Projeto paralelo do LangChain virou startup avaliada em US$ 3 bilhões e captou US$ 300 milhões
O projeto que Harrison Chase publicou em outubro de 2022 como hobby foi avaliado em US$ 3 bilhões: em 13 de novembro, o LangChain fechou uma rodada C de US$ 300 milhões liderada pela CapitalG. Avaliação é o quanto os investidores atribuem à empresa como um todo. Quem paga é o LangSmith, um "painel de controle" para agentes de IA, onde é possível ver o que eles fazem e limitar seu acesso a modelos e dados. Para equipes que já têm agentes em produção, o recado é claro: controlar agentes está virando uma linha separada no orçamento.
Processado por IA de X: @pukerrainbrow; editado por Hamidun News
Em outubro de 2022, o engenheiro Harrison Chase publicou a biblioteca LangChain em acesso aberto como projeto paralelo. Quatro anos depois, trata-se de uma empresa que os investidores avaliaram em US$ 3 bilhões. "Avaliação" aqui significa o valor de toda a companhia segundo a última rodada, e não a receita.
Em 13 de novembro, o LangChain anunciou a rodada C: US$ 300 milhões em novos recursos, liderados pelo fundo CapitalG. O dinheiro não vem pela biblioteca, e sim pelo LangSmith, plataforma onde é possível executar agentes de IA, acompanhar o que eles fazem e limitar suas capacidades. Mais de 7.
000 organizações já a utilizam. Se você desenvolve agentes, essa história mostra em que estágio o mercado está disposto a pagar.
Como um projeto paralelo virou empresa
Chase se formou em Harvard em 2017 e depois trabalhou como engenheiro de machine learning na Kensho Technologies e na Robust Intelligence. Foi lá que conheceu Ankush Gola, que se formou em engenharia elétrica em Princeton em 2015 e passou quatro anos como engenheiro sênior no Facebook. Um mês após o lançamento do LangChain surgiu o ChatGPT, e a primeira onda de desenvolvedores que queriam criar aplicações em torno de modelos de linguagem chegou ao projeto. Quando o interesse cresceu, Chase e Gola constituíram a empresa em 2023.
O financiamento veio rápido. Em abril de 2023, a Benchmark liderou uma rodada seed de US$ 10 milhões; em seguida, a Sequoia liderou a série A, de US$ 25 milhões. Em outubro de 2025, a IVP liderou a série B, de US$ 125 milhões, com avaliação de US$ 1,25 bilhão, e agora a avaliação subiu para US$ 3 bilhões. Participaram da rodada C a GIC, a DFJ Growth, a IVP, a Sapphire Ventures, a Salesforce Ventures, a Insight Venture Partners, a QuantumLight e a MongoDB Ventures. Sequoia, Amplify e Benchmark investiram novamente. No total, a empresa captou US$ 460 milhões.
Os projetos open-source do LangChain foram baixados mais de 1 bilhão de vezes e hoje somam mais de 350 milhões de downloads por mês. Essa base de desenvolvedores funciona como um canal de vendas gratuito para o produto pago.
Por que os clientes pagam: LangSmith
O LangSmith pode ser descrito como um painel de controle para agentes. Ele funciona com qualquer framework e qualquer modelo, não apenas com o próprio LangChain. Os agentes podem rodar na nuvem do LangChain ou na conta do próprio cliente na AWS, na Azure ou no Google Cloud. A plataforma monitora e avalia o comportamento dos agentes e também controla quais modelos, ferramentas e dados eles podem acessar.
Há ainda uma novidade específica, o LangSmith Engine. Trata-se de um agente que melhora outros agentes: encontra erros em produção e escreve a correção, seja de código ou de prompt. Na prática, funciona como um engenheiro de plantão que lê os logs e propõe um ajuste.
Os números de clientes são: mais de 7.000 organizações, entre elas Harvey, Rippling, NVIDIA, Toyota e Salesforce. A Clay acompanha na plataforma centenas de milhões de execuções de agentes por mês. A Workday reduziu o tempo de lançamento de um novo agente de cinco meses para menos de um dia. Esses dados são divulgados pela própria empresa e ainda não passaram por verificação independente. Ainda assim, mostram que o gargalo mudou de lugar: criar um agente ficou mais fácil, mas garantir que ele se comporte de forma previsível continua difícil.
O que fazer, para desenvolvedores e gerentes de produto
Chase disse ao The Wall Street Journal: "O comportamento do agente é a parte mais difícil do controle". Um agente pode funcionar bem em demonstrações e se comportar de maneira estranha com dados reais. Perceber isso sem rastreamento, avaliação de qualidade e restrições de acesso é quase impossível.
Conclusões práticas:
- planeje a observabilidade desde o primeiro dia: logs das etapas do agente, avaliação do resultado e controle do custo das requisições;
- limite as permissões dos agentes antes do lançamento, e não depois do primeiro incidente: quais ferramentas e dados eles podem acessar;
- não se prenda a um único framework: o valor do LangSmith está em não depender da escolha de modelo ou biblioteca;
- compare soluções com a sua própria stack, e não com cases de marketing.
Há também ressalvas. A avaliação de US$ 3 bilhões pressupõe o crescimento futuro de um mercado de agentes que ainda é majoritariamente corporativo e não se consolidou. Concorrentes, de provedores de nuvem a outras ferramentas de observabilidade, também estão construindo painéis semelhantes. E um agente que se autoaperfeiçoa, como o Engine, precisa ser testado com o mesmo rigor de qualquer outro: uma correção escrita por IA exige revisão humana.
Hoje o LangChain tem 435 funcionários, e a empresa planeja chegar a 850 até o fim de 2027, quase dobrando de tamanho. É uma aposta de que as companhias vão lançar agentes em massa e pagar pela infraestrutura que os mantém sob controle.
- 22 de nov. de 2026Perfil de trabalho do Android fecha vazamento de IP real que Happ e v2rayNG não detectam
- 22 de nov. de 2026Anthropic chega à Nasdaq: ações saem de $83 para $111, mas a segurança aguenta?
- 22 de nov. de 2026Databricks negocia rodada com avaliação de US$ 225 bi, quase 20% acima de agosto
- 22 de nov. de 2026Nvidia deixa de vender H200 para a China e recusa pedido de Musk para trazer Huang de volta
Perguntas frequentes sobre a notícia
Como um projeto paralelo virou empresa?
Chase se formou em Harvard em 2017 e depois trabalhou como engenheiro de machine learning na Kensho Technologies e na Robust Intelligence. Foi lá que conheceu Ankush Gola, que se formou em engenharia elétrica em Princeton em 2015 e passou quatro anos como engenheiro sênior no Facebook. Um mês após o lançamento do LangChain surgiu o ChatGPT, e a primeira onda de desenvolvedores que queriam criar aplicações em torno de modelos de linguagem chegou ao projeto.
Por que os clientes pagam: LangSmith?
O LangSmith pode ser descrito como um painel de controle para agentes. Ele funciona com qualquer framework e qualquer modelo, não apenas com o próprio LangChain. Os agentes podem rodar na nuvem do LangChain ou na conta do próprio cliente na AWS, na Azure ou no Google Cloud. A plataforma monitora e avalia o comportamento dos agentes e também controla quais modelos, ferramentas e dados eles podem acessar. Há ainda uma novidade específica, o LangSmith Engine.
O que fazer, para desenvolvedores e gerentes de produto?
Chase disse ao The Wall Street Journal: "O comportamento do agente é a parte mais difícil do controle". Um agente pode funcionar bem em demonstrações e se comportar de maneira estranha com dados reais. Perceber isso sem rastreamento, avaliação de qualidade e restrições de acesso é quase impossível.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.