Qué es LangGraph y qué pide el mercado a quien lo usa

De cada diez ofertas de empleo en España que piden LangChain, casi ocho piden Docker, integración continua o Kubernetes. Solo tres piden PyTorch o TensorFlow. Esa proporción, medida sobre una muestra de cien ofertas reales, dice algo incómodo para quien lleva meses estudiando machine learning con la idea de trabajar como ingeniero de IA: la puerta de entrada se parece bastante más a plataforma que a modelado. El orden importa.

LangGraph es la pieza donde eso se ve mejor. Es la capa que convierte un agente de demo en algo que aguanta un reintento, una interrupción humana y un despliegue, y es también la que aparece en las ofertas cuando el proyecto ha pasado de la prueba de concepto. Cuarenta y dos empresas la piden hoy por su nombre en el mercado español. No son muchas. Ese es justamente el punto.

Este artículo cubre las dos cosas: qué es y qué compra el mercado alrededor. Lo segundo no está en la documentación.

Qué es LangGraph

LangGraph es una librería de orquestación para aplicaciones con modelos de lenguaje. Su idea central es tratar el trabajo de un agente como un grafo y no como una cadena: en vez de definir la secuencia de pasos por adelantado, defines los pasos posibles y las reglas que deciden a cuál se va después de cada uno.

Tres elementos sostienen la idea. Los nodos son funciones que hacen algo, como llamar al modelo, consultar una API o escribir en una base de datos, y las aristas los conectan y pueden ser condicionales, de modo que el camino se decide en ejecución según lo que haya devuelto el paso anterior. Y el estado es un objeto compartido que todos los nodos leen y actualizan, que es lo que distingue esto de una simple tubería de funciones.

Lo que hace ese estado interesante no es que exista, sino que puede persistir: LangGraph guarda instantáneas en cada paso mediante lo que llama checkpointers, así que una ejecución puede detenerse, esperar días a que una persona apruebe algo y continuar exactamente donde estaba. Esa capacidad tiene nombre propio en la documentación del proyecto: ejecución durable. Es la diferencia entre relanzar desde cero y retomar en el nodo que falló.

De ahí sale la otra pieza que el ecosistema vende como su ventaja, el human-in-the-loop: al poder pausar la ejecución en un nodo concreto y guardar el estado, se puede insertar una aprobación humana antes de una acción irreversible, como enviar un correo, mover dinero o borrar un registro. No es un añadido. Es consecuencia directa de tener estado persistente y grafo explícito.

Si lo que buscas es el recorrido completo de construir un agente, del caso de uso al despliegue, lo tratamos paso a paso en la guía sobre cómo crear un agente de IA. Aquí nos quedamos en la capa de orquestación.

En qué se diferencia de LangChain

La confusión es razonable porque LangGraph no compite con LangChain: se construye encima. El mismo equipo mantiene las dos, y en el mercado español se piden juntas. De las 42 ofertas que mencionan LangGraph, 30 mencionan también LangChain.

La diferencia práctica está en la forma del flujo. LangChain, en su uso clásico de cadenas, encadena pasos: entra un texto, pasa por una plantilla, llama al modelo y formatea la salida, en un flujo lineal que es suficiente para la mayoría de los casos de recuperación y respuesta. LangGraph aparece cuando el flujo necesita volver atrás, repetir un paso hasta que el resultado supere un criterio, bifurcarse según lo que devuelva una herramienta o esperar a alguien.

El caso que lo ilustra mejor es el ciclo. Aparece en cuanto un agente tiene que juzgar su propio trabajo y decidir si lo repite, algo que en una cadena lineal no tiene sitio natural donde vivir. Un agente que investiga y evalúa su propia respuesta necesita poder decir "esto no vale, vuelve a buscar" un número indeterminado de veces. En una cadena lineal eso se resuelve con lógica de control fuera del framework, escrita a mano y difícil de observar, mientras que en un grafo es simplemente una arista condicional que apunta hacia atrás, con su estado guardado en cada vuelta.

Hay una consecuencia menos obvia y más importante para quien va a mantener el sistema, y es que un grafo explícito es inspeccionable: se puede dibujar, recorrer paso a paso y saber en qué nodo estaba una ejecución que falló hace tres horas. El ecosistema tiene herramienta propia para eso. Se llama LangGraph Studio, representa el grafo tal como está definido y deja intervenir el estado de una ejecución concreta mientras corre. Ese es el argumento real por el que los equipos migran. No la elegancia del modelo de programación.

Cómo funciona un grafo de estado en la práctica

El flujo mínimo tiene cuatro decisiones y conviene verlas en ese orden, porque el vocabulario del framework, con sus nodos y sus checkpointers, se entiende mucho mejor siguiendo una construcción real que leyendo definiciones sueltas.

Primero se define el estado, que es el esquema de lo que va a viajar entre nodos y suele incluir el historial de mensajes, los resultados intermedios y los contadores de reintentos de cada paso, y después se escriben los nodos como funciones que reciben ese estado y devuelven la parte que modifican, y se conectan con aristas marcando cuáles son condicionales y qué función decide el destino en cada bifurcación. Y por último se compila el grafo, que es el momento en el que se le pasa el checkpointer encargado de persistir el estado, normalmente contra una base de datos que alguien tendrá que operar.

Ese último paso es el que cambia la naturaleza del proyecto. Un grafo compilado sin persistencia funciona en un cuaderno y muere al cerrar el proceso, mientras que uno con persistencia necesita una base de datos, un esquema, una política de retención y alguien que responda cuando el almacenamiento falle a las tres de la madrugada. Es el punto exacto donde el proyecto deja de ser un experimento y empieza a tener requisitos de operación. Y explica lo que viene ahora.

Qué pide de verdad una oferta que menciona LangGraph

Aquí está el dato que no aparece en ningún resultado de la primera página de Google, y viene del análisis de mercado de Shakers, sobre una muestra de 100 ofertas españolas que piden LangChain de un total de 719, contabilizadas entre el 14 de junio y el 31 de agosto de 2026. La composición de skills es esta:

El desglose importa. Docker aparece en 42 ofertas, integración y despliegue continuos en 41, Kubernetes en 34 y Git en 32, mientras que al otro lado PyTorch sale en 18, TensorFlow en 12, MLflow en 11 y scikit-learn en 9. Los acompañantes más frecuentes de LangChain son Python, con 83 de 100, y después las tres nubes: Azure en 55, Amazon Web Services en 53 y Google Cloud en 27. OpenAI aparece en 49 y Anthropic en 15, como proveedores de modelo. Y LlamaIndex, que es el otro framework del ecosistema de recuperación, sale en 36.

La lectura es directa y tiene consecuencias para quien está decidiendo qué estudiar este trimestre. El mercado español no está buscando gente que entrene modelos para construir agentes, sino gente que sepa desplegar, versionar y operar software que llama a modelos entrenados por otros, de modo que si vienes de backend, de plataforma o de DevOps la distancia que te separa de una de estas ofertas es bastante más corta de lo que sugiere el ruido alrededor de la IA.

La segunda medición lo confirma desde otro ángulo. De las 42 ofertas que piden LangGraph por su nombre, 28 están clasificadas dentro de ingeniería de software y solo una dentro de la categoría de inteligencia artificial y machine learning. En seniority no hay ni una de perfil junior: 31 son de perfil intermedio, 9 senior y 2 de lead. No es un nicho de investigación. Es ingeniería con un requisito nuevo encima.

Conviene decir qué no prueba. Es una muestra de 100 sobre 719, no un censo, y mide lo que las empresas escriben en la oferta, que no siempre coincide con lo que acaban evaluando en la entrevista o con lo que el equipo usa a diario. Sirve para orientar por dónde empezar, no como garantía de nada.

Sobre el valor de las credenciales en este terreno hay una discusión aparte, y la abordamos al analizar la certificación de Agentic AI Developer de GitHub y qué valida realmente. El resumen aplicable aquí es corto. Una credencial declara que has visto el temario, y las ofertas que acabamos de contar piden algo distinto, que es haber operado el sistema en algún sitio donde importara.

LangGraph, LangChain o CrewAI según el caso

Las comparativas del sector suelen enfrentar los tres frameworks como si hubiera que elegir uno, y los datos del mercado dicen lo contrario: de las 42 ofertas que piden LangGraph, 16 piden también CrewAI. Se usan a la vez porque resuelven problemas distintos.

El criterio útil no es de funcionalidades, es de forma del problema. LangChain solo, con cadenas, cubre el flujo lineal de recuperar contexto, llamar al modelo y devolver respuesta, y LangGraph entra cuando el flujo tiene ciclos, ramas o pausas, es decir cuando hay una máquina de estados de verdad y hace falta control fino sobre cada transición. CrewAI parte de otra abstracción: varios agentes con rol asignado que colaboran, con la orquestación implícita en el reparto de papeles, lo que acelera mucho el arranque a cambio de menos control sobre el detalle.

Traducido a decisión: si necesitas auditar por qué el sistema tomó una decisión concreta en el paso siete quieres el grafo explícito, y si lo que necesitas es montar en dos días un equipo de agentes que redacte, revise y publique, la abstracción de roles te va a llevar antes. Y en producción es habitual acabar con las dos capas, porque la parte que mira un auditor y la parte que itera rápido no son la misma.

Una advertencia sobre el ecosistema, dicha sin dramatismo: estas herramientas se mueven rápido. Aprender la sintaxis de una versión concreta tiene fecha de caducidad, mientras que entender qué es un grafo de estado, para qué sirve la persistencia y dónde hace falta una aprobación humana se transfiere a cualquier framework que venga después. Ese es el aprendizaje que aguanta el cambio de versión.

Cuándo la orquestación deja de ser un problema de framework

Hay un techo en todo esto que conviene conocer antes de llegar a él, y es que LangGraph orquesta agentes que tú controlas: viven en tu repositorio, se despliegan con tu pipeline y comparten tu objeto de estado. Mientras eso sea cierto, es un problema de framework.

Cuando el agente al otro lado pertenece a otra organización, a otro proveedor o a otro equipo con su propio ciclo de vida, el problema cambia de naturaleza, porque ya no puedes compartir un objeto de estado con alguien que no controlas, ni asumir que estará disponible cuando lo llames, ni saber cómo decide por dentro ni con qué modelo lo hace. Ahí es donde aparecen los protocolos de interoperabilidad entre agentes, y el que ha tomado tracción es A2A, o Agent2Agent, gobernado por la Linux Foundation desde junio de 2025. Su función es justo la que un framework no puede cubrir: acordar cómo se descubren, se autentican y se delegan tareas dos agentes que no comparten código. Conviene no confundirlo con MCP, el Model Context Protocol, que resuelve el eje de al lado: conectar un agente con sus herramientas y sus fuentes de datos, no con otros agentes.

Para quien está aprendiendo, la consecuencia práctica es un orden. Primero el grafo de estado, que es donde está la demanda medible hoy, y después la capa de protocolo, que todavía casi no aparece en las ofertas y precisamente por eso es donde se diferencia quien llegue temprano.

Hay un dato que ayuda a calibrar por qué se paga esta capa. BCG lo midió en enero de 2025 sobre 1.803 ejecutivos: el 75% situaba la IA entre sus tres prioridades estratégicas y solo un cuarto reportaba valor significativo, y esa diferencia de cincuenta puntos entre lo que se prioriza y lo que se consigue no se explica por falta de modelos disponibles. Ese 50% de diferencia tiene nombre, implementation gap, y no se cierra con mejores modelos. Se cierra con gente capaz de operar lo que ya existe, que es exactamente lo que describen las 78 ofertas de cada 100 que piden infraestructura. El mercado compra skills + agents. No titulaciones.

Preguntas frecuentes sobre LangGraph

¿Qué es LangGraph y para qué sirve?

Es un framework de orquestación de agentes de IA que modela el flujo como un grafo de estado: nodos que ejecutan pasos, aristas que deciden el camino y un estado compartido que puede persistir entre llamadas. Sirve para construir agentes con ciclos, ramas condicionales, pausas de aprobación humana y capacidad de reanudar después de un fallo, en lugar de secuencias lineales.

¿Cuál es la diferencia entre LangChain y LangGraph?

No compiten: LangGraph se construye sobre LangChain y las mantiene el mismo equipo. LangChain, en su uso de cadenas, encadena pasos de forma lineal. LangGraph aparece cuando el flujo necesita volver atrás, repetir hasta cumplir un criterio, bifurcarse o esperar a una persona. En el mercado español se piden juntas: de 42 ofertas con LangGraph, 30 piden también LangChain.

¿Hace falta saber machine learning para usar LangGraph?

Los datos de mercado dicen que no es el requisito principal. En una muestra de 100 ofertas españolas que piden LangChain, 78 piden al menos una skill de infraestructura como Docker, CI/CD o Kubernetes, y solo 34 piden al menos una de machine learning clásico. Se busca más perfil de plataforma que de modelado, aunque conviene entender qué hace un modelo y dónde falla.

¿Qué es un grafo de estado?

Es una forma de describir un proceso en la que defines los pasos posibles y las reglas que deciden a cuál se pasa, en vez de fijar la secuencia por adelantado. Cada paso lee y actualiza un objeto de estado compartido. Eso admite ciclos y ramas, y al guardar el estado en cada paso permite pausar la ejecución y retomarla más tarde en el mismo punto.

¿LangGraph o CrewAI?

Depende de la forma del problema, y muchos equipos usan los dos. De las 42 ofertas españolas que piden LangGraph, 16 piden también CrewAI, así que en el mercado no se leen como opciones excluyentes. LangGraph da control fino sobre cada transición y es lo que quieres si necesitas auditar por qué el sistema decidió algo. CrewAI parte de agentes con rol asignado y acelera el arranque a cambio de menos control sobre el detalle del flujo.

¿Qué perfil piden las ofertas que mencionan LangGraph?

Perfil de ingeniería, no de investigación. De las 42 ofertas españolas que lo piden por su nombre, 28 están clasificadas en ingeniería de software y solo una en inteligencia artificial y machine learning. Por seniority, 31 son de perfil intermedio, 9 senior y 2 de lead, y ninguna de perfil junior. Python acompaña en 83 de cada 100 ofertas del cluster.