GitHub erweitert Copilot um GPT-6 Sol und GPT-6 Luna. Damit wächst die Modellauswahl, aber auch die betriebliche Aufgabe: Teams müssen entscheiden, welches Modell für welche Coding-Arbeit freigegeben und empfohlen wird. Sol ist als ausgewogene Option für interaktive und agentische Aufgaben positioniert, die von sorgfältiger mehrstufiger Validierung profitieren. Luna richtet sich an kleinere, schnellere Aufgaben und wird als kostengünstigste Option der GPT-6-Familie beschrieben. Für Unternehmen reicht diese Kurzbeschreibung nicht. Ein belastbares Routing muss Risiko, Ergebnisqualität, Wiederholungen und die nutzungsbasierte Abrechnung gemeinsam betrachten.
Was GitHub zu GPT-6 Sol und Luna bestätigt
Bestätigt ist: GPT-6 Sol steht in GitHub Copilot als ausgewogenes Modell für interaktive und agentische Coding-Aufgaben bereit. GitHub nennt es eine Allround-Option für Entwicklungsarbeiten, die sorgfältige, mehrstufige Validierung benötigen. GPT-6 Luna ist als leichtgewichtiges, kosteneffizientes Modell für kleinere und schnelle Aufgaben verfügbar und wird als niedrigste Kostenoption innerhalb der GPT-6-Familie positioniert. Beide Modelle werden nutzungsbasiert abgerechnet.
Der Rollout erfolgt schrittweise über Editoren und Entwicklungsumgebungen, Copilot CLI, Cloud-Agent, Copilot-App, github.com sowie GitHub Mobile. Sol ist für Copilot Pro+, Max, Business und Enterprise vorgesehen; Luna zusätzlich für Copilot Pro. Business- und Enterprise-Administratoren können den Zugriff über Copilot-Modellrichtlinien steuern. Bei standardmäßiger Modellaktivierung können neue Modelle automatisch freigeschaltet werden, sofern die globale Voreinstellung nicht deaktiviert oder das jeweilige Modell ausdrücklich gesperrt wurde.
Sol oder Luna: Ein betrieblicher Entscheidungsrahmen
Die Modellwahl sollte an der Aufgabe hängen, nicht an persönlichen Vorlieben. Als nachvollziehbare Ableitung aus GitHubs Positionierung eignet sich Luna für begrenzte Arbeiten mit klarer Erwartung und niedrigen Folgekosten bei Fehlern. Sol passt eher zu mehrstufigen Aufgaben, bei denen Planung, Werkzeugnutzung, Validierung oder Änderungen über mehrere Dateien zusammenkommen. Diese Zuordnung ist eine Startannahme für den eigenen Pilot und kein veröffentlichter Leistungsnachweis für die individuelle Codebasis.
- Luna zuerst prüfen: kurze Erklärungen, kleine Transformationen, überschaubare Tests, einfache Dokumentationsänderungen und klar begrenzte Codevorschläge.
- Sol zuerst prüfen: mehrstufige Fehleranalyse, Änderungen über mehrere Komponenten, agentische Aufgaben mit Werkzeugen sowie Arbeiten, die eine sorgfältige Validierung erfordern.
- Eskalieren statt wiederholen: Scheitert Luna an Komplexität oder Kontext, sollte der Workflow gezielt zu Sol wechseln, statt unkontrolliert weitere Versuche zu erzeugen.
- Menschliche Freigabe beibehalten: Sicherheitskritische, produktionsnahe oder weitreichende Änderungen benötigen unabhängig vom Modell Review, Tests und bestehende Merge-Regeln.
Warum Copilot Auto und manuelles Routing getrennt bleiben
Copilot Auto adressiert die automatische Modellauswahl. Die Einführung von Sol und Luna beantwortet dagegen zunächst, welche konkreten Modelle für bestimmte Aufgabentypen geeignet und organisatorisch erlaubt sein sollen. Unternehmen können beides verbinden, sollten die Ebenen aber nicht vermischen: Modellrichtlinien definieren den zulässigen Katalog, das Routing wählt innerhalb dieses Katalogs, und Qualitätsgates entscheiden, ob ein Ergebnis akzeptiert wird. So bleibt nachvollziehbar, ob ein Unterschied durch Modellwahl, Aufgabe oder Prüfprozess entstanden ist.
Ein kontrollierter Rollout in sechs Schritten
- Zugang bewusst festlegen: Prüfen, welche Teams Sol und Luna benötigen, und die Copilot-Modellrichtlinien vor dem schrittweisen Rollout kontrollieren. Automatische Standardfreigaben nicht unbeobachtet übernehmen.
- Aufgabenklassen definieren: Wiederkehrende Coding-Arbeiten nach Umfang, Kontext, Werkzeugbedarf, Fehlerrisiko und erforderlicher Validierung gruppieren.
- Gemeinsame Testfälle erstellen: Sol und Luna auf denselben repräsentativen Aufgaben prüfen. Lösungen mit identischen Tests, Reviews und Sicherheitskontrollen bewerten.
- Routingregel pilotieren: Luna als Startmodell für klar begrenzte Aufgaben einsetzen und Sol für komplexere oder eskalierte Fälle vorsehen. Abbruch- und Eskalationskriterien vorab dokumentieren.
- Vollkosten messen: Requests, Laufzeit, Wiederholungen, manuelle Korrektur, Reviewaufwand und akzeptierte Ergebnisse je Aufgabenklasse erfassen.
- Richtlinie freigeben: Nur Modelle und Routingregeln ausrollen, die Qualitäts-, Sicherheits- und Kostenschwellen erfüllen. Ausnahmen erhalten Eigentümer, Begründung und erneuten Prüftermin.
Die passende Scorecard für Qualität und Kosten
Ein Pilot sollte nicht Gewinner und Verlierer über einen einzigen Durchschnitt bestimmen. Luna kann bei kleinen Aufgaben wirtschaftlicher sein, während Sol bei komplexen agentischen Abläufen weniger Nacharbeit verursacht. Deshalb werden Ergebnisse pro Aufgabenklasse ausgewertet. Außerdem zählt nur eine Lösung, die bestehende technische Gates besteht; hübscher Code ohne korrekte Funktion darf die Quote nicht verbessern.
- Akzeptanzquote beim ersten vollständigen Versuch
- Bestehende und neu ergänzte Tests erfolgreich bestanden
- Zahl der Wiederholungen oder Modellwechsel bis zur akzeptierten Lösung
- Review- und Korrekturzeit durch Entwickler
- Nutzungsbasierte Modellkosten plus interner Prüfaufwand
- Sicherheits-, Berechtigungs- oder Richtlinienverstöße
- Kosten und Durchlaufzeit pro akzeptiertem Ergebnis
Einordnung für Entscheider
GPT-6 Sol und GPT-6 Luna erweitern Copilot nicht nur um zwei Modellnamen, sondern um eine praktische Kosten- und Qualitätsentscheidung. Luna ist der naheliegende Kandidat für schnelle, kleinere Aufgaben; Sol für Arbeiten mit höherer Komplexität und mehrstufiger Validierung. Ob diese Zuordnung im eigenen Unternehmen trägt, muss ein kontrollierter Vergleich zeigen. Der sinnvollste Rollout beginnt daher mit restriktiven Modellrichtlinien, klaren Aufgabenklassen und einer Eskalationsregel. Freigegeben wird nicht das Modell mit dem besten Einzelresultat, sondern die Kombination aus Modell, Aufgabe und Prüfprozess, die wiederholt sichere Ergebnisse zu vertretbaren Vollkosten liefert.