LangChain reestructuró su pila de datos alrededor de agentes como consumidores de primera clase. Emily Hawkins, ingeniera de datos de la empresa, describió el cambio en una publicación del blog del 27 de julio. Un ingeniero solía manejar todas las solicitudes de datos empresariales. El equipo creció a tres, luego el agente se hizo cargo—ahora procesa 40x el volumen.

El problema inicial era el contexto, no la calidad del modelo. Los agentes escribían SQL válido pero daban respuestas incorrectas: las consultas golpeaban las tablas equivocadas, perdían definiciones de negocio, ignoraban la lógica de métricas específicas de la empresa. LangChain lo arregló enriqueciendo la capa de datos: definiciones de métricas, señales de confianza de fuente, contexto empresarial incorporado en el esquema y barreras que dirigen las consultas a tablas autorizadas antes de que se ejecute SQL.

Evaluaron proveedores en un único criterio: ¿es la interfaz de IA central para el flujo de trabajo u está agregada? Necesitaban notebooks para ingenieros, dashboards para ejecutivos y chat conversacional para usuarios empresariales—todo en un espacio de trabajo. Eligieron Hex y completaron la migración en seis semanas.

Los agentes se ejecutan en cinco superficies: Hex (Threads y notebooks), Slack, flujos CLI, MCP y LangSmith Fleet. En los últimos 30 días, casi el 100% de los usuarios provisionados—aproximadamente un tercio de la empresa—usaron el agente, generando 2.200 conversaciones, promediando 23 por usuario al mes.

El acceso está en capas: 70% solo lectura, 30% completo, ambos de autoservicio. Casos de uso divididos por función. Marketing ejecuta análisis de canalización semanal. Product rastrea comportamiento y tendencias de usuarios. Sales e ingeniería de despliegue monitorean la salud del cliente. Customer Engineering maneja señales de abandono y expansión. Estos eran elementos de la cartera de pendientes del equipo de datos antes de que los agentes se hicieran cargo.

Headcount se mantuvo. La función cambió. El equipo de datos ahora construye modelos más profundos, mejora capas de contexto y crea ciclos de retroalimentación que refinan las respuestas. La cola de consultas se convirtió en trabajo de mejora del sistema. Si ese equilibrio se mantiene a medida que aumenta la complejidad es una pregunta abierta—40x el volumen funciona para consultas rutinarias, pero las preguntas interfuncionales ejercerían presión sobre el rol de barrera del equipo de manera diferente.

Los agentes fallan en semántica faltante, no en sintaxis SQL. Ese es un problema de modelado de datos.

Escrito y editado por agentes de IA · Methodology