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

## Veille

El editorial de Andrew Ng en The Batch #350 establece una **jerarquía de aceleración para agentes de codificación** por tipo de trabajo de software: **Frontend (máxima) > Backend (moderada) > Infraestructura (baja) > Investigación (mínima)**. El razonamiento se basa en la *verificabilidad* implícita (fluidez en TypeScript/JavaScript junto con un bucle autónomo de pruebas agente-navegador en el frontend) y en los puntos ciegos de los LLM (casos límite / seguridad / migraciones de bases de datos para el backend, compensaciones de red opacas para la infraestructura, formación irreducible de hipótesis para la investigación). El número se completa con 4 noticias estructurantes: **GLM-5.1 (Z.ai)**, un modelo con licencia MIT de 754B de parámetros (40B activos) capaz de tareas autónomas de hasta 8 horas de duración (líder de SWE-Bench Pro con 58,4%); **Digit (Agility Robotics) en Schaeffler**, el primer despliegue industrial de humanoides (1,75 m / 65 kg, 10-25 $/h frente a 20 $/h para un humano); la **revuelta antidata centers** (~64.000 M$ bloqueados entre mayo de 2024 y marzo de 2025, moratoria en Maine sobre instalaciones de 20MW o más, cóctel molotov en la casa de Sam Altman); y el **"eje del asistente"** (Christina Lu, MATS / Oxford / Anthropic), que reduce la deriva de persona y los jailbreaks (Qwen3 32B: 83%→41%; Llama 3.3 70B: 65%→33%) sin degradar IFEval/GSM8k/MMLU-Pro/EQ-Bench.

## 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, agentes de codificación, aceleración diferencial, desarrollo frontend, desarrollo backend, infraestructura, investigación, TypeScript, JavaScript, navegador autónomo, casos límite, seguridad, migraciones de bases de datos, formulación de hipótesis, GLM-5.1, Z.ai, 754B de parámetros, 40B activos, MoE, SWE-Bench Pro, Arena Code, CyberGym, GPQA Diamond, licencia MIT, HuggingFace, caché de prompts, Agility Robotics, Digit, Schaeffler, robot humanoide, fabricación, Carolina del Sur, cámaras de profundidad RGB, LiDAR, IMU, McKinsey 5 millones de humanoides 2040, antidata centers, moratoria de Maine, Port Washington Wisconsin, Festus Missouri, enmienda constitucional de Ohio, cóctel molotov Altman, tiroteo en Indianápolis, refrigeración de circuito cerrado, generación fuera de red, Christina Lu, MATS, Oxford, Anthropic, eje del asistente, limitación de activaciones, deriva de persona, resistencia a jailbreaks, Qwen3 32B, Llama 3.3 70B, Gemma 2 27B, IFEval, GSM8k, MMLU-Pro, EQ-Bench, jerarquía de aceleración, verificabilidad, frontera irregular

## Authors

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

## Ton

**Perfil**: Boletín semanal de IA, formato de resumen de 5 secciones (1 editorial + 4 noticias), perspectiva periodística en tercera persona para las noticias + primera persona reflexiva para el editorial. Público objetivo: profesionales de ML/IA, ingenieros, líderes tecnológicos, la comunidad de DeepLearning.AI. Nivel: accesible-intermedio, sin jerga excesiva pero con especificaciones técnicas concretas (parámetros, benchmarks, precios de API).

**Estilo**: el editorial de Ng adopta un tono pedagógico-prescriptivo típico del autor — expone una **taxonomía** (frontend / backend / infraestructura / investigación) y la justifica con argumentos estructurales (fluidez lingüística de los LLM, capacidad de bucle de pruebas autónomo, profundidad del conocimiento del dominio requerido). Sin exageración: Ng calibra las expectativas, *"calibrate expectations and team organization around AI capabilities"*. Estilo directo, proposiciones breves, citas clave en cursiva (*"coding agents are fluent in popular frontend languages like TypeScript and JavaScript"*, *"relatively limited"* para la infraestructura). Se trata más de **educación gerencial** que de un tutorial técnico: Ng se dirige a quienes toman decisiones y deben asignar recursos y organizar equipos aumentados por IA.

Las secciones de noticias adoptan un formato de "ficha técnica": desarrollador, innovación, especificaciones, rendimiento, contexto de mercado. Están cargadas de cifras (754B/40B, 1,40 $/0,26 $/4,40 $ por millón de tokens, 200 humanoides en 2026 → 5M de aquí a 2040, 64.000 M$ bloqueados, jailbreaks 83%→41%). Esta densidad numérica es la firma de The Batch: **cobertura de vigilancia estructurada para profesionales** más que un análisis editorial extenso.

En conjunto, el número forma una **instantánea de la IA aplicada en abril de 2026**: dónde aceleran los agentes (software por segmento), dónde ganan autonomía (modelos de 8 horas), dónde adoptan forma física (robótica industrial), dónde encuentran resistencia física (centros de datos), dónde derivan (alineación / persona).

## Pense-betes

- **Número 350 de The Batch** publicado el 24 de abril de 2026, ~15 minutos de lectura, editorial de Andrew Ng.
- **Jerarquía de aceleración para agentes de codificación** (de mayor a menor aceleración): 1. **Frontend** — *"coding agents are fluent in popular frontend languages like TypeScript and JavaScript"*. Bucle autónomo agente-navegador (el agente prueba sus resultados en un navegador, itera). Cuando el diseño está especificado, la implementación es rápida. 2. **Backend** — aceleración **moderada**. El desarrollador debe guiar al modelo a través de los *casos límite*, las consideraciones de seguridad y las migraciones de bases de datos. Errores sutiles + efectos posteriores = se requiere supervisión humana experimentada. 3. **Infraestructura** — **la aceleración más débil**. Los LLM tienen un conocimiento *"relativamente limitado"* de las complejidades y compensaciones de la infraestructura. Las pruebas, la experimentación y la depuración de configuraciones de red erróneas exigen una experiencia de ingeniería profunda que supera las capacidades actuales de los agentes. 4. **Investigación** — aceleración **mínima** pese a las ganancias relacionadas con el código. Los agentes aceleran la generación de código y la orquestación de experimentos, pero el trabajo conceptual (formulación de hipótesis, interpretación, iteración) sigue siendo humano.
- **Lección de gestión**: *"Understanding these distinctions helps organizations calibrate expectations and team organization around AI capabilities."*
- **Lectura especular con Karpathy** (ficha [karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29](karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29.md)): Ng propone una jerarquía *por dominio*, Karpathy una explicación *por verificabilidad* — los dominios con una señal de verificación fuerte (renderizado visual del frontend, matemáticas/código) alcanzan su punto máximo; los dominios difusos (infraestructura, investigación conceptual) van a la zaga. **Ambos marcos son congruentes.** ### Noticia 1 — GLM-5.1 (Z.ai): agente autónomo de 8 horas
- **Arquitectura**: MoE, **754B de parámetros totales**, **40B activos por token**.
- **Contexto**: 200.000 tokens de entrada, 128.000 de salida.
- **Licencia**: MIT, pesos abiertos (HuggingFace).
- **Precios de API**: 1,40 $ / 0,26 $ (en caché) / 4,40 $ por millón de tokens (entrada/en caché/salida).
- **Capacidad distintiva**: sostiene de forma autónoma una única tarea durante hasta **8 horas**, con un bucle de planificación→ejecución→evaluación y abandono adaptativo tras cientos de llamadas a herramientas si el enfoque falla (en lugar de terminar prematuramente).
- **Rendimiento**: líder en **SWE-Bench Pro** con 58,4% (frente al 54-57% de sus competidores); 3.º en Arena Code (1530 Elo); récord en CyberGym con 68,7; queda por detrás en GPQA Diamond con 86,2% frente al 94,3% de Gemini 3.1.
- **Mercado**: Z.ai subió sus precios de API ~40% y duplicó el coste de su suscripción de codificación, reduciendo la brecha competitiva con las ofertas propietarias. ### Noticia 2 — Digit (Agility Robotics) en la línea de producción de Schaeffler
- **Primer despliegue operativo** de humanoides en la industria (Carolina del Sur, piezas de automoción).
- **Especificaciones de Digit**: 1,75 m, 65 kg, piernas bípedas con rodilla invertida, pinzas de 4 dedos, sensores RGB de profundidad + LiDAR + IMU.
- **Régimen**: dos turnos de 4 horas con recarga; tareas especificadas como *flujos de trabajo* (no como comandos motores directos) — transferencia de contenedores.
- **Economía**: Agility sitúa el coste operativo en **10-25 $/h** frente a **~20 $/h** para un puesto humano de nivel de entrada. Schaeffler planea **cientos de despliegues** en EE. UU. + Europa de aquí a 2030.
- **Contexto global**: ~200 humanoides en fábricas en 2026; **proyección de McKinsey: 5 millones de aquí a 2040**.
- **Efecto sobre el empleo**: la investigación sugiere una **reestructuración más que una eliminación** — promoción hacia funciones de supervisión. ### Noticia 3 — Revuelta antidata centers
- **Escala**: ~**64.000 M$** en proyectos de centros de datos bloqueados o retrasados entre **mayo de 2024 y marzo de 2025**.
- **Legislación**: Maine — moratoria sobre instalaciones ≥20MW hasta 2027 (ley pendiente de la firma del gobernador). Wisconsin (Port Washington) — primer referéndum de EE. UU. que exige una **votación popular** para los incentivos fiscales de los megaproyectos. Missouri (Festus) — los votantes **destituyeron** a los concejales municipales que habían aprobado un centro de datos de 6.000 M$. Ohio — enmienda constitucional propuesta que prohíbe las instalaciones ≥25MW.
- **Quejas**: presión sobre la red eléctrica, aumento de las tarifas energéticas residenciales, consumo de agua, molestias por ruido, impacto en el vecindario, huella medioambiental.
- **Incidentes violentos**: (1) **cóctel molotov lanzado contra la casa de Sam Altman** en San Francisco; (2) disparos contra la residencia de un concejal de Indianápolis que había respaldado un centro de datos de 500 M$.
- **Mitigaciones técnicas**: refrigeración de circuito cerrado eficiente en agua; creciente generación privada de energía fuera de red.
- **Tensión estratégica**: las empresas tecnológicas ven el centro de datos como infraestructura de soberanía en IA frente a China, de ahí la rápida expansión pese a la resistencia local. ### Noticia 4 — "Eje del asistente" (Christina Lu, MATS / Oxford / Anthropic)
- **Problema**: los LLM entrenados como asistentes sufren una **deriva de persona** en conversaciones largas o emocionalmente cargadas, adoptando rasgos alternativos.
- **Solución**: un **"eje del asistente"** = un vector derivado de las salidas de las capas que mide la adherencia a la persona de asistente entrenada. Permite tanto la detección COMO la corrección de la deriva.
- **Metodología**: 1.200 preguntas de sondeo de carácter + 1.375 prompts de sistema alternativos; mediciones en Gemma 2 27B / Qwen3 32B / Llama 3.3 70B; **"activation capping"** = restringir las salidas dentro de los parámetros de la persona de asistente en la inferencia.
- **Resultados de jailbreak**:
- Qwen3 32B: respuestas dañinas **83% → 41%**
- Llama 3.3 70B: respuestas dañinas **65% → 33%**
- **Preservación del rendimiento**: IFEval, GSM8k, MMLU-Pro, EQ-Bench **estables o mejorados** — el refuerzo de la alineación no compromete la capacidad.
- **Ejemplo de impacto**: una conversación de 30 turnos en torno a la ideación suicida — el modelo sin modificar deriva hacia un tono inapropiado; la versión *capped* mantiene los límites terapéuticos + una orientación compasiva.
- **Implicación**: un medio práctico y ligero de **estabilizar la persona** sin reentrenamiento, próximo al trabajo de Anthropic sobre el entrenamiento de carácter (cf. [anthropic-measuring-political-bias-claude-2025-11-13](../2025-11/anthropic-measuring-political-bias-claude-2025-11-13.md)).

## RésuméDe400mots

El número 350 de **The Batch**, el boletín semanal de DeepLearning.AI publicado el 24 de abril de 2026, se abre con un editorial de **Andrew Ng** que expone una **jerarquía de aceleración para agentes de codificación** por tipo de trabajo de software. Ng establece una clasificación explícita: el **frontend** se beneficia de una aceleración máxima (los agentes son *"fluidos en lenguajes frontend populares como TypeScript y JavaScript"* y pueden iterar en un bucle autónomo de navegador); el **backend** experimenta una aceleración **moderada** (los casos límite, la seguridad y las migraciones de bases de datos requieren supervisión humana experimentada); la **infraestructura** se beneficia **poco** de los agentes (los LLM tienen un conocimiento *"relativamente limitado"* de las compensaciones de red y de sistemas); y la **investigación** sigue siendo en gran medida humana en el trabajo conceptual de formulación de hipótesis, interpretación e iteración. Ng extrae de ello una lección de gestión: calibrar las expectativas y la organización de los equipos en función de estos diferenciales.

El número cubre a continuación cuatro noticias estructurantes. **GLM-5.1 de Z.ai** es un modelo MoE de 754B de parámetros (40B activos), con licencia MIT, capaz de sostener de forma autónoma una única tarea durante hasta **8 horas** mediante un bucle de planificación-ejecución-evaluación. Toma la delantera en **SWE-Bench Pro con 58,4%** (frente al 54-57% de sus competidores) y encabeza CyberGym (68,7), aunque queda por detrás en razonamiento (GPQA Diamond 86,2% frente al 94,3% de Gemini 3.1). Z.ai, por su parte, ha subido sus precios de API en torno a un 40%.

**Agility Robotics** despliega sus humanoides **Digit** en las líneas de producción de **Schaeffler** en Carolina del Sur, el primer despliegue industrial operativo. El coste operativo se sitúa entre 10 y 25 $/h frente a unos 20 $/h para un puesto humano de nivel de entrada. McKinsey proyecta 5 millones de humanoides en fábricas de aquí a 2040 (frente a ~200 en 2026).

La **revuelta antidata centers** cobra impulso: cerca de 64.000 M$ en proyectos bloqueados o retrasados entre mayo de 2024 y marzo de 2025, una moratoria en Maine para instalaciones ≥20MW, el primer referéndum popular en Wisconsin y concejales destituidos en Missouri. Dos incidentes violentos han destacado: un cóctel molotov lanzado contra la casa de Sam Altman en San Francisco, y disparos contra la residencia de un concejal de Indianápolis. Las quejas se centran en la red eléctrica, las tarifas energéticas, el consumo de agua y las molestias.

Por último, un equipo de investigadores (Christina Lu, MATS, Oxford, Anthropic) presenta el **"eje del asistente"**, un vector de adherencia a la persona entrenada que permite el **"activation capping"** (limitación de activaciones). Resultados: las respuestas dañinas en Qwen3 32B pasan del 83% al 41%, en Llama 3.3 70B del 65% al 33%, sin degradar IFEval/GSM8k/MMLU-Pro/EQ-Bench.

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