auf einem verlässlichen Inventar aufbaut. Diese abschließende Prüfung macht aus einer erzwungenen Ablösung eine kontrollierte Änderung mit einem überprüfbaren Ergebnis.
