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

À retenir

1. Numéro 350 de The Batch. publié le 24 avril 2026, ~15 minutes de lecture, édito signé Andrew Ng.
2. Hiérarchie d'accélération par les coding agents. (du plus accéléré au moins accéléré) : 1. Frontend — "coding agents are fluent in popular frontend languages like TypeScript and JavaScript". Boucle agent-navigateur autonome (l'agent test ses sorties dans un browser, itère). Quand le design est spécifié, l'implémentation est rapide. 2. Backend — accélération modérée. Le développeur doit guider le modèle à travers les corner cases, les considérations de sécurité, et les migrations de base de données. Bugs subtils + effets en aval = supervision humaine expérimentée requise. 3. Infrastructure — accélération la moins forte. Les LLMs ont une connaissance "relatively limited" des complexités et tradeoffs d'infra. Tests, expérimentation, debug de misconfigurations réseau exigent une expertise ingénieure profonde au-delà des capacités actuelles des agents. 4. Recherche — accélération minimale malgré les bénéfices code. Les agents accélèrent la génération de code et l'orchestration d'expériences, mais le travail conceptuel (formation d'hypothèses, interprétation, itération) reste humain.
3. Conclusion managériale. "Understanding these distinctions helps organizations calibrate expectations and team organization around AI capabilities."
4. Lecture en miroir avec 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 propose une hiérarchie par domaine, Karpathy une explication par verifiability — domaines à signal de vérification fort (frontend rendu visuel, math/code) peakent ; domaines flous (infra, recherche conceptuelle) lag. Les deux cadres sont congruents. ### Actualité 1 — GLM-5.1 (Z.ai) : agent autonome 8h
5. Architecture. MoE, 754B paramètres totaux, 40B actifs par token.
6. Contexte. 200 000 tokens en input, 128 000 en output.
7. Licence. MIT, poids ouverts (HuggingFace).
8. Prix API. 1,40$ / 0,26$ (cached) / 4,40$ par million de tokens (input/cached/output).
9. Capacité distinctive. tient autonomement jusqu'à 8 heures sur une tâche unique, avec boucle plan→exécution→évaluation et abandon adaptatif après des centaines d'appels d'outils si l'approche échoue (au lieu de terminer prématurément).
10. Performances. leader SWE-Bench Pro 58,4% (vs concurrents 54-57%) ; 3e Arena Code (1530 Elo) ; record CyberGym 68,7 ; trail GPQA Diamond 86,2% vs Gemini 3.1 à 94,3%.
11. Marché. Z.ai a augmenté ses tarifs API ~40% et doublé le coût de l'abonnement coding — narrowing competitive gap avec proprio. ### Actualité 2 — Digit (Agility Robotics) sur ligne de production Schaeffler
12. Premier déploiement opérationnel. d'humanoïdes en industrie (Caroline du Sud, pièces auto).
13. Specs Digit. 1m75 (5'9"), 65kg (143lb), jambes bipèdes inverted-knee, grippers 4 doigts, capteurs RGB depth + LiDAR + IMU.
14. Régime. deux shifts de 4h avec recharge ; tâches spécifiées comme workflows (pas commandes moteur directes) — transfert de bin.
15. Économie. Agility chiffre 10–25$/h opérationnel vs ~20$/h poste entry-level humain. Schaeffler prévoit des centaines de déploiements US + Europe d'ici 2030.
16. Contexte global. ~200 humanoïdes en usine en 2026 ; projection McKinsey : 5 millions en 2040.
17. Effet emploi. recherche suggère restructuration plus que suppression — promotion vers rôles supervision. ### Actualité 3 — Révolte anti-data-centers
18. Ampleur. ~64 Md$ de projets data-centers bloqués/retardés entre mai 2024 et mars 2025.
19. Législation. Maine — moratoire installations ≥20MW jusqu'en 2027 (loi en attente signature gouverneur). Wisconsin (Port Washington) — premier référendum US exigeant vote populaire pour incitations fiscales aux mégaprojets. Missouri (Festus) — électeurs ont évincé des conseillers municipaux qui avaient approuvé un data center 6 Md$. Ohio — proposition d'amendement constitutionnel interdisant les installations ≥25MW.
20. Griefs. pression sur le réseau électrique, hausse tarifs énergie résidentielle, consommation d'eau, nuisances sonores, impact voisinage, empreinte environnementale.
21. Incidents violents. (1) cocktail molotov sur la maison de Sam Altman à San Francisco ; (2) coups de feu sur la résidence d'un conseiller d'Indianapolis qui avait soutenu un data center de 500M$.
22. Atténuants techniques. closed-loop cooling économe en eau ; alimentation off-grid privée croissante.
23. Tension stratégique. tech companies voient le data-center comme infrastructure de souveraineté IA face à la Chine — d'où expansion rapide malgré résistance locale. ### Actualité 4 — "Assistant axis" (Christina Lu, MATS / Oxford / Anthropic)
24. Problème. LLMs entraînés comme assistants subissent une dérive de persona ("persona drift") en conversations longues ou émotionnellement chargées — adoption de traits alternatifs.
25. Solution. un "assistant axis" = vecteur dérivé des outputs de couches qui mesure l'adhésion au persona assistant entraîné. Permet détection ET correction de la déviation.
26. Méthodologie. 1200 questions de probing de caractère + 1375 system prompts alternatifs ; mesures sur Gemma 2 27B / Qwen3 32B / Llama 3.3 70B ; "activation capping" = contraindre les outputs dans les paramètres du persona assistant à l'inférence.
27. Résultats jailbreak.
28. Qwen3 32B : réponses nocives 83% → 41%
29. Llama 3.3 70B : réponses nocives 65% → 33%
30. Préservation des perfs. IFEval, GSM8k, MMLU-Pro, EQ-Bench stables ou améliorés — l'alignement renforcé ne compromet pas la capacité.
31. Exemple impact. conversation de 30 tours autour d'idéations suicidaires — modèle non modifié glisse en ton inadapté ; version capped maintient frontières thérapeutiques + guidance compatissante.
32. Implication. moyen pratique et léger de stabiliser le persona sans réentraîner — adjacent à la veille Anthropic sur character training (cf. [anthropic-measuring-political-bias-claude-2025-11-13](../2025-11/anthropic-measuring-political-bias-claude-2025-11-13.md)).