LangSmith incorpora compatibilidad de extremo a extremo con OpenTelemetry para LangChain y LangGraph

LangSmith, la plataforma de depuración y monitorización de aplicaciones con LLM del equipo de LangChain, ha anunciado compatibilidad total con OpenTelemetry. Ahora los desarrolladores pueden conectar la trazabilidad de los componentes de IA a la misma pila de observabilidad que el resto de servicios de la aplicación, sin mantener en paralelo dos herramientas de monitorización aisladas.

Por qué los servicios de IA necesitan OTel

OpenTelemetry (OTel) es un estándar abierto de la CNCF para recopilar trazas distribuidas, métricas y registros. Lo soportan casi todas las grandes plataformas de monitorización: Datadog, Grafana, Honeycomb, Jaeger, AWS X-Ray, New Relic. En sistemas de producción, OTel se ha vuelto un requisito de facto: permite seguir el recorrido de la petición de un usuario a través de decenas de microservicios, bases de datos y API externas en un único contexto temporal.

Hasta ahora, los componentes de IA vivían en una burbuja aparte. LangSmith guardaba las trazas de las llamadas a LLM en un formato propietario, mientras que el resto de la infraestructura del equipo estaba en un backend de OTel. En cada incidente en producción, los ingenieros tenían que saltar entre dos sistemas y cotejar a mano marcas de tiempo y contexto de las llamadas. Eso ralentizaba el diagnóstico y creaba puntos ciegos en la observabilidad.

Qué ha cambiado en LangSmith

La nueva compatibilidad con OTel funciona en ambas direcciones y cubre toda la pila del ecosistema LangChain:

• Ingesta de trazas: LangSmith recibe datos a través de un colector OTel estándar, sin SDK personalizados ni adaptadores especiales
• Exportación de datos: las llamadas a LLM y las trazas de agentes pueden enviarse a cualquier backend compatible con OTel, como Datadog, Grafana Tempo, Honeycomb o Jaeger
• Contexto de extremo a extremo: las trazas distribuidas se enlazan a través de los límites entre servicios, desde la petición HTTP entrante del usuario hasta la respuesta del modelo de lenguaje y de vuelta
• Compatibilidad con LangGraph: además de las cadenas lineales de LangChain, la trazabilidad con OTel abarca los agentes complejos de LangGraph, con bucles, pasos paralelos y ramificaciones condicionales

El cambio clave para los ingenieros: ya no hace falta un SDK de LangChain aparte para instrumentar la parte de IA. Un agente OTel estándar, ya configurado para el backend, empieza a recopilar automáticamente también los datos de LangSmith.

Qué obtienen los equipos en producción

Imaginemos un incidente típico: un usuario se queja de que la respuesta de un chatbot tarda entre 10 y 15 segundos. Antes, el ingeniero abría LangSmith, examinaba la traza de la llamada al modelo de lenguaje, pasaba después a Datadog para revisar latencias de red, colas y base de datos, y reconstruía el cuadro a mano.

Ahora todo el recorrido de la petición, desde el frontend, pasando por la pasarela de API y el orquestador, hasta la llamada al LLM y el procesamiento final de la respuesta, aparece en una traza continua con precisión de milisegundos.

Para los equipos que llevan prototipos a carga de producción, esto significa que las prácticas estándar de OTel, como las alertas sobre latencia p95/p99, las métricas SLO y los error budgets, ya se aplican a los componentes de IA sin configuración adicional.

«La observabilidad de extremo a extremo no es solo una comodidad, es

un requisito obligatorio para cualquier sistema de IA en producción que atienda a usuarios reales bajo carga real.»

Para los clientes enterprise importa especialmente que los departamentos de TI corporativos ya han invertido en infraestructura OTel y tienen requisitos estrictos de estandarización. Una herramienta nueva que exige su propio panel aislado supone siempre una barrera adicional para aprobar su adopción. LangSmith elimina esa barrera.

Qué significa

LangSmith avanza hacia la estandarización de la observabilidad de la IA. En lugar del enfoque propietario de «todo solo en nuestra interfaz», ofrece un estándar abierto que encaja de forma natural en las herramientas que el equipo ya usa. Así, monitorizar sistemas de IA pasa a ser parte del proceso de ingeniería habitual y no una disciplina aparte con su propio silo de datos.

Para el mercado en general, es un paso más para que la infraestructura de IA se perciba como una parte estándar de la pila de producción y no como un complemento exótico.