← Agentes de IA y Vibe Coding
Episodio 3··37:43

LangChain vale tres mil millones: cómo la empresa trabaja con sus propios agentes

LangChain recaudó trescientos millones de dólares con una valuación de tres mil millones, más del doble que hace un año. La empresa nació de un proyecto paralelo de Harrison Chase de ochocientas líneas de código. Lo principal del episodio es cómo LangChain trabaja con agentes por dentro. Chase calcula que el gasto en agentes de programación equivale a cerca del treinta por ciento de lo que la empresa paga en salarios de ingeniería, y explica cómo lo mantienen bajo control. Un agente de ventas les prepara a los vendedores borradores de correos en Slack y aprende de sus correcciones. Otro agente, después de cada publicación de código, busca errores nuevos por su cuenta y propone correcciones. Para tu propia startup te llevas un esquema listo de agente para conseguir clientes y una forma de mantener bajo control el gasto en modelos. También analizamos cómo el código abierto gratuito se convirtió en un embudo hacia un servicio de pago. La empresa no revela sus ingresos, y el aumento del doscientos cincuenta por ciento en la conversión se midió sin grupo de control.

Transcripción

Toca un párrafo para escuchar desde ahí.

El trece de noviembre, la empresa LangChain anunció que recaudó trescientos millones de dólares con una valuación de tres mil millones. La ronda la encabezó CapitalG, el fondo de crecimiento que pertenece a Alphabet, la empresa matriz de Google. Hace poco más de un año, la misma compañía valía mil doscientos cincuenta millones. En trece meses, su valuación creció aproximadamente dos coma cuatro veces.

Para quien está construyendo un negocio pequeño, hay algo más interesante. El director de LangChain, Harrison Chase, y su equipo pasaron todo este año contando con bastante detalle cómo su propia empresa funciona con agentes. Cuánto dinero se va en agentes de programación. Cómo está hecho el agente que ayuda a los vendedores. Cómo un agente corrige por su cuenta los errores después de publicar código. Qué no funcionó. De eso tratará la mayor parte del episodio.

Primero, brevemente, qué es un agente, porque esta palabra se va a repetir mucho. Un agente es un programa en el que un modelo de lenguaje no trabaja una sola vez, sino en un ciclo. Recibe una tarea, decide qué herramienta usar, mira el resultado y decide qué hacer después. Así el modelo puede, por ejemplo, buscar los datos de un cliente, escribir un correo y dejárselo a una persona para que lo revise. LangChain hace las herramientas con las que esos programas se construyen, se ejecutan y se evalúan.

Todo empezó como un proyecto paralelo. En el otoño de dos mil veintidós, Chase publicó la primera versión de la biblioteca langchain desde su página personal en GitHub. Según él mismo, era un solo paquete en Python de unas ochocientas líneas, y en ese momento no había empresa ni un gran plan. Un mes después salió ChatGPT. El interés por los modelos de lenguaje creció de golpe, y con él creció el interés por la biblioteca que ayudaba a conectarlos.

En febrero de dos mil veintitrés, Chase y su cofundador, Ankush Gola, crearon la empresa. Chase escribe que su cofundador es un ingeniero mucho mejor que él. El primero en invertir fue el fondo Benchmark: la ronda semilla de diez millones de dólares se anunció en abril de ese mismo año. Según el resumen del conductor del podcast 20VC, Chase contó que los fundadores veían a Benchmark casi como un tercer cofundador. Después llegó Sequoia. Según una socia de ese fondo, en una publicación del día de la nueva ronda, la presentación de LangChain para la ronda serie A, en abril de dos mil veintitrés, tenía cuatro diapositivas.

Los recuerdos de Julia Schottenstein, la primera persona del equipo que no escribía código, muestran bien cómo empezó la empresa. En su publicación cuenta que en el verano de dos mil veintitrés el equipo tenía ocho personas, y que no había ingresos ni producto comercial. El mayor riesgo, en ese momento, parecía ser si esta tecnología de los modelos de lenguaje alguna vez serviría para algo útil. Según Schottenstein, Chase no sabía muy bien qué hacer con alguien que no iba a programar. En la pequeña oficina había silencio, y cientos de cambios de código se escribían a mano, porque todavía no existían los agentes de programación. El producto quedó en manos de Chase, y las ventas y todo lo demás pasaron a Schottenstein.

Otro detalle de esa primera etapa aparece en una publicación de Jessica Ou, del equipo de ventas y marketing. Allí dice que, cuando Ou llegó a la empresa, los ingresos anuales eran de un par de cientos de miles de dólares y el equipo tenía menos de veinte personas. Hoy, según los empleados, son más de cuatrocientas. El diario The Wall Street Journal, citando a la empresa, habla de cuatrocientos treinta y cinco empleados de planta y de un plan para llegar a ochocientos cincuenta a finales de dos mil veintisiete.

El camino no fue fácil. En el verano de dos mil veintitrés, como reconoce el propio Chase, la biblioteca recibió muchas críticas. Los desarrolladores se quejaban de que escondía demasiado detrás de capas de abstracción, es decir, de envoltorios ya hechos dentro de los cuales es difícil cambiar algo. Chase lo explica así: la biblioteca era la forma más rápida de empezar, pero se cambiaba control por facilidad de uso. En dos mil veinticuatro, la empresa Octomind publicó un texto sobre por qué dejó de usar LangChain para sus agentes. El conocido desarrollador independiente Pieter Levels, por esos mismos días, aconsejaba a todos escribir directamente las llamadas al modelo, sin capas encima.

La empresa respondió con producto. Creó LangGraph, una biblioteca de bajo nivel a propósito, en la que el desarrollador controla cada paso del agente. En octubre de dos mil veinticinco salieron las versiones uno punto cero de LangChain y de LangGraph. La empresa prometió no romper las interfaces hasta la versión dos punto cero y pasó el código antiguo a un paquete aparte. Para quien escucha, aquí importa una sola idea. La crítica fue pública y ruidosa, y la empresa no se puso a discutirla, sino que rehízo el producto.

La decisión principal sobre la que se apoya el negocio de hoy se tomó ya en el verano de dos mil veintitrés. En ese momento salió la versión beta de LangSmith. Es un servicio de pago que registra qué hizo exactamente el agente: qué solicitudes le envió al modelo, qué herramientas usó, cuánto costó y dónde se equivocó. Ese registro de pasos se llama traza. Además de registrar, LangSmith puede evaluar la calidad de las respuestas con conjuntos de pruebas. Chase escribe que LangSmith se hizo desde el principio separado de la biblioteca. Se puede usar aunque tu agente no esté hecho con LangChain. Más adelante se verá por qué esto importa para las ventas.

Ahora, lo que hace que valga la pena escuchar este episodio. Cómo trabaja LangChain con agentes por dentro.

Empecemos por el dinero. A mediados de octubre, Chase fue invitado al podcast 20VC. Estas son sus palabras, traducidas, según la transcripción publicada de un fragmento. Creo que gastamos probablemente, más o menos, el treinta por ciento de lo que pagamos en salarios de ingeniería en herramientas de programación. De hecho, eso bajó en los últimos dos meses, mientras que la cantidad de tokens que usamos subió. Un token es un pedacito de texto por el que el proveedor del modelo cobra. Es decir, hubo más trabajo y se pagó menos.

Chase explicó cómo lo lograron en tres pasos. Al primero lo llama simplemente visibilidad. La empresa registra todo el uso de sus agentes de programación en su propio LangSmith. Según él, así pudieron ver quién gastaba cuánto y en qué, y con esos datos se pueden hacer análisis. En una publicación del cuatro de octubre lo dijo de forma más breve: no se puede controlar lo que no se mide.

El segundo paso son controles básicos de gasto. Cada ingeniero tiene un presupuesto. Si lo agota, puede hablar con el vicepresidente de ingeniería, y él, según Chase, casi siempre se lo aumenta. La idea no es ahorrar a costa de las personas. Chase dice que es una protección contra el mal uso de los agentes y contra los casos en que un agente entra en un mal ciclo. Eso pasa: el agente intenta lo mismo una y otra vez, y cada intento cuesta dinero. El límite se pone a través de una pasarela hacia los modelos, el LLM Gateway. Es un servicio intermedio por el que pasan todas las solicitudes a los modelos, y en él se puede fijar un tope para cada usuario.

El tercer paso es controlar lo que Chase llama el harness. El harness es todo lo que rodea al modelo: qué herramientas tiene disponibles el agente, qué contexto recibe, cuándo se detiene. La empresa hizo su propio agente de programación en la nube, Open SWE. Según Chase, hoy es la única forma en que él mismo programa. Pasa todo el tiempo en Slack, la aplicación de mensajería de trabajo, así que simplemente le escribe un mensaje al agente desde ahí y este se pone a trabajar.

¿Por qué es más fácil ahorrar con un harness propio? Chase explica en su publicación que los harness de terceros son más difíciles de optimizar. En el resumen del episodio de 20VC, que según el conductor aprobó el propio Chase, se mencionan dos técnicas: el almacenamiento en caché de las solicitudes y el enrutamiento entre modelos. La caché funciona así. Si el agente envía muchas veces al modelo el mismo comienzo largo de una solicitud, por ejemplo las reglas del proyecto y la descripción del código, los grandes proveedores cobran mucho menos por la parte repetida. El enrutamiento significa que las tareas simples van a un modelo barato y las complejas a uno caro. Las dos técnicas son técnicamente reales y muy conocidas. Cuánto redujeron la factura en porcentaje, la empresa no lo informó.

Al mismo tiempo, es importante que a los ingenieros no se les impone una sola herramienta. En una publicación de junio, Chase escribió que el gasto en agentes de programación había aumentado de forma bastante drástica en los últimos meses. La empresa tuvo que integrar el registro de Cursor, Codex, Claude Code y otras herramientas porque, según él, le dan al equipo mucha libertad de elección. En el blog de LangChain sobre las facturas de los agentes, esta idea se vuelve una regla: el equipo de ingeniería nunca se va a quedar con un solo agente, y no tendría por qué hacerlo.

Aquí vale la pena detenerse y calcular qué significa ese treinta por ciento. LangChain no publica sus salarios, así que lo que sigue es una estimación aproximada. Si un ingeniero en San Francisco le cuesta a la empresa entre doscientos y trescientos mil dólares al año, el treinta por ciento de eso son entre sesenta y noventa mil. Eso equivale más o menos a entre cinco mil y siete mil quinientos dólares al mes por ingeniero, solo en agentes. Para comparar: una suscripción normal a una herramienta de este tipo cuesta entre veinte y doscientos dólares al mes. Esas cifras son posibles si el ingeniero ejecuta varios agentes en paralelo, trabaja con los modelos más caros y con grandes volúmenes de código. Pero es una cantidad de dinero muy notable.

Esta cifra tiene sus matices. Chase dijo probablemente, más o menos, o sea, es su estimación y no una línea de un informe. No se sabe si incluye el costo de los servidores en la nube donde funciona Open SWE. No se sabe cuántos ingenieros entran en el cálculo. Y hay una circunstancia más que conviene decir con honestidad. Los tres pasos, el registro de gastos, los límites a través de la pasarela y el harness propio, son exactamente los productos que vende LangChain. La historia es verdadera y, al mismo tiempo, funciona como escaparate. Eso no la vuelve falsa, pero conviene escucharla sabiéndolo.

El gasto en programación es solo una parte del panorama. A finales de octubre, Chase publicó un texto sobre lo que llamó el harness de la empresa. Según él, LangChain construyó agentes internos para marketing, ventas e ingeniería, y estos cambiaron por completo la forma de trabajar de esos equipos. Reconoce que hacerlos bien no fue fácil. Y escribe que todos los equipos llegaron a los mismos cinco elementos básicos.

Primer elemento: el agente vive donde la gente ya trabaja. Para LangChain, eso es Slack. Segundo: el agente sabe quién le está pidiendo algo, y en algunos servicios actúa en nombre de esa persona y en otros con su propia cuenta. Tercero: el agente tiene memoria, compartida por todos o personal para cada usuario. Cuarto: el agente ejecuta código en un sandbox, es decir, en un entorno aislado, desde el que aun así puede acceder a servicios que piden iniciar sesión. Quinto: una gran parte de las ejecuciones ocurre según un horario o como respuesta a un evento, y no porque alguien apretó un botón. En la empresa, a estos agentes los llaman agentes de fondo.

Chase dice que el problema más espinoso fue la identidad. La pregunta suena simple: ¿en nombre de quién actúa el agente? En la práctica es complicado. Si un ingeniero le pide a Open SWE que corrija algo, el agente abre una solicitud de cambio de código con la cuenta de ese ingeniero en GitHub. Pero si el agente revisa por su cuenta, en segundo plano, el código de los colegas, actúa con su propia cuenta, como una aplicación aparte. El agente de ventas tiene un esquema mixto. Entra a Salesforce, el sistema de gestión de clientes, con una cuenta de servicio fija, y envía los correos en nombre del empleado que lo llamó. Para cualquier empresa que le da a un agente acceso al correo y a la base de clientes, esta es la pregunta principal de seguridad y de responsabilidad.

Sobre la memoria, Chase escribe con franqueza. Según él, probablemente es el área menos explorada hasta ahora, y queda mucho trabajo por hacer. Un episodio de su texto muestra bien cómo se comporta un agente así en la práctica. Chase le pidió al agente de ventas que le enviara un resumen diario. El agente se creó solo una tarea programada y empezó a enviárselo. Nadie programó esa función por separado.

Ahora, más en detalle sobre este agente de ventas, porque para quienes buscan clientes es la parte más útil. En marzo, el ingeniero Vishnu Suresh y Jessica Ou lo describieron en el blog de la empresa. Por dentro lo llaman agente GTM, por una expresión en inglés que significa llevar un producto al mercado. Su tarea es concreta y fácil de entender. Cuando en Salesforce aparece un nuevo cliente potencial, el agente decide si vale la pena escribirle. Si vale la pena, reúne el contexto, incluido el historial de reuniones, y le envía al vendedor por Slack un borrador de correo. El borrador viene con una explicación de por qué el agente propone escribir así y con las fuentes.

El agente tiene muchas fuentes. Están el propio Salesforce, el almacén de datos BigQuery, el sistema de grabación de llamadas Gong, LinkedIn, el servicio de búsqueda de contactos Apollo y el servicio de búsqueda Exa. El agente revisa el historial de conversaciones para no escribirle dos veces a la misma persona. Elige un tono distinto para un cliente actual, para un cliente potencial y para un contacto en frío. El trabajo está repartido entre subagentes, y cada uno tiene un conjunto reducido de herramientas. El agente está construido sobre Deep Agents, una biblioteca propia de la empresa, y se ejecuta en su propia plataforma.

Es especialmente interesante cómo el agente aprende el estilo de los vendedores. Cuando un vendedor corrige un borrador, el sistema mira qué cambió en lo esencial. De esas correcciones saca observaciones sobre el estilo, por ejemplo qué tan breve escribe la persona y en qué tono. Esas observaciones se guardan en una base de datos PostgreSQL y se tienen en cuenta en los borradores siguientes. Los autores recomiendan ver la revisión humana no solo como una protección contra errores, sino también como una forma de reunir datos. Cada corrección del vendedor se convierte en una lección para el agente.

Los resultados, según los propios autores, son estos. De diciembre de dos mil veinticinco a marzo de dos mil veintiséis, la proporción de contactos que se convirtieron en una oportunidad de venta confirmada creció un doscientos cincuenta por ciento. El monto de las ventas potenciales en el embudo se triplicó en el mismo periodo. Los vendedores empezaron a dar más seguimiento a los leads: a los que mostraron poco interés, casi el doble de veces, y a los que mostraron mucho interés, un dieciocho por ciento más. Según sus cálculos, cada vendedor recupera cuarenta horas al mes, y todo el equipo, mil trescientas veinte horas. Si se divide una cifra entre la otra, da unas treinta y tres personas. La mitad usa el agente todos los días, y el ochenta y seis por ciento, todas las semanas.

El momento más honesto de esta historia es cómo cambió el principio central. Al principio la regla era estricta: nada se envía sin que el vendedor lo revise y lo apruebe de forma explícita. Después la empresa agregó una excepción. Para los leads que internamente llaman de plata, es decir, los que no son de máxima prioridad, rige un plazo de cuarenta y ocho horas. Si en ese tiempo el vendedor no aprobó ni rechazó el borrador, el correo se envía solo. Los autores escriben que esto subió de forma notable la proporción de leads atendidos. La lógica es clara: los correos que la gente nunca llegaba a mandar ahora sí se envían.

Los autores también reconocen algo inesperado. Según ellos, ninguna de esas formas de usar el agente se construyó a propósito. El agente tenía el acceso, y la gente encontró el camino más fácil. Con el tiempo, el agente dejó de ser solo para quienes hacen los primeros contactos y pasó a usarlo todo el equipo de ventas. En una publicación de octubre, Julia Schottenstein enumera lo que el agente hace ahora. Redacta correos de seguimiento después de las reuniones, arma presentaciones de ventas, investiga a las empresas cliente, ayuda con el pronóstico del equipo y avisa si algo anda mal con un cliente.

Ahora, lo que no está verificado en estas cifras. El doscientos cincuenta por ciento es una comparación de marzo con diciembre. Diciembre, en las ventas entre empresas, suele ser un mes flojo por las fiestas. No hay grupo de control, es decir, vendedores que en el mismo tiempo trabajaran sin el agente. Además, en esos meses podía estar creciendo el flujo de solicitudes entrantes de la empresa después de la ronda anterior y de los lanzamientos de productos. El aporte del agente bien puede ser grande, pero no se midió por separado del resto. Y una segunda pregunta abierta: cuántos correos se envían automáticamente por la regla de las cuarenta y ocho horas y si hubo errores entre ellos. Eso la empresa no lo reveló.

Amal Irgashev construye agentes internos en LangChain. Sobre lo que cuesta implementarlos, en una publicación del veintitrés de octubre lo dice así, traducido. Al principio es algo un poco extraño en Slack que la gente tiene que cuidar, y pueden hacer falta cientos de iteraciones antes de que la gente realmente empiece a confiar en él. Y al final, el agente termina siendo el mejor registro escrito de cómo funciona realmente el negocio. Es una idea útil para cualquier empresa pequeña. Para enseñarle a un agente a vender, hay que poner por escrito, por primera vez y con detalle, cómo vendes.

Volvamos a la programación. En marzo, la empresa describió Open SWE como una estructura abierta para agentes de programación internos. Según los autores, la hicieron siguiendo el modelo de los agentes internos de la empresa de pagos Stripe, del servicio financiero Ramp y de la plataforma de criptomonedas Coinbase. El agente trabaja en sandboxes en la nube. Admite varios proveedores de estos entornos, entre ellos los sandboxes de LangSmith. Se le puede llamar desde Slack, desde el sistema de tareas Linear y desde GitHub. Antes de empezar, lee en el repositorio un archivo con instrucciones para agentes. En el ejemplo de código del artículo aparece un modelo de la empresa Anthropic.

Open SWE tiene dos funciones. Cuando una persona se lo pide, prepara cambios de código en su nombre. Y en segundo plano revisa todas las solicitudes de cambio de código que se abren en la empresa, esta vez con su propia cuenta. La segunda función merece una pregunta. Que un modelo revise cada cambio es una operación cara en tokens, y el trabajo en un sandbox en la nube se paga aparte, además de los tokens. Cuánto le cuesta esto a la empresa, no hay datos en las fuentes públicas.

La historia más de ingeniería del año es la de cómo los agentes se reparan solos después de publicar código. En una entrada de abril en el blog de la empresa, el ingeniero Vishnu Suresh cuenta sobre un sistema construido para el agente de ventas. Después de cada publicación, busca errores nuevos, decide si la publicación tiene la culpa y lanza un agente que abre una solicitud con la corrección. El detalle clave es que los errores no se le pasan directamente al agente de programación. Suresh explica que Open SWE tiene la tentación de hacer cambios, por eso pone otro filtro antes.

Funciona así. Si el programa ni siquiera se compiló, el registro de compilación y la lista de cambios van directo al agente. Con los errores en el servidor en funcionamiento es más complicado. El sistema toma el registro de errores de los últimos siete días como fondo normal. Del texto de los errores se quitan los identificadores únicos, las horas y los números largos, para que los errores iguales se agrupen en uno solo. Después, durante la hora siguiente a la publicación, revisa si hay más errores de lo habitual. Para eso usa un modelo estadístico sencillo, la distribución de Poisson. La alarma solo se activa si el aumento de errores difícilmente se puede explicar por azar.

Después entra un agente clasificador. Mira qué archivos cambiaron en la publicación: código de producción, configuración, pruebas, documentación o scripts auxiliares. Si lo que cambió no es lo que corre en el servidor, la corrección se bloquea. Solo entonces Open SWE toma el error y abre una solicitud de cambio. Suresh escribe que todo el recorrido, desde que se detecta el error hasta que se propone la corrección, ocurre sin ninguna intervención manual. Pero al agente no se le permite integrar la corrección al código principal: al desarrollador le llega un aviso de que el cambio está listo para revisión.

Suresh mismo señala los puntos débiles. La ventana de una hora deja pasar errores que aparecen más tarde. Agrupar los errores por patrones puede no detectar que dos errores que se ven distintos son en realidad el mismo. Y el sistema siempre corrige hacia adelante, es decir, escribe una corrección, aunque a veces sería más sensato simplemente revertir la publicación. Este ejemplo vale justamente por su modestia. Al agente no lo dejan tocar el código de entrada. Primero el ruido lo filtra una estadística común y corriente, que existe desde hace décadas.

Otro detalle de la entrevista de Chase en el podcast del fondo Sequoia, en enero. Cuenta que antes, cuando un usuario se quejaba de un problema, le pedían que mostrara el código. Ahora le piden que envíe una traza, porque sin eso no pueden ayudarlo. Dentro de la empresa, según él, ya casi nadie escribe código a mano. La empresa tiene su propio servidor para conectar agentes con LangSmith y una herramienta de línea de comandos. Chase explica que los agentes de programación son muy buenos usando la línea de comandos. El agente descarga las trazas por su cuenta, averigua qué salió mal y corrige el código.

Aun así, Chase no les deja todo a los agentes. En la misma entrevista dice que, incluso cuando ejecuta Claude Code, al terminar a veces abre y mira el código que realmente escribió. Y cuenta un fracaso. Tenía un agente personal para el correo, con su propia memoria acumulada durante mucho tiempo. La empresa hizo un constructor de agentes, y Chase quiso pasar ahí a su agente. Pero no se trasladó toda la memoria. Según él, al momento de la entrevista todavía no se había cambiado por completo, porque el agente nuevo funcionaba bastante peor que el anterior. En esa misma conversación se sabe que este agente lleva dos años enviándole correos también a la propia entrevistadora de Sequoia.

Hay otras confesiones, pero conviene presentarlas con cuidado, porque solo se conocen por resúmenes del episodio de 20VC. Según esos resúmenes, un complemento mal configurado le costó a la empresa unos cuarenta mil dólares en una semana. La empresa cerró su producto comercial de memoria para agentes porque resultó demasiado general y no encontró demanda. Y la decisión, tomada hace aproximadamente un año y medio, de no hacer su propia pasarela hacia los modelos, Chase la calificó, según esos resúmenes, como cien por ciento equivocada. Hoy la empresa sí tiene esa pasarela, y la vende.

El tercer agente interno, Content Studio, trabaja para marketing. Según la descripción de Chase, prepara borradores de blogs, imágenes, presentaciones y videos con el estilo de la empresa y teniendo en cuenta cómo se posiciona. Hay menos detalles sobre él que sobre los otros dos, y la empresa no dio cifras de su trabajo.

Ahora, la pregunta principal para quienes construyen su propio negocio. Cómo consiguió clientes LangChain.

El canal principal es el código abierto gratuito. Las bibliotecas langchain, langgraph y deepagents se distribuyen con la licencia MIT, o sea, se pueden usar gratis, incluso en productos comerciales. El desarrollador empieza con la biblioteca gratuita. Después necesita entender por qué el agente se comporta de forma rara, y activa el registro de trazas. A partir de ahí, una parte de esos desarrolladores llega al LangSmith de pago. Sydney Runkle, del equipo de código abierto, escribe que el código abierto impulsó la ronda semilla de la empresa y que todavía hoy sigue siendo su base.

Las cifras de alcance son grandes. Según Runkle, los paquetes de la empresa se descargan más de doscientos millones de veces al mes. Según las estadísticas públicas del catálogo de paquetes de Python de los últimos treinta días, langchain se descargó casi ciento cincuenta y siete millones de veces, y el paquete para registrar trazas en LangSmith, unos noventa y tres millones y medio. El repositorio principal en GitHub tiene casi ciento cincuenta mil estrellas. Pero es importante entender qué mide esto exactamente. Una descarga no es una persona ni un cliente. La mayoría de las descargas las hacen compilaciones automáticas que instalan el paquete de nuevo en cada revisión de código. Además, las descargas mensuales de langchain en junio fueron el doble que en octubre. Estas cifras muestran el tamaño del ecosistema, pero no cuántos pagan.

La decisión de hacer LangSmith independiente de la biblioteca amplió el embudo. El servicio de pago también lo pueden usar quienes dejaron LangChain después de las críticas. Un buen ejemplo es la empresa Clay. Según LangChain, supervisa con LangSmith cientos de millones de ejecuciones de agentes al mes.

A los primeros grandes clientes, Julia Schottenstein los nombra uno por uno: son personas concretas en Cisco, Workday, Rakuten, LinkedIn y Klarna. En la publicación dice que ellos creyeron que se podían apostar partes clave de la estrategia de inteligencia artificial de sus empresas a los productos de LangChain. Cómo llegó exactamente el primer cliente que pagó, si por una solicitud entrante, por un contacto o por una conferencia, no hay datos en las fuentes públicas.

Después, el crecimiento se puede seguir por las declaraciones de la propia empresa. En febrero de dos mil veinticuatro, cuando LangSmith pasó a estar disponible para todos, la empresa habló de más de ochenta mil registros y cinco mil equipos activos al mes. En octubre de dos mil veinticinco afirmó que el treinta y cinco por ciento de las empresas de la lista de las quinientas más grandes de Estados Unidos usaban sus productos. Hoy LangChain escribe que más de siete mil organizaciones usan LangSmith, desde startups de rápido crecimiento hasta Nvidia, Toyota y Salesforce.

Aquí otra vez hace falta una aclaración. Siete mil organizaciones no son siete mil clientes que pagan. El plan gratuito también da una cuenta de organización. Cuántas de esas siete mil pagan, la empresa no lo revela.

También hay otros canales, todos más caros que el código abierto. Su propia conferencia, Interrupt, en mayo en San Francisco, donde según la empresa hubo más de mil asistentes. La venta a través de las tiendas de las plataformas en la nube Microsoft Azure, Amazon y Google Cloud. Una gran empresa puede pagar con un presupuesto que ya le comprometió a su proveedor de nube, y no tiene que pasar a un proveedor nuevo por todo el proceso de compras.

Otro canal son los inversionistas que a la vez son clientes. En la ronda anterior participaron los brazos de capital de riesgo de Workday, Cisco y ServiceNow. En la nueva, Salesforce y MongoDB. Cuando una gran empresa invierte en un proveedor, le resulta más fácil convertirse también en su comprador, y al revés.

El canal más caro son los ingenieros que trabajan directamente con los clientes. Según The Wall Street Journal, LangChain tiene cuarenta y siete de estos ingenieros y trece arquitectos. Según Neil Dahlke, de esa área, en dos mil veinticinco estos ingenieros eran un puñado, y los clientes preguntaban si un agente podía siquiera hacer la tarea. Ahora son más de cincuenta, y los clientes preguntan cómo ejecutar muchos agentes y demostrar con pruebas que siguen funcionando. Así se cierran los grandes contratos, pero es casi consultoría, y escala mal.

Y por último, los casos de clientes como marketing. En el anuncio de la ronda, la empresa escribe que Workday redujo el tiempo para desplegar un nuevo agente de cinco meses a menos de un día. Si se abre el análisis detallado de ese caso en el sitio de LangChain, se ve que se trata de otra cosa. Antes, un prototipo de agente tomaba de cuatro a cinco meses, sin garantía de que llegara a producción. Ahora el agente llega a un entorno de pruebas en menos de un día. Un entorno de pruebas y el trabajo con usuarios reales son cosas distintas. La frase del anuncio es más fuerte que lo que se describe en el propio caso.

Ahora, el dinero. Aquí la empresa es casi completamente cerrada. No reveló sus ingresos de dos mil veintiséis. La última estimación conocida es de entre doce y dieciséis millones de dólares de ingresos recurrentes anuales a junio de dos mil veinticinco. Son datos de TechCrunch a partir de cuatro fuentes, y la empresa no los confirmó. Cuánto cuesta conseguir un cliente, cuánto se va en marketing, cuál es el margen y cuánto pagan los clientes el segundo año en comparación con el primero: esos datos no están en las fuentes públicas. En octubre de dos mil veinticinco, un representante de la empresa dijo que todavía no era rentable, pero que gastaba de forma bastante eficiente.

LangChain gana dinero con LangSmith. El plan gratuito da un puesto y cinco mil trazas básicas al mes. El plan Plus cuesta treinta y nueve dólares por puesto al mes e incluye diez mil trazas y un servidor pequeño para ejecutar agentes. Todo lo que pase de eso se cobra en unidades propias de la empresa, a un dólar por unidad: tiempo de servidores, sandboxes, ejecuciones de la herramienta que busca y corrige sola los errores de los agentes. A las grandes empresas se les da un precio a medida, y ellas también pueden instalarlo en sus propios servidores.

Por qué la economía de una empresa así puede ser complicada se ve en el propio modelo. El núcleo es gratis, y la mayoría de los usuarios de las bibliotecas no paga nada. El volumen de trazas crece junto con la cantidad de agentes de los clientes, y guardarlas y procesarlas es caro. Solo Clay son cientos de millones de ejecuciones al mes. El cofundador Ankush Gola escribe que la empresa construyó su propia base de datos, SmithDB, para los requisitos particulares de esa carga. En el constructor de agentes Fleet, el costo de los modelos está incluido en el precio, así que el margen ahí depende de los precios de los proveedores de modelos. Y los sesenta ingenieros y arquitectos que trabajan con los clientes son un servicio caro.

Agreguemos un cálculo aproximado, que no son datos de la empresa. Si el costo total de un empleado en Estados Unidos es de entre doscientos y trescientos mil dólares al año, cuatrocientas treinta y cinco personas cuestan aproximadamente entre noventa y ciento treinta millones de dólares al año. No se puede comparar con los ingresos, porque la empresa no los dio a conocer. Hay otra cifra de referencia. Si al momento de la ronda anterior los ingresos eran de unos dieciséis millones al año, la valuación de mil doscientos cincuenta millones los superaba casi ochenta veces. Para la nueva ronda no hay con qué hacer ese cálculo. Tres mil millones es el precio que los inversionistas aceptaron pagar por una participación, no son ingresos ni ganancias.

En qué se va a usar el dinero nuevo, la empresa no lo explicó en detalle. El medio SiliconANGLE informa que irá a contrataciones en ingeniería, ventas, marketing e implementación con los clientes. En total, según el comunicado de prensa, LangChain ha recaudado unos cuatrocientos sesenta millones de dólares.

El mercado alrededor cambió bastante este año. Al competidor abierto en observación de agentes, Langfuse, lo compró en enero ClickHouse, una empresa que hace bases de datos. El servicio Arize lo compró Dynatrace, un gran proveedor de monitoreo, y la operación se cerró para octubre. El competidor Braintrust recaudó en febrero ochenta millones con una valuación de unos ochocientos millones, y parte de sus clientes coincide con los de LangChain. OpenAI ya en octubre de dos mil veinticinco lanzó su propio conjunto de herramientas para construir agentes. Anthropic y Google tienen sus propias herramientas para desarrolladores de agentes. Así que LangChain compite al mismo tiempo con startups independientes, con grandes proveedores de monitoreo y con los propios creadores de modelos.

El argumento principal de LangChain frente a estos competidores es la neutralidad. La empresa no hace modelos ni vende nube, por eso promete no atar al cliente a ningún proveedor. Según Mo Jomaa, de CapitalG, en una entrevista con The Wall Street Journal, es un mercado increíblemente competitivo, pero cada uno de esos jugadores intenta atarte a su ecosistema, a sus modelos y a su infraestructura. El propio Chase escribe en el anuncio de la ronda que las empresas deben ser dueñas de su inteligencia: elegir libremente los mejores modelos para sus necesidades, controlar sus datos y su infraestructura y mejorar constantemente sus agentes. Cabe notar que el inversionista principal de la ronda es el fondo de Alphabet, que tiene sus propios modelos y su propia nube. La neutralidad de LangChain es una promesa, y se pondrá a prueba durante años.

Hay también una razón más profunda por la que los inversionistas están dispuestos a pagar. A finales de octubre, Chase escribió que parece que todos están llegando a la misma arquitectura de agente: un modelo que funciona en un ciclo, llama herramientas y trabaja en un sandbox. Si la estructura del agente se vuelve algo común, el valor se desplaza a lo que la rodea: la memoria, la observación, la evaluación de calidad, el control del gasto y del acceso. Eso es justamente lo que vende LangChain. Según los resúmenes del episodio de 20VC, Chase dijo ahí que construir agentes sigue siendo muy, muy difícil, porque no se comportan como uno quiere. Sobre esa dificultad se sostiene el negocio.

¿Qué se desprende de todo esto? Primero. Una empresa que vende herramientas para agentes funciona ella misma con agentes y no esconde que es caro. El treinta por ciento del gasto en salarios de ingeniería es una estimación, no un informe, pero el orden de magnitud indica que el gasto en agentes se está volviendo una partida grande por sí sola, comparable con los salarios. Segundo. Casi todos los agentes internos de LangChain están hechos igual: viven en la aplicación de mensajería, trabajan según un horario, le proponen un borrador a una persona y aprenden de sus correcciones. No hay nada mágico en eso, y se puede repetir. Tercero. Incluso a este equipo, según uno de sus propios empleados, le pueden hacer falta cientos de iteraciones antes de que la gente empiece a confiar en un agente. Y las cifras más llamativas sobre el efecto de los agentes se midieron sin grupo de control.

Qué puede hacer mañana quien escucha. Si en tu equipo ya trabajan agentes de programación, empieza por el primer paso de Chase. Reúne en un solo lugar quién gasta y cuánto en modelos. Sin eso, cualquier conversación sobre ahorro está vacía. Ponle a cada persona un límite propio. No para recortar el trabajo, sino para que un agente atrapado en un ciclo no queme en una noche el presupuesto de una semana.

Si buscas clientes, fíjate en cómo está hecho el agente de ventas. No escribe correos por su cuenta sin más. Reacciona a una nueva solicitud, reúne sobre la persona todo lo que hay en tus sistemas y le deja al vendedor un borrador con una explicación. Ese esquema se puede armar también para un equipo de dos personas. Empieza por lo que recomiendan los autores: primero define qué se va a considerar un éxito, y solo después escribe código. Y compara el resultado no con el peor mes del año, sino con un periodo de temporada parecida.

Si publicas código seguido, considera la idea de poner un filtro antes del agente. No le pases todos los errores al agente para que los corrija. Primero comprueba con un conteo sencillo si de verdad hay más errores de lo normal y si tienen que ver con la última publicación. Y que la corrección la siga revisando una persona.

Y si construyes tu producto sobre código abierto, la historia de LangChain muestra tanto la fuerza como el límite de ese modelo. El código abierto da un alcance enorme casi gratis. Pero alcance no es ingreso. La gente empieza a pagar por lo que es difícil hacer por su cuenta: observación, almacenamiento, seguridad, soporte para equipos grandes. Piensa desde antes qué parte de tu producto será así.

El veinte de noviembre, LangChain prometió mostrar nuevas funciones de LangSmith. Entonces se verá más claro hacia dónde llevará la empresa el producto después de la ronda. Los ingresos siguen siendo la principal pregunta abierta de toda esta historia.

En resumen. LangChain pasó de ser un proyecto paralelo de ochocientas líneas a una empresa valuada en tres mil millones de dólares, al convertir una biblioteca gratuita en un embudo hacia un servicio de pago. Por dentro funciona con agentes que viven en Slack, les proponen borradores a las personas y aprenden de las correcciones, y dice abiertamente que eso es caro y nada sencillo. Cuánto gana la empresa y si sus números cierran, no se puede saber por las fuentes públicas.

Eso es todo por hoy. Me llamo Evgenii Arsentev. Llevo la inteligencia artificial a las empresas y construyo fábricas de contenido con IA para negocios: sistemas que producen videos cortos para redes sociales. Gracias por escuchar.

0:00−37:43 restante