# ng-the-batch-350-coding-agents-software-work-acceleration-2026-04-24

## Veille

Das Editorial von Andrew Ng in The Batch #350 stellt eine Beschleunigungshierarchie für Coding-Agenten nach Art der Softwarearbeit auf: Frontend (maximal) > Backend (moderat) > Infrastruktur (gering) > Forschung (minimal). Die Begründung stützt sich auf die implizite Verifizierbarkeit (Beherrschung von TypeScript/JavaScript plus eine autonome Agent-Browser-Testschleife im Frontend) sowie auf die blinden Flecken der LLMs (Grenzfälle / Sicherheit / DB-Migrationen beim Backend, undurchsichtige Netzwerk-Tradeoffs bei der Infrastruktur, irreduzible Hypothesenbildung bei der Forschung). Die Ausgabe wird durch 4 einordnende Nachrichten abgerundet: GLM-5.1 (Z.ai), ein Modell mit 754B/40B aktiven Parametern unter MIT-Lizenz, das autonome Aufgaben von bis zu 8 Stunden Dauer bewältigt (Spitzenreiter bei SWE-Bench Pro mit 58,4 %); Digit (Agility Robotics) bei Schaeffler, der erste industrielle Einsatz von Humanoiden (1,75 m/65 kg, 10–25 $/h gegenüber 20 $/h für einen Menschen); die Anti-Rechenzentren-Revolte (~64 Mrd. $ blockiert zwischen Mai 2024 und März 2025, Moratorium in Maine für Anlagen ab 20 MW, Molotow-Cocktail am Wohnhaus von Sam Altman); sowie die „Assistant Axis" (Christina Lu, MATS / Oxford / Anthropic), die Persona-Drift und Jailbreaks reduziert (Qwen3 32B: 83 %→41 %; Llama 3.3 70B: 65 %→33 %), ohne IFEval/GSM8k/MMLU-Pro/EQ-Bench zu verschlechtern.

## Titre Article

The Batch n°350 — How Coding Agents Accelerate Different Types of Software Work (Andrew Ng) + GLM-5.1, Digit chez Schaeffler, anti-data-center revolt, assistant axis

## Date

2026-04-24

## URL

https://www.deeplearning.ai/the-batch/issue-350/

## Keywords

Andrew Ng, The Batch, DeepLearning.AI, Coding-Agenten, differenzierte Beschleunigung, Frontend-Entwicklung, Backend-Entwicklung, Infrastruktur, Forschung, TypeScript, JavaScript, autonomer Browser, Grenzfälle, Sicherheit, DB-Migrationen, Hypothesenbildung, GLM-5.1, Z.ai, 754B Parameter, 40B aktiv, MoE, SWE-Bench Pro, Arena Code, CyberGym, GPQA Diamond, MIT-Lizenz, HuggingFace, Prompt-Caching, Agility Robotics, Digit, Schaeffler, humanoider Roboter, Fertigung, South Carolina, RGB-Tiefenkameras, LiDAR, IMU, McKinsey 5 Millionen Humanoide 2040, Anti-Rechenzentren, Maine-Moratorium, Port Washington Wisconsin, Festus Missouri, Ohio-Verfassungsänderung, Molotow-Cocktail Altman, Schüsse Indianapolis, Kühlung im geschlossenen Kreislauf, netzunabhängige Stromerzeugung, Christina Lu, MATS, Oxford, Anthropic, Assistant Axis, Activation Capping, Persona-Drift, Jailbreak-Resistenz, Qwen3 32B, Llama 3.3 70B, Gemma 2 27B, IFEval, GSM8k, MMLU-Pro, EQ-Bench, Beschleunigungshierarchie, Verifizierbarkeit, Jagged Frontier

## Authors

Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités

## Ton

**Profil**: Wöchentlicher KI-Newsletter, Digest-Format mit 5 Abschnitten (1 Editorial + 4 Nachrichten), journalistische Perspektive in der dritten Person bei den Nachrichten + reflexive erste Person im Editorial. Zielgruppe: ML/KI-Praktiker, Ingenieure, Tech-Führungskräfte, die DeepLearning.AI-Community. Niveau: mittleres, zugängliches Niveau, ohne übermäßigen Fachjargon, aber mit konkreten technischen Angaben (Parameter, Benchmarks, API-Preise).

**Stil**: Ngs Editorial nimmt den für den Autor typischen pädagogisch-präskriptiven Ton an — er stellt eine **Taxonomie** auf (Frontend / Backend / Infrastruktur / Forschung) und begründet sie mit strukturellen Argumenten (Sprachbeherrschung der LLMs, Fähigkeit zur autonomen Testschleife, Tiefe des erforderlichen Domänenwissens). Kein Hype: Ng kalibriert Erwartungen, *„Erwartungen und Teamorganisation an den KI-Fähigkeiten ausrichten"*. Direkter Stil, kurze Aussagesätze, zentrale Zitate kursiv (*„Coding-Agenten beherrschen gängige Frontend-Sprachen wie TypeScript und JavaScript"*, *„relativ begrenzte"* zur Infrastruktur). Es handelt sich eher um **Management-Bildung** als um ein technisches Tutorial: Ng wendet sich an Entscheidungsträger, die Ressourcen zuteilen und KI-gestützte Teams organisieren müssen.

Die Nachrichtenabschnitte folgen einem „Fact-Sheet"-Format: Entwickler, Innovation, Spezifikationen, Leistung, Marktkontext. Sie sind dicht mit Zahlen (754B/40B, 1,40 $/0,26 $/4,40 $ pro Million Token, 200 Humanoide 2026 → 5 Mio. bis 2040, 64 Mrd. $ blockiert, 83 %→41 % Jailbreaks). Diese zahlenbezogene Dichte ist das Markenzeichen von The Batch: **strukturierte Watch-Berichterstattung für Praktiker** statt ausführlicher redaktioneller Analyse.

Zusammengenommen ergibt die Ausgabe eine **Momentaufnahme der angewandten KI im April 2026**: wo Agenten beschleunigen (Software nach Segment), wo sie Autonomie gewinnen (8-Stunden-Modelle), wo sie physische Form annehmen (Industrierobotik), wo sie auf physischen Widerstand stoßen (Rechenzentren), wo sie driften (Alignment / Persona).

## Pense-betes

- **Ausgabe 350 von The Batch**, veröffentlicht am 24. April 2026, ~15 Minuten Lesezeit, Editorial von Andrew Ng.
- **Beschleunigungshierarchie für Coding-Agenten** (von der stärksten bis zur schwächsten Beschleunigung): 1. **Frontend** — *„Coding-Agenten beherrschen gängige Frontend-Sprachen wie TypeScript und JavaScript"*. Autonome Agent-Browser-Schleife (der Agent testet seine Ausgaben im Browser und iteriert). Ist das Design spezifiziert, geht die Umsetzung schnell. 2. **Backend** — **moderate** Beschleunigung. Der Entwickler muss das Modell durch *Grenzfälle*, Sicherheitsaspekte und Datenbankmigrationen führen. Subtile Bugs + Folgewirkungen = erfahrene menschliche Aufsicht erforderlich. 3. **Infrastruktur** — **die schwächste** Beschleunigung. LLMs verfügen nur über *„relativ begrenzte"* Kenntnisse der Infrastruktur-Komplexität und ihrer Abwägungen. Testen, Experimentieren und das Debuggen von Netzwerkfehlkonfigurationen erfordern tiefgehende Ingenieurexpertise, die über die derzeitigen Fähigkeiten von Agenten hinausgeht. 4. **Forschung** — **minimale** Beschleunigung trotz der codebezogenen Fortschritte. Agenten beschleunigen die Codegenerierung und die Orchestrierung von Experimenten, doch die konzeptionelle Arbeit (Hypothesenbildung, Interpretation, Iteration) bleibt menschlich.
- **Erkenntnis für das Management**: *„Das Verständnis dieser Unterschiede hilft Organisationen, Erwartungen und Teamorganisation an den Fähigkeiten der KI auszurichten."*
- **Gegenlesen mit Karpathy** (Fiche [karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29](karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29.md)): Ng schlägt eine Hierarchie *nach Domäne* vor, Karpathy eine Erklärung *nach Verifizierbarkeit* — Domänen mit starkem Verifikationssignal (visuelles Rendering im Frontend, Mathematik/Code) liegen vorn; unscharfe Domänen (Infrastruktur, konzeptionelle Forschung) hinken hinterher. **Beide Rahmenwerke sind kongruent.** ### Nachricht 1 — GLM-5.1 (Z.ai): 8-Stunden-Autonom-Agent
- **Architektur**: MoE, **754B Parameter insgesamt**, **40B aktiv pro Token**.
- **Kontext**: 200.000 Token Input, 128.000 Output.
- **Lizenz**: MIT, offene Gewichte (HuggingFace).
- **API-Preise**: 1,40 $ / 0,26 $ (gecacht) / 4,40 $ pro Million Token (Input/gecacht/Output).
- **Besonderes Merkmal**: hält eine einzelne Aufgabe autonom bis zu **8 Stunden** lang durch, mit einer Plan→Execute→Evaluate-Schleife und adaptivem Abbruch nach Hunderten von Tool-Aufrufen, falls der Ansatz scheitert (statt vorzeitig abzubrechen).
- **Leistung**: Spitzenreiter bei **SWE-Bench Pro** mit 58,4 % (gegenüber 54–57 % bei der Konkurrenz); 3. Platz bei Arena Code (1530 Elo); Bestwert bei CyberGym mit 68,7; liegt bei GPQA Diamond mit 86,2 % gegenüber 94,3 % bei Gemini 3.1 zurück.
- **Markt**: Z.ai hat seine API-Preise um ~40 % angehoben und die Kosten seines Coding-Abonnements verdoppelt — was den Wettbewerbsabstand zu proprietären Angeboten verringert. ### Nachricht 2 — Digit (Agility Robotics) auf der Produktionslinie von Schaeffler
- **Erster operativer Einsatz** von Humanoiden in der Industrie (South Carolina, Autoteile).
- **Digit-Spezifikationen**: 1,75 m, 65 kg, zweibeinige Beine mit invertiertem Knie, 4-Finger-Greifer, RGB-Tiefensensoren + LiDAR + IMU.
- **Betriebsablauf**: zwei 4-Stunden-Schichten mit Aufladen dazwischen; Aufgaben werden als *Workflows* spezifiziert (nicht als direkte Motorbefehle) — Behältertransfer.
- **Wirtschaftlichkeit**: Agility beziffert die Betriebskosten auf **10–25 $/h** gegenüber **~20 $/h** für eine Einstiegsposition mit menschlicher Arbeitskraft. Schaeffler plant bis 2030 **Hunderte von Einsätzen** in den USA und Europa.
- **Globaler Kontext**: ~200 Humanoide in Fabriken im Jahr 2026; **McKinsey-Prognose: 5 Millionen bis 2040**.
- **Beschäftigungseffekt**: Untersuchungen deuten auf eine **Umstrukturierung statt Wegfall** hin — Aufstieg in Aufsichtsfunktionen. ### Nachricht 3 — Anti-Rechenzentren-Revolte
- **Umfang**: ~**64 Mrd. $** an Rechenzentrumsprojekten wurden zwischen **Mai 2024 und März 2025** blockiert oder verzögert.
- **Gesetzgebung**: Maine — Moratorium für Anlagen ab 20 MW bis 2027 (Gesetz wartet auf die Unterschrift des Gouverneurs). Wisconsin (Port Washington) — erstes US-Referendum, das eine **Volksabstimmung** über Steueranreize für Megaprojekte vorschreibt. Missouri (Festus) — Wähler **wählten** Stadtratsmitglieder ab, die ein Rechenzentrum im Wert von 6 Mrd. $ genehmigt hatten. Ohio — vorgeschlagene Verfassungsänderung, die Anlagen ab 25 MW verbietet.
- **Beschwerden**: Belastung des Stromnetzes, steigende Energiepreise für Haushalte, Wasserverbrauch, Lärmbelästigung, Auswirkungen auf die Nachbarschaft, ökologischer Fußabdruck.
- **Gewaltsame Vorfälle**: (1) **Molotow-Cocktail, geworfen auf das Haus von Sam Altman** in San Francisco; (2) Schüsse auf die Residenz eines Stadtratsmitglieds in Indianapolis, das ein Rechenzentrum im Wert von 500 Mio. $ unterstützt hatte.
- **Technische Abhilfemaßnahmen**: wassereffiziente Kühlung im geschlossenen Kreislauf; wachsende private netzunabhängige Stromerzeugung.
- **Strategisches Spannungsfeld**: Technologieunternehmen betrachten das Rechenzentrum als Infrastruktur für KI-Souveränität gegenüber China — daher die rasche Expansion trotz lokalen Widerstands. ### Nachricht 4 — „Assistant Axis" (Christina Lu, MATS / Oxford / Anthropic)
- **Problem**: Als Assistenten trainierte LLMs erfahren in langen oder emotional aufgeladenen Gesprächen eine **Persona-Drift** — sie nehmen abweichende Eigenschaften an.
- **Lösung**: eine **„Assistant Axis"** = ein aus den Ausgaben der Schichten abgeleiteter Vektor, der die Treue zur trainierten Assistenten-Persona misst. Ermöglicht sowohl die Erkennung ALS AUCH die Korrektur der Drift.
- **Methodik**: 1.200 charakterprüfende Fragen + 1.375 alternative System-Prompts; Messungen an Gemma 2 27B / Qwen3 32B / Llama 3.3 70B; **„Activation Capping"** = Begrenzung der Ausgaben auf die Parameter der Assistenten-Persona zur Inferenzzeit.
- **Jailbreak-Ergebnisse**:
- Qwen3 32B: schädliche Antworten **83 % → 41 %**
- Llama 3.3 70B: schädliche Antworten **65 % → 33 %**
- **Erhalt der Leistungsfähigkeit**: IFEval, GSM8k, MMLU-Pro, EQ-Bench **stabil oder verbessert** — die verstärkte Ausrichtung (Alignment) beeinträchtigt die Fähigkeiten nicht.
- **Beispiel für die Wirkung**: ein Gespräch mit 30 Gesprächsrunden über suizidale Gedanken — das unveränderte Modell driftet in einen unangemessenen Tonfall ab; die *gecappte* Version wahrt therapeutische Grenzen + einfühlsame Anleitung.
- **Implikation**: ein praktisches, leichtgewichtiges Mittel zur **Stabilisierung der Persona** ohne Retraining — angrenzend an Anthropics Arbeit zum Character Training (vgl. [anthropic-measuring-political-bias-claude-2025-11-13](../2025-11/anthropic-measuring-political-bias-claude-2025-11-13.md)).

## RésuméDe400mots

Die 350. Ausgabe von The Batch, dem wöchentlichen Newsletter von DeepLearning.AI, erschienen am 24. April 2026, eröffnet mit einem Editorial von Andrew Ng, das eine Beschleunigungshierarchie für Coding-Agenten nach Art der Softwarearbeit darlegt. Ng stellt eine klare Rangfolge auf: Das Frontend profitiert von maximaler Beschleunigung (Agenten sind „mit gängigen Frontend-Sprachen wie TypeScript und JavaScript vertraut" und können in einer autonomen Browserschleife iterieren); das Backend erfährt eine moderate Beschleunigung (Grenzfälle, Sicherheit und Datenbankmigrationen erfordern die Aufsicht erfahrener Menschen); die Infrastruktur profitiert kaum von Agenten (LLMs verfügen über „relativ begrenzte" Kenntnisse von Netzwerk- und Systemabwägungen); und die Forschung bleibt bei der konzeptionellen Arbeit der Hypothesenbildung, Interpretation und Iteration weitgehend menschengetrieben. Ng zieht daraus eine Erkenntnis für das Management: Erwartungen und Teamorganisation sollten anhand dieser Unterschiede kalibriert werden.

Anschließend behandelt die Ausgabe vier einordnende Nachrichten. GLM-5.1 von Z.ai ist ein MoE-Modell mit 754B Parametern (40B aktiv) unter MIT-Lizenz, das eine einzelne Aufgabe über eine Plan-Execute-Evaluate-Schleife bis zu 8 Stunden lang autonom durchhalten kann. Es übernimmt die Führung bei SWE-Bench Pro mit 58,4 % (gegenüber 54–57 % bei der Konkurrenz) und liegt bei CyberGym mit 68,7 an der Spitze, während es beim Reasoning zurückliegt (GPQA Diamond 86,2 % gegenüber 94,3 % bei Gemini 3.1). Z.ai hat unterdessen seine API-Preise um rund 40 % angehoben.

Agility Robotics setzt seine Digit-Humanoiden auf den Produktionslinien von Schaeffler in South Carolina ein – der erste operative industrielle Einsatz. Die Betriebskosten werden mit 10–25 $/h beziffert, gegenüber rund 20 $/h für eine Einstiegsposition mit menschlicher Arbeitskraft. McKinsey prognostiziert bis 2040 5 Millionen Humanoide in Fabriken (gegenüber ~200 im Jahr 2026).

Die Anti-Rechenzentren-Revolte gewinnt an Dynamik: rund 64 Mrd. $ an Projekten wurden zwischen Mai 2024 und März 2025 blockiert oder verzögert, in Maine gilt ein Moratorium für Anlagen ab 20 MW, in Wisconsin fand das erste Volksreferendum statt, und in Missouri wurden Stadtratsmitglieder abgewählt. Zwei gewaltsame Vorfälle stachen hervor: ein Molotow-Cocktail, der auf das Haus von Sam Altman in San Francisco geworfen wurde, sowie Schüsse auf die Residenz eines Stadtratsmitglieds in Indianapolis. Die Beschwerden richten sich gegen die Belastung des Stromnetzes, steigende Energiepreise, den Wasserverbrauch und Belästigungen.

Schließlich stellen Forschende (Christina Lu, MATS, Oxford, Anthropic) die „Assistant Axis" vor – einen Vektor der Treue zur trainierten Persona, der ein „Activation Capping" ermöglicht. Ergebnisse: Schädliche Antworten sinken bei Qwen3 32B von 83 % auf 41 %, bei Llama 3.3 70B von 65 % auf 33 %, ohne IFEval/GSM8k/MMLU-Pro/EQ-Bench zu verschlechtern.

## GrapheDeConnaissance

- Andrew Ng —affirme_que→ les coding agents accélèrent le frontend plus que le backend, l'infra et la recherche (AFFIRMATION, 0.98)
- Andrew Ng —dirige→ DeepLearning.AI (ORGANISATION, 0.97)
- DeepLearning.AI —publie→ The Batch (DOCUMENT, 0.99)
- Coding agents —améliore→ frontend development (CONCEPT, 0.95)
- Coding agents —utilise→ TypeScript et JavaScript (TECHNOLOGIE, 0.96)
- Andrew Ng —affirme_que→ l'infrastructure est peu accélérée par les LLMs actuels (AFFIRMATION, 0.92)
- Andrew Ng —affirme_que→ le travail conceptuel de recherche reste majoritairement humain (AFFIRMATION, 0.9)
- Z.ai —publie→ GLM-5.1 (TECHNOLOGIE, 0.98)
- GLM-5.1 —est_variante_de→ GLM (TECHNOLOGIE, 0.97)
- GLM-5.1 —utilise→ architecture MoE 754B / 40B actifs (CONCEPT, 0.97)
- GLM-5.1 —permet→ tâches autonomes jusqu'à 8 heures (CONCEPT, 0.94)
- GLM-5.1 —mesure→ 58,4% sur SWE-Bench Pro (leader) (MESURE, 0.95)
- Agility Robotics —a_créé→ Digit (TECHNOLOGIE, 0.98)
- Schaeffler —utilise→ Digit (TECHNOLOGIE, 0.97)
- Agility Robotics —mesure→ coût opérationnel Digit 10-25$/h vs ~20$/h humain entry-level (MESURE, 0.9)
- McKinsey —prédit→ 5 millions d'humanoïdes en usine en 2040 (vs ~200 en 2026) (MESURE, 0.85)
- Mouvement anti-data-center —s_oppose_à→ projets data-centers US (~64 Md$ bloqués mai 2024 – mars 2025) (CONCEPT, 0.93)
- Maine —publie→ moratoire data centers ≥20MW jusqu'en 2027 (DOCUMENT, 0.9)
- The Batch —référence→ cocktail molotov au domicile de Sam Altman (SF) (EVENEMENT, 0.92)
- Christina Lu —a_créé→ Assistant axis (CONCEPT, 0.95)
- Christina Lu —a_créé→ Activation capping (METHODOLOGIE, 0.95)
- Activation capping —réduit→ jailbreaks Qwen3 32B de 83% à 41% (CONCEPT, 0.96)
- Activation capping —permet→ préservation des performances IFEval, GSM8k, MMLU-Pro, EQ-Bench (CONCEPT, 0.94)
- Hiérarchie d'accélération —converge_avec→ verifiability framework de Karpathy (CONCEPT, 0.85)

---
Canonical: https://www.thekb.eu/de/fiches/ng-the-batch-350-coding-agents-software-work-acceleration-2026-04-24/