LangChain за три миллиарда: как компания сама работает на агентах

Тринадцатого ноября компания LangChain объявила, что привлекла триста миллионов долларов при оценке в три миллиарда. Раунд возглавил CapitalG, фонд роста, который принадлежит Alphabet, материнской компании Google. Чуть больше года назад та же компания стоила миллиард двести пятьдесят миллионов. За тринадцать месяцев оценка выросла примерно в два и четыре десятых раза.

Для того, кто строит небольшой бизнес, интереснее другое. Глава LangChain Харрисон Чейз и его сотрудники весь этот год довольно подробно рассказывали, как их собственная компания работает на агентах. Сколько денег уходит на программистских агентов. Как устроен агент, который помогает продавцам. Как агент сам чинит ошибки после выкладки кода. Что не получилось. Об этом и будет большая часть выпуска.

Сначала коротко о том, что такое агент, потому что это слово дальше будет звучать часто. Агент — это программа, в которой языковая модель работает не один раз, а в цикле. Она получает задачу, решает, какой инструмент вызвать, смотрит на результат и решает, что делать дальше. Так модель может, например, найти данные о клиенте, написать письмо и положить его человеку на проверку. LangChain делает инструменты, на которых такие программы собирают, запускают и проверяют.

Начиналось всё как побочный проект. Осенью двадцать второго года Чейз выложил первую версию библиотеки langchain со своей личной страницы на GitHub. По его собственным словам, это был один пакет на языке Python длиной примерно в восемьсот строк, и компании тогда не было, как и большого плана. Через месяц вышел ChatGPT. Интерес к языковым моделям резко вырос, и вместе с ним вырос интерес к библиотеке, которая помогала их подключать.

В феврале двадцать третьего года Чейз и его сооснователь Анкуш Гола основали компанию. Чейз пишет, что сооснователь — гораздо более сильный инженер, чем он сам. Первым вложился фонд Benchmark: посевной раунд в десять миллионов долларов объявили в апреле того же года. В пересказе ведущего подкаста 20VC Чейз говорил, что основатели относились к Benchmark почти как к третьему сооснователю. Потом пришла Sequoia. По словам партнёра этого фонда, опубликованным в день нового раунда, презентация LangChain к раунду серии A в апреле двадцать третьего года состояла из четырёх слайдов.

Хорошо видно, с чего начиналась компания, по воспоминаниям Джулии Шоттенштейн, первого в команде человека, который не писал код. В этом посте сказано, что летом двадцать третьего года команда состояла из восьми человек, выручки не было, коммерческого продукта тоже. Самым большим риском тогда казался вопрос, принесёт ли эта технология с языковыми моделями хоть какую-то пользу. По воспоминаниям Шоттенштейн, Чейз не очень понимал, что делать с сотрудником, который не будет программировать. В маленьком офисе стояла тишина, и сотни изменений кода писались вручную, потому что программистских агентов тогда ещё не было. Продукт остался за Чейзом, а продажи и всё остальное перешли к Шоттенштейн.

Ещё один штрих к раннему периоду есть в посте Джессики Оу из команды продаж и маркетинга. Там сказано, что в момент прихода Оу в компанию годовая выручка составляла пару сотен тысяч долларов, а в команде было меньше двадцати человек. Сейчас, по словам сотрудников, людей больше четырёхсот. Газета The Wall Street Journal со ссылкой на компанию называет четыреста тридцать пять штатных сотрудников и план довести их число до восьмисот пятидесяти к концу двадцать седьмого года.

Путь не был гладким. Летом двадцать третьего года, как признаёт сам Чейз, на библиотеку пошло много критики. Разработчики жаловались, что она прячет слишком многое за слоями абстракций, то есть за готовыми обёртками, внутри которых трудно что-то поменять. Чейз формулирует это так: библиотека была самым быстрым способом начать, но за удобство приходилось платить управляемостью. В двадцать четвёртом году компания Octomind опубликовала заметку о том, почему перестала использовать LangChain для своих агентов. Известный независимый разработчик Питер Левелс в те же дни советовал всем просто писать запросы к модели напрямую, без надстроек.

Компания ответила продуктом. Она сделала LangGraph, нарочно низкоуровневую библиотеку, где разработчик сам управляет каждым шагом агента. В октябре двадцать пятого года вышли версии один ноль у LangChain и у LangGraph. Компания пообещала не ломать интерфейсы до версии два ноль, а старый код вынесла в отдельный пакет. Для слушателя здесь важна одна мысль. Критика была публичной и громкой, и компания не стала её оспаривать, а перестроила продукт.

Главное решение, на котором стоит сегодняшний бизнес, было принято ещё летом двадцать третьего. Тогда вышла бета-версия LangSmith. Это платный сервис, который записывает, что именно делал агент: какие запросы отправлял модели, какие инструменты вызывал, сколько это стоило и где он ошибся. Такая запись шагов называется трейсом. Кроме записи, LangSmith умеет проверять качество ответов на наборах тестов. Чейз пишет, что LangSmith с самого начала сделали отдельно от библиотеки. Им можно пользоваться, даже если ваш агент написан без LangChain. Позже станет видно, почему это важно для продаж.

Теперь о том, ради чего стоит слушать этот выпуск. Как LangChain работает с агентами внутри себя.

Начнём с денег. В середине октября Чейз был гостем подкаста 20VC. Вот его слова в переводе, по опубликованной расшифровке фрагмента. Мы тратим, вероятно, примерно тридцать процентов зарплатного фонда инженеров на программистские инструменты. За последние два месяца эта доля снизилась, хотя число использованных токенов выросло. Токен — это кусочек текста, за который поставщик модели берёт плату. То есть работы стало больше, а платить стали меньше.

Чейз объяснил, как этого добились, в три шага. Первый шаг он называет просто видимостью. Все обращения программистских агентов компания записывает в свой же LangSmith. По его словам, так стало видно, кто сколько тратит и на что, и по этим данным можно строить отчёты. В посте от четвёртого октября он сформулировал это короче: нельзя управлять тем, чего не измеряешь.

Второй шаг — простые ограничения расходов. Каждому инженеру задан бюджет. Если он его исчерпал, можно поговорить с вице-президентом по инженерии, и тот, по словам Чейза, почти всегда лимит поднимет. Смысл не в экономии на людях. Чейз говорит, что это защита от неправильного использования агентов и от случаев, когда агент застревает в плохом цикле. Такое бывает: агент раз за разом пробует одно и то же, и каждая попытка стоит денег. Лимит ставится через шлюз к моделям, LLM Gateway. Это промежуточный сервис, через который идут все запросы к моделям, и в нём можно задать предел на каждого пользователя.

Третий шаг — контроль над тем, что Чейз называет харнессом. Харнесс — это обвязка вокруг модели: какие инструменты агенту доступны, какой контекст он получает, когда останавливается. Компания сделала свой облачный программистский агент Open SWE. По словам Чейза, сейчас это единственный способ, которым он сам пишет код. Он почти всё время сидит в рабочем мессенджере Slack, поэтому просто пишет агенту сообщение, и тот начинает работу.

Почему со своим харнессом проще экономить? Чейз в своём посте объясняет, что чужие инструменты оптимизировать труднее. В конспекте выпуска 20VC, который, по словам ведущего, одобрил сам Чейз, названы два приёма: кеширование запросов и маршрутизация между моделями. Кеширование работает так. Если агент много раз отправляет модели одно и то же длинное начало запроса, например правила проекта и описание кода, крупные поставщики берут за повторную часть в разы меньше. Маршрутизация означает, что простые задачи уходят на дешёвую модель, а сложные на дорогую. Оба приёма технически реальны и широко известны. Насколько они сократили счёт в процентах, компания не сообщила.

При этом важно, что инженерам не навязывают один инструмент. В июньском посте Чейз писал, что расходы на программистских агентов за несколько месяцев выросли очень сильно. Компании пришлось подключить учёт для Cursor, Codex, Claude Code и других инструментов, потому что, по его словам, команде дают большой выбор. В блоге LangChain о счетах за агентов эта мысль доведена до правила: инженерная команда никогда не остановится на одном агенте, и не должна.

Здесь стоит остановиться и посчитать, что значат тридцать процентов. Своих зарплат LangChain не раскрывает, поэтому дальше грубая оценка. Если инженер в Сан-Франциско обходится компании в двести–триста тысяч долларов в год, тридцать процентов от этого — шестьдесят–девяносто тысяч. Это примерно пять–семь с половиной тысяч долларов в месяц на одного инженера только на агентов. Для сравнения: обычная подписка на такой инструмент стоит от двадцати до двухсот долларов в месяц. Такие суммы возможны, если инженер запускает несколько агентов параллельно, работает с самыми дорогими моделями и большими объёмами кода. Но это очень заметные деньги.

У этой цифры есть оговорки. Чейз сказал «вероятно, примерно», то есть это его оценка, а не строка из отчёта. Неизвестно, входит ли в неё стоимость облачных серверов, на которых работает Open SWE. Неизвестно, сколько инженеров в расчёте. И есть ещё одно обстоятельство, которое честно назвать. Все три шага — запись расходов, лимиты через шлюз и собственный харнесс — это ровно те продукты, которые LangChain продаёт. История одновременно правдива и служит витриной. Это не делает её ложной, но слушать её стоит с этим знанием.

Расходы на программистов — только часть картины. В конце октября Чейз опубликовал текст о том, что он назвал харнессом компании. По его словам, LangChain построила внутренних агентов для маркетинга, продаж и инженерии, и они полностью изменили работу этих команд. Он признаёт, что сделать их правильно было непросто. И пишет, что все команды пришли к одним и тем же пяти основам.

Первая основа: агент живёт там, где люди уже работают. Для LangChain это Slack. Вторая: агент знает, кто к нему обращается, и для одних сервисов действует от имени этого человека, а для других под собственной учётной записью. Третья: у агента есть память, общая для всех или личная для каждого пользователя. Четвёртая: код агент выполняет в песочнице, то есть в изолированной среде, из которой он всё же может обращаться к сервисам, требующим входа. Пятая: значительная часть запусков происходит по расписанию или по событию, а не потому, что кто-то нажал кнопку. Таких агентов в компании называют фоновыми.

Самой трудной задачей Чейз называет идентичность. Вопрос звучит просто: от чьего имени агент делает действие? На практике это сложно. Если инженер просит Open SWE что-то исправить, агент открывает запрос на изменение кода под учётной записью этого инженера на GitHub. Если же агент сам в фоне проверяет код коллег, он действует под своей учётной записью, как отдельное приложение. У агента для продаж смешанная схема. В систему управления клиентами Salesforce он ходит под постоянной служебной учётной записью, а письма отправляет от имени того сотрудника, который его вызвал. Для любой компании, которая даёт агенту доступ к почте и клиентской базе, это главный вопрос безопасности и ответственности.

Про память Чейз пишет откровенно. Это, по его словам, пока наименее исследованная область, и работы там много. Один эпизод из его текста хорошо показывает, как такой агент ведёт себя на деле. Чейз попросил агента для продаж присылать ему ежедневную сводку. Агент сам создал себе задачу по расписанию и стал её присылать. Никто не программировал эту функцию отдельно.

Теперь подробнее об этом агенте для продаж, потому что для слушателей, которые ищут клиентов, это самая полезная часть. В марте инженер Вишну Суреш и Джессика Оу описали его в блоге компании. Внутри его называют GTM-агентом, от английского выражения, которое означает вывод продукта на рынок. Задача у него узкая и понятная. Когда в Salesforce появляется новый потенциальный клиент, агент решает, стоит ли ему писать. Если стоит, он собирает контекст, включая историю встреч, и присылает продавцу в Slack черновик письма. К черновику приложены объяснение, почему агент предлагает написать именно так, и источники.

Источников у агента много. Это сама Salesforce, хранилище данных BigQuery, система записи звонков Gong, LinkedIn, сервис поиска контактов Apollo и поисковый сервис Exa. Агент проверяет историю переписки, чтобы не написать человеку второй раз. Он выбирает разный тон для действующего клиента, для потенциального клиента и для холодного контакта. Работа разбита между подагентами, у каждого из которых урезанный набор инструментов. Собран агент на собственной библиотеке компании Deep Agents, а запускается на её же платформе.

Отдельно интересно, как агент учится стилю продавцов. Когда продавец правит черновик, система смотрит, что именно изменилось по существу. Из правок она выделяет наблюдения о стиле, например насколько коротко человек пишет и каким тоном. Эти наблюдения хранятся в базе данных PostgreSQL и учитываются в следующих черновиках. Авторы советуют смотреть на проверку человеком не только как на защиту от ошибок, но и как на способ собирать данные. Каждая правка продавца становится уроком для агента.

Результаты, по данным самих авторов, такие. С декабря двадцать пятого по март двадцать шестого года доля обращений, которые превратились в подтверждённую возможность сделки, выросла на двести пятьдесят процентов. Сумма потенциальных сделок в воронке за тот же период выросла втрое. Продавцы стали чаще дорабатывать лиды: тех, кто проявил слабый интерес, почти вдвое чаще, а тех, кто проявил сильный, на восемнадцать процентов чаще. Каждый продавец, по их подсчёту, экономит сорок часов в месяц, а вся команда — тысячу триста двадцать часов. Если разделить одно на другое, получается около тридцати трёх человек. Половина из них пользуется агентом каждый день, восемьдесят шесть процентов — каждую неделю.

Самое честное место в этой истории — эволюция главного принципа. Сначала правило было жёстким: ничего не отправляется без явной проверки и одобрения продавцом. Потом компания добавила исключение. Для лидов, которые внутри называют серебряными, то есть не самых приоритетных, действует срок в сорок восемь часов. Если продавец за это время не одобрил и не отклонил черновик, письмо уходит само. Авторы пишут, что это заметно подняло долю отработанных лидов. Логика понятная: письма, до которых у людей не доходили руки, теперь всё-таки уходят.

Авторы признают и неожиданное. По их словам, часть способов, которыми команда пользуется агентом, никто специально не строил. У агента был доступ, и люди сами нашли самый лёгкий путь. Со временем агентом стали пользоваться не только те, кто делает первые касания, а вся команда продаж. В октябрьском посте Джулии Шоттенштейн перечислено, что агент делает сейчас. Он пишет письма по итогам встреч, собирает презентации для продаж, изучает компании-клиенты, помогает с прогнозом команды и предупреждает, если с клиентом что-то не так.

Теперь о том, что в этих цифрах не проверено. Двести пятьдесят процентов — это сравнение марта с декабрём. Декабрь для продаж между компаниями обычно слабый месяц из-за праздников. Контрольной группы, то есть продавцов, которые в то же время работали без агента, нет. Кроме того, в эти месяцы у компании мог расти поток входящих заявок после прошлого раунда и запусков продуктов. Вклад агента вполне может быть большим, но отдельно от остального он не измерен. И второй открытый вопрос: сколько писем уходит автоматически по правилу сорока восьми часов и были ли среди них ошибочные. Этого компания не раскрыла.

Амал Иргашев строит в LangChain внутренних агентов. О том, чего стоит внедрение изнутри, в посте от двадцать третьего октября сказано так, в переводе. Сначала это немного чужеродная штука в Slack, за которой людям приходится присматривать, и могут понадобиться сотни итераций, прежде чем люди начнут ей доверять. А в конце агент оказывается лучшей письменной записью того, как на самом деле работает бизнес. Это полезная мысль для любой небольшой компании. Чтобы научить агента продавать, приходится впервые подробно записать, как вы продаёте.

Вернёмся к программированию. Open SWE компания описала в марте как открытый каркас для внутренних программистских агентов. По словам авторов, его сделали по образцу внутренних агентов платёжной компании Stripe, финансового сервиса Ramp и криптобиржи Coinbase. Агент работает в облачных песочницах. Поддерживаются несколько поставщиков таких песочниц, в том числе собственные песочницы LangSmith. Вызвать его можно из Slack, из системы задач Linear и из GitHub. Перед работой он читает в репозитории файл с инструкциями для агентов. В примере кода из статьи стоит модель компании Anthropic.

У Open SWE две роли. По просьбе человека он готовит изменения кода от его имени. А в фоне он проверяет все запросы на изменение кода, которые открывают в компании, уже под своей учётной записью. Вторая роль заслуживает вопроса. Проверка каждого изменения моделью — дорогая по токенам операция, а работа в облачной песочнице оплачивается отдельно, поверх токенов. Сколько это стоит компании, в открытых источниках данных нет.

Самая инженерная история года — о том, как агенты сами чинят себя после выкладки кода. В апрельской записи в блоге компании инженер Вишну Суреш рассказывает о системе, построенной для агента продаж. После каждой выкладки она ищет новые ошибки, решает, виновата ли в них выкладка, и запускает агента, который открывает запрос на исправление. Ключевая деталь в том, что ошибки не отдают программистскому агенту напрямую. Суреш объясняет: у Open SWE есть соблазн что-то менять, поэтому перед ним стоит ещё один фильтр.

Устроено это так. Если не собралась сама программа, журнал сборки и список изменений сразу уходят агенту. С ошибками на работающем сервере сложнее. Система берёт журнал ошибок за последние семь дней как обычный фон. Из текста ошибок вычищаются уникальные номера, время и длинные числа, чтобы одинаковые ошибки складывались в одну группу. Потом в течение часа после выкладки она смотрит, не стало ли ошибок больше, чем обычно. Для этого используется простая статистическая модель, распределение Пуассона. Тревога поднимается, только если рост ошибок вряд ли можно объяснить случайностью.

Дальше вступает агент-сортировщик. Он смотрит, какие файлы изменились при выкладке: рабочий код, настройки, тесты, документация или служебные скрипты. Если менялось не то, что работает на сервере, исправление блокируется. Только после этого Open SWE берётся за ошибку и открывает запрос на изменение. Суреш пишет, что весь путь от обнаружения ошибки до предложенного исправления проходит без участия человека. Но сливать исправление в основной код агенту не дают: разработчику приходит уведомление, что изменение готово к проверке.

Суреш сам называет слабые места. Окно в один час пропускает ошибки, которые проявляются позже. Группировка ошибок по шаблонам может не заметить, что две разные на вид ошибки на самом деле одна. И система всегда чинит вперёд, то есть пишет исправление, хотя иногда разумнее было бы просто откатить выкладку. Этот пример ценен как раз скромностью. Агента не пускают к коду сразу. Сначала шум отсеивает обычная статистика, которой десятки лет.

Ещё одна деталь из интервью Чейза подкасту фонда Sequoia в январе. Он говорит, что раньше, когда пользователь жаловался на проблему, его просили показать код. Теперь просят прислать трейс, потому что без него помочь нельзя. Внутри компании, по его словам, код вручную уже почти никто не пишет. У компании есть свой сервер для подключения агентов к LangSmith и утилита для командной строки. Чейз объясняет, что программистские агенты хорошо умеют пользоваться командной строкой. Агент сам скачивает трейсы, разбирается, что пошло не так, и чинит код.

При этом Чейз не перекладывает всё на агентов. В том же интервью он говорит, что даже когда запускает Claude Code, после окончания работы иногда открывает и смотрит код, который тот на самом деле написал. И рассказывает о неудаче. У него был личный агент для почты со своей памятью, накопленной за долгое время. Компания сделала конструктор агентов, и Чейз захотел перенести туда своего агента. Но память переехала не вся. По его словам, на момент интервью он так и не перешёл полностью, потому что новый агент по сравнению со старым стал работать заметно хуже. В той же беседе выясняется, что этот агент уже два года присылает письма и самому интервьюеру из Sequoia.

Есть и другие признания, но их стоит подавать осторожно, потому что они известны только по пересказам выпуска 20VC. По этим пересказам, один неправильно настроенный плагин обошёлся компании примерно в сорок тысяч долларов за неделю. Компания закрыла свой коммерческий продукт для памяти агентов, потому что он оказался слишком общим и не нашёл спроса. А решение примерно полуторагодовой давности не делать собственный шлюз к моделям Чейз, по этим пересказам, назвал ошибкой на сто процентов. Сейчас такой шлюз у компании есть, и он продаётся.

Третий внутренний агент, Content Studio, работает на маркетинг. По описанию Чейза, он готовит черновики блогов, картинок, презентаций и видео в стиле компании и с учётом того, как она себя позиционирует. Подробностей о нём меньше, чем о двух других, и цифр его работы компания не приводила.

Теперь о главном вопросе для тех, кто строит свой бизнес. Как LangChain получала клиентов.

Основной канал — бесплатный открытый код. Библиотеки langchain, langgraph и deepagents распространяются под лицензией MIT, то есть ими можно пользоваться бесплатно, в том числе в коммерческих продуктах. Разработчик начинает с бесплатной библиотеки. Потом ему нужно понять, почему агент ведёт себя странно, и он подключает запись трейсов. Дальше часть таких разработчиков приходит к платному LangSmith. Сидни Ранкл из команды открытого кода пишет, что открытый код обеспечил компании посевной раунд и до сих пор остаётся её основой.

Цифры охвата большие. По данным Ранкл, пакеты компании скачивают больше двухсот миллионов раз в месяц. По публичной статистике каталога пакетов Python за последние тридцать дней, сам langchain скачали почти сто пятьдесят семь миллионов раз, а пакет для записи трейсов в LangSmith — около девяноста трёх с половиной миллионов. У главного репозитория на GitHub почти сто пятьдесят тысяч звёзд. Но важно понимать, что именно это измеряет. Скачивание — это не человек и не клиент. Большую часть скачиваний делают автоматические сборки, которые ставят пакет заново при каждой проверке кода. К тому же месячные скачивания langchain в июне были вдвое выше, чем в октябре. Эти цифры показывают размер экосистемы, но не число платящих.

Решение сделать LangSmith независимым от библиотеки расширило воронку. Платным сервисом могут пользоваться и те, кто ушёл от LangChain после критики. Хороший пример — компания Clay. По данным LangChain, она следит через LangSmith за сотнями миллионов запусков агентов в месяц.

Первых крупных клиентов Джулия Шоттенштейн называет по именам: это конкретные люди в Cisco, Workday, Rakuten, LinkedIn и Klarna. В посте сказано, что они поверили, что можно поставить важные части ИИ-стратегии своих компаний на продукты LangChain. Как именно пришёл первый платящий клиент — через входящий запрос, знакомство или конференцию, — в открытых источниках данных нет.

Дальше рост можно проследить по заявлениям самой компании. В феврале двадцать четвёртого года, когда LangSmith стал общедоступным, компания сообщала о более чем восьмидесяти тысячах регистраций и пяти тысячах активных команд в месяц. В октябре двадцать пятого она заявляла, что её продуктами пользуются тридцать пять процентов компаний из списка пятисот крупнейших в США. Сейчас LangChain пишет, что LangSmith пользуются больше семи тысяч организаций, от быстрорастущих стартапов до Nvidia, Toyota и Salesforce.

Здесь снова нужна оговорка. Семь тысяч организаций — это не семь тысяч платящих клиентов. Бесплатный тариф тоже даёт аккаунт организации. Сколько из этих семи тысяч платят, компания не раскрывает.

Есть и другие каналы, все дороже открытого кода. Собственная конференция Interrupt в мае в Сан-Франциско, где, по данным компании, было больше тысячи участников. Продажа через магазины облачных платформ Microsoft Azure, Amazon и Google Cloud. Крупная компания может платить из бюджета, который уже пообещала облачному поставщику, и ей не нужно проводить нового поставщика через закупки.

Ещё один канал — инвесторы, которые одновременно клиенты. В прошлом раунде участвовали венчурные подразделения Workday, Cisco и ServiceNow. В новом — Salesforce и MongoDB. Когда крупная компания вкладывает деньги в поставщика, ей проще стать и его покупателем, и наоборот.

Самый дорогой канал — инженеры, которые работают прямо у клиентов. По данным The Wall Street Journal, у LangChain сорок семь таких инженеров и тринадцать архитекторов. По словам Нила Далке из этого направления, в двадцать пятом году таких инженеров было несколько человек, и клиенты спрашивали, может ли агент вообще что-то сделать. Сейчас инженеров больше пятидесяти, и клиенты спрашивают, как запустить много агентов и доказать тестами, что они по-прежнему работают. Так закрывают крупные сделки, но это почти консалтинг, и он плохо масштабируется.

И наконец, кейсы клиентов как маркетинг. В объявлении о раунде компания пишет, что Workday сократила время развёртывания нового агента с пяти месяцев до меньше чем одного дня. Если открыть подробный разбор этого кейса на сайте LangChain, видно, что речь о другом. Раньше на прототип агента уходило четыре–пять месяцев без гарантии, что он дойдёт до продакшена. Теперь агент оказывается в тестовой среде меньше чем за день. Тестовая среда и работа у живых пользователей — разные вещи. Формулировка в объявлении сильнее, чем то, что описано в самом кейсе.

Теперь о деньгах. Здесь компания закрыта почти полностью. Выручку за двадцать шестой год она не раскрыла. Последняя известная оценка — от двенадцати до шестнадцати миллионов долларов годовой повторяющейся выручки на июнь двадцать пятого года. Это данные TechCrunch по четырём источникам, компания их не подтвердила. Сколько стоит привлечь клиента, сколько уходит на маркетинг, какая маржа и сколько клиенты платят на второй год по сравнению с первым — этих данных в открытых источниках нет. В октябре двадцать пятого года представитель компании говорил, что она пока не прибыльна, но тратит довольно эффективно.

Зарабатывает LangChain на LangSmith. Бесплатный тариф даёт одно рабочее место и пять тысяч базовых трейсов в месяц. Тариф Plus стоит тридцать девять долларов за место в месяц и включает десять тысяч трейсов и небольшой сервер для запуска агентов. Всё сверх этого считается в собственных единицах компании по доллару за единицу: время работы серверов, песочницы, запуски инструмента, который сам ищет и исправляет ошибки агентов. Крупным компаниям цену называют индивидуально, им же доступна установка на собственных серверах.

Почему экономика у такой компании может быть сложной, видно по самой модели. Ядро бесплатное, и большинство пользователей библиотек не платит ничего. Объём трейсов растёт вместе с объёмом агентов у клиентов, а хранить и обрабатывать их дорого. Один Clay — это сотни миллионов запусков в месяц. Сооснователь Анкуш Гола пишет, что компания построила собственную базу данных SmithDB, под особые требования такой нагрузки. В конструктор агентов Fleet стоимость моделей включена в цену, поэтому маржа там зависит от цен поставщиков моделей. А шестьдесят инженеров и архитекторов у клиентов — это дорогая сервисная работа.

Добавим грубый расчёт, это не данные компании. Если полная стоимость сотрудника в США двести–триста тысяч долларов в год, то четыреста тридцать пять человек обходятся примерно в девяносто–сто тридцать миллионов долларов в год. Сравнить это с выручкой нельзя, потому что выручку компания не назвала. Есть и ещё одна цифра для ориентира. Если на момент прошлого раунда выручка была около шестнадцати миллионов в год, то оценка в миллиард двести пятьдесят миллионов превышала её почти в восемьдесят раз. Для нового раунда такой расчёт сделать не на чем. Три миллиарда — это цена, которую инвесторы согласились заплатить за долю, а не выручка и не прибыль.

На что пойдут новые деньги, компания подробно не написала. Издание SiliconANGLE сообщает, что на найм в инженерию, продажи, маркетинг и внедрение у клиентов. Всего, по данным пресс-релиза, LangChain привлекла около четырёхсот шестидесяти миллионов долларов.

Рынок вокруг за этот год заметно изменился. Открытый конкурент в наблюдении за агентами Langfuse в январе купила компания ClickHouse, которая делает базы данных. Сервис Arize купила Dynatrace, крупный поставщик мониторинга, сделка закрылась к октябрю. Конкурент Braintrust в феврале привлёк восемьдесят миллионов при оценке около восьмисот миллионов, и часть его клиентов совпадает с клиентами LangChain. OpenAI ещё в октябре двадцать пятого года выпустила свой набор инструментов для сборки агентов. У Anthropic и Google есть свои средства для разработчиков агентов. Получается, что LangChain конкурирует одновременно с независимыми стартапами, с крупными поставщиками мониторинга и с самими разработчиками моделей.

Главный аргумент LangChain против этих конкурентов — нейтральность. Компания не делает модели и не продаёт облако, поэтому обещает не привязывать клиента ни к одному поставщику. По словам Мо Джомаа из CapitalG в интервью The Wall Street Journal, рынок безумно конкурентный, но каждый из игроков пытается привязать клиента к своей экосистеме, своим моделям и своей инфраструктуре. Сам Чейз в объявлении о раунде пишет, что компании должны владеть своим интеллектом: сами выбирать модели, контролировать данные и инфраструктуру и постоянно улучшать своих агентов. Стоит заметить, что ведущий инвестор раунда — фонд Alphabet, у которого есть свои модели и своё облако. Нейтральность LangChain — это обещание, и проверять его будут годами.

Есть и более глубокая причина, по которой инвесторы готовы платить. В конце октября Чейз написал, что все, кажется, приходят к одному и тому же устройству агента: модель в цикле, которая вызывает инструменты и работает в песочнице. Если устройство агента становится общим местом, ценность смещается в то, что вокруг: память, наблюдение, проверку качества, контроль расходов и доступа. Именно это LangChain и продаёт. По пересказам выпуска 20VC, Чейз говорил там, что агентов всё ещё очень, очень трудно строить, потому что они ведут себя не так, как хочется. На этой трудности и держится бизнес.

Что из всего этого следует? Первое. Компания, которая продаёт инструменты для агентов, сама живёт на агентах и не скрывает, что это дорого. Тридцать процентов зарплатного фонда инженеров — оценка, а не отчёт, но порядок цифр говорит о том, что расходы на агентов становятся отдельной большой статьёй, сравнимой с зарплатами. Второе. Почти все внутренние агенты LangChain устроены одинаково: живут в мессенджере, работают по расписанию, предлагают черновик человеку и учатся на его правках. В этом нет ничего волшебного, и это можно повторить. Третье. Даже этой команде, по словам её же сотрудника, могут понадобиться сотни итераций, прежде чем люди начнут доверять агенту. И самые громкие цифры про эффект агентов измерены без контрольной группы.

Что слушатель может сделать завтра. Если у вас в команде уже работают программистские агенты, начните с первого шага Чейза. Соберите в одном месте, кто и сколько тратит на модели. Без этого любые разговоры об экономии пусты. Поставьте каждому личный лимит. Не чтобы урезать работу, а чтобы агент, который застрял в цикле, не сжёг недельный бюджет за ночь.

Если вы ищете клиентов, посмотрите на устройство агента для продаж. Он не пишет письма сам по себе. Он реагирует на новую заявку, собирает о человеке всё, что есть в ваших системах, и кладёт продавцу черновик с объяснением. Такую схему можно собрать и для команды из двух человек. Начните с того, что советуют авторы: сначала определите, что будет считаться успехом, и только потом пишите код. И сравнивайте результат не с худшим месяцем года, а с периодом, похожим по сезону.

Если вы выкладываете код часто, присмотритесь к идее фильтра перед агентом. Не отдавайте все ошибки агенту на исправление. Сначала проверьте простым подсчётом, правда ли ошибок стало больше обычного и связаны ли они с последней выкладкой. Исправление пусть по-прежнему проверяет человек.

И если вы строите свой продукт на открытом коде, история LangChain показывает и силу, и ограничение такой модели. Открытый код даёт огромный охват почти бесплатно. Но охват — не выручка. Платить начинают за то, что трудно сделать самому: наблюдение, хранение, безопасность, поддержку больших команд. Продумайте заранее, какая часть вашего продукта будет такой.

Двадцатого ноября LangChain обещала показать новые возможности LangSmith. Тогда станет понятнее, куда компания поведёт продукт после раунда. Выручка остаётся главным открытым вопросом всей истории.

Итог короткий. LangChain выросла из побочного проекта на восемьсот строк в компанию с оценкой в три миллиарда долларов, превратив бесплатную библиотеку в воронку для платного сервиса. Внутри она работает на агентах, которые живут в Slack, предлагают людям черновики и учатся на правках, и честно говорит, что это дорого и непросто. Сколько компания зарабатывает и сходится ли её экономика, по открытым источникам сказать нельзя.

На этом всё. Меня зовут Евгений Арсентьев. Я внедряю искусственный интеллект в компаниях и строю для бизнеса контент-заводы: системы, которые с помощью ИИ выпускают ролики для соцсетей. Подробнее на reels-zavod.com. Спасибо, что послушали.