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

## Veille

L'editoriale di Andrew Ng su The Batch #350 delinea una **gerarchia di accelerazione per gli agenti di coding** in base al tipo di lavoro software: **Frontend (massima) > Backend (moderata) > Infrastruttura (bassa) > Ricerca (minima)**. La motivazione poggia sulla *verificabilità* implicita (padronanza di TypeScript/JavaScript più un ciclo di test autonomo agente-browser sul frontend) e sui punti ciechi degli LLM (casi limite / sicurezza / migrazioni di database per il backend, compromessi di rete opachi per l'infrastruttura, formazione di ipotesi irriducibile per la ricerca). Il numero è completato da 4 notizie strutturanti: **GLM-5.1 (Z.ai)**, un modello con 754B parametri (40B attivi) sotto licenza MIT capace di compiti autonomi della durata di 8 ore (leader su SWE-Bench Pro con il 58,4%); **Digit (Agility Robotics) presso Schaeffler**, il primo dispiegamento industriale di umanoidi (5'9"/143lb, 10-25 $/h contro 20 $/h per un umano); la **rivolta anti-data-center** (~64 miliardi di dollari bloccati da maggio 2024 a marzo 2025, moratoria del Maine sugli impianti da 20MW+, cocktail Molotov contro l'abitazione di Sam Altman); e l'**"assistant axis"** (Christina Lu, MATS / Oxford / Anthropic), che riduce la deriva della persona e i jailbreak (Qwen3 32B: 83%→41%; Llama 3.3 70B: 65%→33%) senza degradare 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, agenti di coding, accelerazione differenziale, sviluppo frontend, sviluppo backend, infrastruttura, ricerca, TypeScript, JavaScript, browser autonomo, casi limite, sicurezza, migrazioni di database, formazione di ipotesi, GLM-5.1, Z.ai, 754B parametri, 40B attivi, MoE, SWE-Bench Pro, Arena Code, CyberGym, GPQA Diamond, licenza MIT, HuggingFace, prompt caching, Agility Robotics, Digit, Schaeffler, robot umanoide, manifattura, Carolina del Sud, telecamere RGB depth, LiDAR, IMU, McKinsey 5 milioni umanoidi 2040, anti-data-center, moratoria Maine, Port Washington Wisconsin, Festus Missouri, emendamento costituzionale Ohio, cocktail Molotov Altman, sparatoria Indianapolis, raffreddamento a circuito chiuso, generazione off-grid, Christina Lu, MATS, Oxford, Anthropic, assistant axis, activation capping, deriva della persona, resistenza al jailbreak, Qwen3 32B, Llama 3.3 70B, Gemma 2 27B, IFEval, GSM8k, MMLU-Pro, EQ-Bench, gerarchia di accelerazione, verificabilità, frontiera frastagliata

## Authors

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

## Ton

**Profilo**: newsletter settimanale sull'IA, formato digest in 5 sezioni (1 editoriale + 4 notizie), prospettiva giornalistica in terza persona per le notizie + prima persona riflessiva per l'editoriale. Pubblico target: professionisti ML/IA, ingegneri, leader tecnologici, la comunità DeepLearning.AI. Livello: accessibile-intermedio, senza gergo eccessivo ma con specifiche tecniche concrete (parametri, benchmark, prezzi API).

**Stile**: l'editoriale di Ng adotta un tono pedagogico-prescrittivo tipico dell'autore — propone una **tassonomia** (frontend / backend / infrastruttura / ricerca) e la giustifica con argomenti strutturali (padronanza linguistica degli LLM, capacità di ciclo di test autonomo, profondità della conoscenza di dominio richiesta). Nessun hype: Ng calibra le aspettative, *"calibrare le aspettative e l'organizzazione dei team intorno alle capacità dell'IA"*. Stile diretto, proposizioni brevi, citazioni chiave in corsivo (*"gli agenti di coding sono fluenti nei linguaggi frontend più diffusi come TypeScript e JavaScript"*, *"relativamente limitata"* per l'infrastruttura). Si tratta più di **formazione manageriale** che di un tutorial tecnico: Ng si rivolge ai decisori che devono allocare risorse e organizzare team potenziati dall'IA.

Le sezioni di notizie adottano un formato "scheda tecnica": sviluppatore, innovazione, specifiche, prestazioni, contesto di mercato. Sono dense di cifre (754B/40B, 1,40$/0,26$/4,40$ per milione di token, 200 umanoidi nel 2026 → 5M entro il 2040, 64 miliardi di dollari bloccati, jailbreak 83%→41%). Questa densità numerica è la firma di The Batch: **veille strutturata per professionisti** piuttosto che analisi editoriale estesa.

Nel complesso, il numero forma uno **scatto dell'IA applicata nell'aprile 2026**: dove gli agenti accelerano (il software per segmento), dove guadagnano autonomia (modelli di 8 ore), dove assumono forma fisica (robotica industriale), dove incontrano resistenza fisica (data center), dove derivano (allineamento / persona).

## Pense-betes

- **Numero 350 di The Batch** pubblicato il 24 aprile 2026, ~15 minuti di lettura, editoriale di Andrew Ng.
- **Gerarchia di accelerazione per gli agenti di coding** (dal più al meno accelerato): 1. **Frontend** — *"gli agenti di coding sono fluenti nei linguaggi frontend più diffusi come TypeScript e JavaScript"*. Ciclo autonomo agente-browser (l'agente testa i propri output in un browser, itera). Quando il design è specificato, l'implementazione è rapida. 2. **Backend** — accelerazione **moderata**. Lo sviluppatore deve guidare il modello attraverso i *casi limite*, le considerazioni di sicurezza e le migrazioni di database. Bug sottili + effetti a valle = supervisione umana esperta richiesta. 3. **Infrastruttura** — accelerazione **la più debole**. Gli LLM hanno una conoscenza *"relativamente limitata"* delle complessità e dei compromessi infrastrutturali. Test, sperimentazione e debug di configurazioni di rete errate richiedono una competenza ingegneristica profonda che va oltre le capacità attuali degli agenti. 4. **Ricerca** — accelerazione **minima** nonostante i guadagni legati al codice. Gli agenti accelerano la generazione di codice e l'orchestrazione degli esperimenti, ma il lavoro concettuale (formazione delle ipotesi, interpretazione, iterazione) resta umano.
- **Insegnamento gestionale**: *"Comprendere queste distinzioni aiuta le organizzazioni a calibrare le aspettative e l'organizzazione dei team intorno alle capacità dell'IA."*
- **Lettura speculare con 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 propone una gerarchia *per dominio*, Karpathy una spiegazione *per verificabilità* — i domini con un forte segnale di verifica (rendering visivo frontend, matematica/codice) eccellono; i domini sfumati (infrastruttura, ricerca concettuale) restano indietro. **I due schemi sono congruenti.** ### Notizia 1 — GLM-5.1 (Z.ai): agente autonomo di 8 ore
- **Architettura**: MoE, **754B parametri totali**, **40B attivi per token**.
- **Contesto**: 200.000 token in input, 128.000 in output.
- **Licenza**: MIT, pesi aperti (HuggingFace).
- **Prezzi API**: 1,40 $ / 0,26 $ (cached) / 4,40 $ per milione di token (input/cached/output).
- **Capacità distintiva**: sostiene autonomamente un singolo compito fino a **8 ore**, con un ciclo pianifica→esegui→valuta e abbandono adattivo dopo centinaia di chiamate a strumenti se l'approccio fallisce (invece di terminare prematuramente).
- **Prestazioni**: leader su **SWE-Bench Pro** con il 58,4% (contro il 54-57% dei concorrenti); 3° su Arena Code (1530 Elo); record su CyberGym a 68,7; resta indietro su GPQA Diamond all'86,2% contro il 94,3% di Gemini 3.1.
- **Mercato**: Z.ai ha aumentato i prezzi delle API di ~40% e raddoppiato il costo dell'abbonamento coding — riducendo il divario competitivo con le offerte proprietarie. ### Notizia 2 — Digit (Agility Robotics) sulla linea di produzione di Schaeffler
- **Primo dispiegamento operativo** di umanoidi nell'industria (Carolina del Sud, componenti auto).
- **Specifiche Digit**: 5'9" (1,75m), 143lb (65kg), gambe bipedi con ginocchio invertito, pinze a 4 dita, sensori RGB depth + LiDAR + IMU.
- **Regime**: due turni da 4 ore con ricarica; compiti specificati come *workflow* (non comandi motori diretti) — trasferimento di contenitori.
- **Economia**: Agility stima il costo operativo tra **10 e 25 $/h** contro **~20 $/h** per una posizione umana entry-level. Schaeffler prevede **centinaia di dispiegamenti** negli USA + Europa entro il 2030.
- **Contesto globale**: ~200 umanoidi nelle fabbriche nel 2026; **proiezione McKinsey: 5 milioni entro il 2040**.
- **Effetto sull'occupazione**: la ricerca suggerisce una **ristrutturazione piuttosto che un'eliminazione** — promozione verso ruoli di supervisione. ### Notizia 3 — Rivolta anti-data-center
- **Scala**: ~**64 miliardi di dollari** di progetti data-center bloccati o rinviati tra **maggio 2024 e marzo 2025**.
- **Legislazione**: Maine — moratoria sugli impianti ≥20MW fino al 2027 (legge in attesa della firma del governatore). Wisconsin (Port Washington) — primo referendum statunitense che richiede un **voto popolare** per gli incentivi fiscali su megaprogetti. Missouri (Festus) — gli elettori hanno **destituito** i consiglieri comunali che avevano approvato un data center da 6 miliardi di dollari. Ohio — emendamento costituzionale proposto che vieta gli impianti ≥25MW.
- **Lamentele**: pressione sulla rete elettrica, aumento delle tariffe energetiche residenziali, consumo d'acqua, disturbo da rumore, impatto sul vicinato, impronta ambientale.
- **Episodi violenti**: (1) **cocktail Molotov lanciato contro l'abitazione di Sam Altman** a San Francisco; (2) colpi di arma da fuoco contro la residenza di un consigliere comunale di Indianapolis che aveva sostenuto un data center da 500 milioni di dollari.
- **Mitigazioni tecniche**: raffreddamento a circuito chiuso efficiente nell'uso dell'acqua; crescente generazione elettrica privata off-grid.
- **Tensione strategica**: le aziende tecnologiche vedono il data center come infrastruttura di sovranità IA contro la Cina — da cui l'espansione rapida nonostante la resistenza locale. ### Notizia 4 — "Assistant axis" (Christina Lu, MATS / Oxford / Anthropic)
- **Problema**: gli LLM addestrati come assistenti subiscono una **deriva della persona** nelle conversazioni lunghe o emotivamente cariche — adottando tratti alternativi.
- **Soluzione**: un **"assistant axis"** = un vettore derivato dagli output dei layer che misura l'aderenza alla persona assistente addestrata. Consente sia il rilevamento CHE la correzione della deriva.
- **Metodologia**: 1.200 domande di sondaggio del carattere + 1.375 prompt di sistema alternativi; misurazioni su Gemma 2 27B / Qwen3 32B / Llama 3.3 70B; **"activation capping"** = vincolare gli output entro i parametri della persona assistente in fase di inferenza.
- **Risultati jailbreak**:
- Qwen3 32B: risposte dannose **83% → 41%**
- Llama 3.3 70B: risposte dannose **65% → 33%**
- **Preservazione delle prestazioni**: IFEval, GSM8k, MMLU-Pro, EQ-Bench **stabili o migliorate** — il rafforzamento dell'allineamento non compromette le capacità.
- **Esempio di impatto**: una conversazione di 30 turni intorno a ideazione suicidaria — il modello non modificato deriva verso un tono inappropriato; la versione *capped* mantiene i limiti terapeutici + una guida compassionevole.
- **Implicazione**: un mezzo pratico e leggero per **stabilizzare la persona** senza riaddestramento — adiacente al lavoro di Anthropic sul character training (cfr. [anthropic-measuring-political-bias-claude-2025-11-13](../2025-11/anthropic-measuring-political-bias-claude-2025-11-13.md)).

## RésuméDe400mots

Il 350° numero di **The Batch**, la newsletter settimanale di DeepLearning.AI pubblicata il 24 aprile 2026, si apre con un editoriale di **Andrew Ng** che delinea una **gerarchia di accelerazione per gli agenti di coding** in base al tipo di lavoro software. Ng propone una classificazione esplicita: il **frontend** beneficia dell'accelerazione massima (gli agenti sono *"fluenti nei linguaggi frontend più diffusi come TypeScript e JavaScript"* e possono iterare in un ciclo browser autonomo); il **backend** registra un'accelerazione **moderata** (i casi limite, la sicurezza e le migrazioni di database richiedono una supervisione umana esperta); l'**infrastruttura** beneficia **poco** degli agenti (gli LLM hanno una conoscenza *"relativamente limitata"* dei compromessi di rete e di sistema); e la **ricerca** resta in gran parte umana per il lavoro concettuale di formazione delle ipotesi, interpretazione e iterazione. Ng ne trae un insegnamento gestionale: calibrare le aspettative e l'organizzazione dei team in base a questi differenziali.

Il numero copre poi quattro notizie strutturanti. **GLM-5.1 di Z.ai** è un modello MoE con 754B parametri (40B attivi), sotto licenza MIT, capace di sostenere autonomamente un singolo compito fino a **8 ore** tramite un ciclo pianifica-esegui-valuta. Prende la testa su **SWE-Bench Pro con il 58,4%** (contro il 54-57% dei concorrenti) e domina CyberGym (68,7), pur restando indietro sul ragionamento (GPQA Diamond 86,2% contro 94,3% di Gemini 3.1). Nel frattempo Z.ai ha aumentato i prezzi delle API di circa il 40%.

**Agility Robotics** sta dispiegando i suoi umanoidi **Digit** sulle linee di produzione di **Schaeffler** nella Carolina del Sud — il primo dispiegamento industriale operativo. Il costo operativo è stimato tra 10 e 25 $/h contro circa 20 $/h per una posizione umana entry-level. McKinsey prevede 5 milioni di umanoidi nelle fabbriche entro il 2040 (contro ~200 nel 2026).

La **rivolta anti-data-center** guadagna slancio: circa 64 miliardi di dollari di progetti bloccati o rinviati tra maggio 2024 e marzo 2025, una moratoria nel Maine per gli impianti ≥20MW, il primo referendum popolare nel Wisconsin e consiglieri destituiti nel Missouri. Due episodi violenti si sono distinti: un cocktail Molotov lanciato contro l'abitazione di Sam Altman a San Francisco, e colpi di arma da fuoco contro la residenza di un consigliere comunale di Indianapolis. Le lamentele riguardano la rete elettrica, le tariffe energetiche, il consumo d'acqua e il disturbo alla quiete.

Infine, dei ricercatori (Christina Lu, MATS, Oxford, Anthropic) introducono l'**"assistant axis"** — un vettore di aderenza alla persona addestrata che consente il **capping delle attivazioni**. Risultati: le risposte dannose in Qwen3 32B scendono dall'83% al 41%, in Llama 3.3 70B dal 65% al 33%, senza degradare 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/it/fiches/ng-the-batch-350-coding-agents-software-work-acceleration-2026-04-24/