Até pouco tempo, muita equipe tratava o GitHub Copilot quase como uma assinatura plana: paga a licença, libera o acesso e deixa o uso correr. A mudança para billing por uso com AI Credits desmonta justamente essa leitura.
Na prática, o Copilot continua com preço-base por plano, mas o consumo mais pesado agora passa a ser medido por tokens, modelo escolhido, contexto usado e tipo de tarefa. Isso aproxima a ferramenta de uma conta de infraestrutura: não basta mais saber quem tem licença; agora também importa como o time usa.
o que mudou de forma concreta
A partir de 1º de junho de 2026, os planos do Copilot passaram a consumir GitHub AI Credits no lugar do modelo anterior de premium requests.
O raciocínio é simples:
- cada interação consome tokens de entrada, saída e cache
- esses tokens têm custo diferente conforme o modelo
- o total vira AI Credits, em que 1 crédito = US$ 0,01
Ou seja: uma pergunta curta no chat e uma sessão longa de agente mexendo em vários arquivos deixaram de parecer a mesma coisa na conta.
Esse é o ponto central da mudança. O GitHub está dizendo, sem rodeio, que o Copilot virou um produto mais agentic, mais caro de operar e menos compatível com cobrança quase cega por pacote.
o preço da licença não subiu, mas a conta ficou mais visível
O GitHub manteve o preço-base dos planos, mas trocou a lógica do que está incluído.
Para pessoas físicas, a documentação atual mostra este pacote mensal:
- Copilot Pro: 1.500 AI Credits por mês
- Copilot Pro+: 7.000 AI Credits por mês
- Copilot Max: 20.000 AI Credits por mês
Nos planos corporativos, a lógica muda de bucket individual para pool compartilhado:
- Copilot Business: 1.900 AI Credits por usuário/mês
- Copilot Enterprise: 3.900 AI Credits por usuário/mês
Esse volume é agrupado no nível de cobrança da empresa. Em vez de cada pessoa ficar presa ao próprio balde, o uso entra num pool comum. Para times com perfis muito diferentes, isso é bom. O usuário mais pesado consegue gastar mais quando precisa, enquanto o usuário mais leve compensa do outro lado.
Mas tem uma virada importante aqui: o desperdício escondido também fica mais visível. Quando a empresa começa a enxergar consumo por usuário, centro de custo e orçamento adicional, a conversa deixa de ser só sobre produtividade e vira também uma conversa sobre governança.
o que continua “grátis” e o que começa a pesar
Nem tudo entra nessa conta nova.
Segundo a documentação do GitHub:
- code completions continuam incluídas nos planos pagos
- next edit suggestions também seguem fora da cobrança por AI Credits
O que passa a consumir créditos são recursos como:
- Copilot Chat
- Copilot CLI
- Copilot cloud agent
- Copilot Spaces
- Spark
- agentes de terceiros integrados
O detalhe que mais importa para gestor técnico é este: quanto mais agentic, mais fácil gastar muito sem perceber.
Uma equipe que usa o Copilot só para completar código e tirar dúvida rápida vai sentir menos. Já um time que delega sessões longas, revisão extensa, contexto gigante e experimentação frequente com modelos mais caros começa a operar em outra faixa de consumo.
modelo virou variável de custo, não só de qualidade
No modelo antigo, muita gente escolhia o “melhor modelo disponível” quase sem pensar. Agora isso pesa no uso.
A tabela pública do GitHub mostra preços por 1 milhão de tokens que variam bastante entre os modelos. Em linhas gerais, os modelos mais poderosos e as janelas de contexto mais longas custam mais. Em alguns casos, a versão long context praticamente dobra o custo de entrada.
Na prática, isso cria uma disciplina nova dentro do fluxo de engenharia:
- tarefa simples pode pedir modelo mais barato
- tarefa longa ou crítica pode justificar modelo melhor
- contexto gigante deixa de ser só conveniência e vira custo
Essa é uma mudança cultural relevante. O time não está mais escolhendo apenas a melhor resposta; está escolhendo também quanto quer pagar para chegar nela.
sem fallback automático, o limite fica mais duro
Outra mudança importante: o GitHub diz que o fallback automático para modelo mais barato deixa de ser o plano padrão quando o uso estoura.
Se os créditos incluídos acabam, entram duas possibilidades:
- esperar o próximo ciclo
- liberar uso adicional pago, com orçamento definido
No caso das organizações, isso ganha mais camadas:
- orçamento por usuário
- orçamento por cost center
- orçamento por organização
- spending limit no nível enterprise
E aqui mora um detalhe que muita empresa pode subestimar: user-level budget é hard stop. Se o usuário bate esse teto, o acesso aos recursos que consomem créditos para ali, mesmo que ainda exista espaço em outro orçamento.
Isso muda bastante a operação de times com uso desigual. Sem calibragem, a empresa pode bloquear justamente quem mais depende do Copilot em tarefas complexas.
review automática agora também encosta em GitHub Actions
Tem mais um ponto prático que pesa para times de plataforma: Copilot code review não consome só AI Credits. A funcionalidade também passa a consumir GitHub Actions minutes.
Ou seja, revisão automática agora pode mexer em dois medidores ao mesmo tempo:
- créditos de IA
- minutos de Actions
Para quem já controla CI/CD no detalhe, isso importa bastante. A conta da IA deixa de estar isolada e começa a conversar com a conta operacional do pipeline.
o que essa mudança sinaliza para o mercado
Mais do que um ajuste de cobrança, essa mudança parece um recado sobre o estágio da IA para dev.
Durante a fase de hype, muita ferramenta foi comprada como se produtividade com IA fosse um pacote fechado. O movimento do GitHub aponta para outra maturidade: IA de engenharia agora precisa provar valor também no orçamento.
Isso deve puxar algumas consequências bem previsíveis:
- mais pressão por política de uso, e não só por adoção
- mais atenção a quais tarefas realmente merecem agente longo
- mais comparação entre modelos, preços e retorno
- mais cobrança para times justificarem o uso pesado
Em resumo: o Copilot ficou menos “benefício ilimitado da licença” e mais “recurso técnico com custo variável”.
a leitura prática para quem lidera time
Se você lidera engenharia, plataforma ou orçamento de ferramentas, vale olhar para quatro perguntas agora:
- quem está usando Copilot como autocomplete e quem está usando como agente pesado?
- quais fluxos realmente precisam de modelo caro ou contexto longo?
- o orçamento está dimensionado para usuários intensivos?
- a equipe sabe quando o ganho de velocidade compensa a conta?
Quem não fizer essa leitura cedo corre o risco de cair num dos dois extremos ruins: ou trava geral por medo de custo, ou libera geral até descobrir tarde demais que a produtividade “barata” saiu cara.
o que esse caso ensina para o resto das ferramentas de IA
Talvez o ponto mais importante nem seja o Copilot em si. É o precedente.
Quando a principal suíte de IA para desenvolvimento troca uma lógica simples de assinatura por medição mais granular, ela ajuda a consolidar uma nova fase do mercado: a fase em que uso de IA vira despesa operacional observável.
Para times maduros, isso pode até ser saudável. Obriga a sair do entusiasmo genérico e tratar IA como qualquer outra camada séria da stack: com medição, limite, prioridade e trade-off.
fontes
- GitHub Blog — GitHub Copilot is moving to usage-based billing
- GitHub Changelog — Updates to GitHub Copilot billing and plans
- GitHub Docs — Usage-based billing for individuals
- GitHub Docs — Usage-based billing for organizations and enterprises
- GitHub Docs — Budgets for usage-based billing
- GitHub Docs — Models and pricing for GitHub Copilot
