Qué es LangGraph y por qué BlackRock, JPMorgan y Uber lo usan para sus agentes de IA

¿Sabías que BlackRock, JPMorgan, Uber, LinkedIn y Klarna construyen sus agentes de IA con la misma tecnología?

Se llama LangGraph.

Casi 400 empresas la usan hoy en producción. Klarna la usa para atender a 85 millones de clientes. Uber ahorró miles de horas de desarrollo con ella. No es una moda, es el estándar de la industria para agentes nivel Fortune 500.

Por qué la eligen las empresas más grandes del mundo

¿Y por qué la eligen en vez de una herramienta de arrastrar cajitas?

Control absoluto. Estado persistente. Manejo de errores. Intervención humana en los puntos críticos. Y un ecosistema que permite crear agentes que no se rompen, y debuggear a fondo cuando se desvían.

El dolor que le dio origen

LangGraph tampoco es tan antiguo. Salió en 2024, como respuesta directa a un dolor que todos los que intentamos llevar agentes a producción conocemos.

Imagina que construyes un agente con la librería original de LangChain. Le pides algo simple: recibe una pregunta, busca en tus documentos, arma el prompt, llama al modelo, responde. En el demo funciona precioso. Un flujo lineal, de arriba hacia abajo.

Y entonces lo pones frente a un caso real.

La búsqueda no devuelve nada útil y el agente debería intentar otra vez con otra estrategia. Pero un flujo lineal no sabe volver atrás. No tiene ciclos. Así que en vez de reintentar, alucina una respuesta o truena.

Sigues. Ahora el agente está a punto de ejecutar algo delicado: aplicar una transacción, llamar a una API que cuesta dinero, y necesitas que un humano apruebe antes. Pero el AgentExecutor de LangChain es una caja negra. No puedes meterte a pausarlo justo ahí para pedir permiso.

Y para rematar, a mitad del proceso se reinicia el servidor. El agente pierde todo el contexto y arranca de cero, como si nada hubiera pasado.

Estos tres muros —no poder iterar, no poder intervenir, no poder recordar— son exactamente donde mueren los agentes cuando salen del demo y entran a producción.

Cómo LangGraph tira esos muros

LangGraph nació para eso. Replanteó al agente no como una cadena lineal, sino como un grafo de estados, una máquina de estados donde tú controlas cada paso.

Ese cambio de arquitectura es lo que le da sus superpoderes:

• Un nodo puede repetirse en bucle hasta cumplir una condición, así que el agente reintenta en vez de alucinar.
• El estado se guarda en cada paso con checkpointing, así que puedes pausar, reanudar y hasta revertir la ejecución si algo sale mal.
• Puedes interrumpir el flujo y esperar aprobación humana antes de una acción crítica: el famoso human in the loop.
• Todo corre con paralelización y streaming nativos, transmitiendo el avance paso por paso.

Resultados, no teoría

Esto ya está en producción resolviendo problemas reales. Klarna atiende a 85 millones de clientes con un agente que redujo el tiempo de resolución un 80%. Uber automatizó migraciones de código a gran escala y ahorró miles de horas en desarrollo. LinkedIn construyó un reclutador con IA que hace el matching de candidatos. Elastic orquesta agentes para detectar amenazas de seguridad en tiempo real. AppFolio le dio a sus equipos un copiloto que duplicó la precisión de sus respuestas.

Y en mi caso, con un cliente, construimos un sistema de agentes capaz de duplicar la productividad de su equipo de asesores. El objetivo no fue reemplazar personas, fue quitarles de encima el trabajo repetitivo para que cada asesor rindiera por dos. El resultado: un equipo mucho más pequeño moviendo el mismo volumen, con la gente enfocada en lo que de verdad requiere criterio humano.

Esto es lo que hoy separa a un demo bonito de un agente que aguanta producción.

Todo esto, de la arquitectura al deploy, es lo que llevo tiempo construyendo en producción para clientes. Y es justo lo que voy a enseñar en un curso en vivo, en español y en TypeScript, de cero a producción. Si te interesa, aquí puedes ver de qué trata: academy.mmonter-studio.com