Harrison Chase

Quem é Harrison Chase e o que ele faz hoje?

Harrison Chase é cofundador e CEO da LangChain, empresa que cria ferramentas para construir agentes de IA, ou seja, sistemas que usam um modelo de linguagem para decidir etapas, chamar ferramentas, consultar dados e executar tarefas (verificado em nov/2026).

Em 13 de novembro de 2026, a LangChain anunciou uma rodada de US$ 300 milhões, liderada pela CapitalG, com avaliação de US$ 3 bilhões. O anúncio divulgado pela AFP e a publicação da CapitalG, ambos de 13 de novembro de 2026, identificam Chase como cofundador e CEO.

O LangGraph não é uma empresa separada. É um produto da LangChain, segundo a retrospectiva oficial de 22 de julho de 2026.

Como tudo começou. Chase criou o projeto LangChain para facilitar a construção de aplicações com modelos de linguagem. Em entrevista ao NVIDIA AI Podcast (episódio 297), ele contou o que chamou sua atenção no início. Os sistemas que as pessoas montavam em volta dos modelos eram parecidos entre si, e dava para prever que ficariam complexos. A empresa passou a criar ferramentas para esses padrões comuns. Depois, o foco foi para os agentes.

Por que Harrison Chase importa para quem usa IA?

As ferramentas da LangChain ficam numa camada que muitas pessoas usam sem ver. É o harness, o "carro" em volta do modelo. Ele organiza as chamadas ao modelo, as ferramentas, a memória, as permissões e os ciclos de execução.

• 🌱 Sou novo nisso: quando você conversa com um chatbot, recebe uma resposta e pronto. Um agente vai além. Ele faz várias etapas sozinho, como buscar dados, preencher algo ou pedir aprovação. A LangChain cria peças para montar esse tipo de sistema.
• 🔎 Já uso: os produtos têm papéis diferentes. A tabela abaixo resume.
• 🚀 Já sou mais avançado: segundo a retrospectiva oficial, o LangGraph representa fluxos como grafos com estado. Os nós executam operações e atualizam um estado compartilhado. As arestas definem caminhos fixos ou condicionais. A abstração de agentes do LangChain é construída sobre o LangGraph.

Na entrevista ao NVIDIA AI Podcast, Chase descreveu a origem do Deep Agents. Produtos como Claude Code, Manus e Deep Research tinham, segundo ele, a mesma arquitetura geral: um modelo rodando em ciclo e chamando ferramentas, com sistema de arquivos, subagentes e planejamento. Ele disse ainda que esse tipo de harness está por trás do OpenClaw.

O que Harrison Chase defende sobre agentes de IA?

"Possuir sua inteligência". Na abertura do Interrupt London, em 30 de outubro de 2026, Chase defendeu que as empresas devem "possuir sua inteligência", em vez de depender por inteiro de uma aplicação fechada ou de um único fornecedor de modelos. Ele também escreveu sobre isso no blog da empresa, no texto What does it mean to "own your intelligence"?, de 25 de julho de 2026. Segundo ele, os agentes devem ter três características:

• abertos: dá para trocar de modelo e controlar o harness;
• capazes de melhorar com o tempo: por meio de memória, dados, avaliações e observabilidade;
• governados: saber para quem o agente age, que permissões tem e quanto custa.

Na mesma palestra, segundo o registro do evento, Chase disse que o desempenho depende mais do harness em volta do modelo do que do modelo sozinho. Ele citou monday.com, Harvey e Orange como empresas que constroem sistemas em torno dos modelos. Essa é a posição dele, não um teste independente. Qualidade, preço, latência e limites de cada modelo continuam pesando no resultado.

Agente = modelo + contexto + harness. Essa fórmula aparece na palestra When to Build Your Own Agent Harness, publicada pela Sequoia Capital em 13 de agosto de 2026. Nela, Chase discute quando uma organização deve construir a própria camada de orquestração.

Nem tudo precisa de um agente autônomo. No NVIDIA AI Podcast, ele disse que o LangGraph serve para combinar a autonomia dos modelos com fluxos mais dirigidos e com mais controle. Contou também que algumas empresas preferem ficar no LangGraph em vez de usar Deep Agents, e que isso está bem para a LangChain. Ele defendeu a observabilidade por dois motivos. O espaço de interação com agentes é muito aberto. E os modelos não são determinísticos: mudar uma palavra pode mudar a resposta inteira.

Agentes sempre ligados. Na mesma entrevista, ele disse esperar que agentes "sempre ligados, assíncronos e acionados por eventos" tragam um grande ganho de produtividade nas empresas. Outros textos recentes dele no blog da LangChain tratam de agentes gerenciados (12 de agosto de 2026) e de memória em formato de wiki (30 de junho de 2026).

Quais são as críticas e os debates em torno da LangChain?

As ferramentas da LangChain ajudam a dar estrutura, controle e visibilidade aos agentes. Mesmo assim, há pontos de debate que vale conhecer.

• Tese comercial. A ideia de "possuir sua inteligência" também promove os produtos da própria LangChain. As fontes citadas aqui não trazem um estudo independente amplo mostrando que LangChain ou LangGraph superam sempre as alternativas em custo, confiabilidade ou segurança. Entre as alternativas estão os SDKs dos próprios provedores de modelos, frameworks de outras empresas e sistemas feitos em casa. O benefício depende do caso de uso e da qualidade da implementação.
• Troca de dependência. Usar uma camada que trabalha com vários modelos reduz a dependência de um modelo. Mas cria dependência de outra camada: os frameworks, as APIs e os serviços da LangChain.
• Complexidade. O LangGraph dá mais controle. Em troca, a equipe precisa projetar estados, transições, tratamento de erros, persistência e permissões.
• Observabilidade não impede erro. O LangSmith registra e avalia o que o agente fez. Registrar depois não impede sozinho uma decisão errada, um vazamento de dados ou uma chamada indevida a uma ferramenta.
• Custos que fogem do controle. Agentes que fazem muitas chamadas por longos períodos podem gerar contas imprevisíveis. Segundo o registro da entrevista ao 20VC (17 de outubro de 2026), a conversa tratou de controle de orçamento e citou um incidente de cerca de US$ 40 mil ligado ao uso de ferramentas de programação.

Na prática: se você ou sua empresa testam agentes, configure limites de gasto em dólar, alertas e pontos de aprovação humana. Em saúde, finanças, seguros, emprego ou imigração, um agente ajuda a organizar informações, mas não substitui fontes oficiais nem um profissional habilitado.

Onde ouvir Harrison Chase: entrevistas e palestras recentes?

Aparições de 2026, da mais nova para a mais antiga:

• 13 de novembro de 2026 — anúncio de financiamento da LangChain. Não é uma palestra. O comunicado reitera a visão de Chase de que agentes vão mudar a operação das empresas e destaca LangChain, LangGraph e Deep Agents. AFP · CapitalG
• 30 de outubro de 2026 — Interrupt London (LangChain): palestra Why Own Your Intelligence?. Vídeo no YouTube
• 17 de outubro de 2026 — 20VC, com Harry Stebbings: mercado de inferência, roteamento entre modelos e economia dos agentes. Registro
• 13 de agosto de 2026 — Sequoia Capital: When to Build Your Own Agent Harness, com a fórmula modelo, contexto e harness.
• 9 de abril de 2026 — Interrupt 2026. A LangChain anunciou que Chase faria a abertura dos dias do evento, com aprendizados de equipes que puseram agentes em produção e a direção dos produtos. Anúncio
• 21 de janeiro de 2026 — Sequoia Capital: Context Engineering Our Way to Long-Horizon Agents, sobre engenharia de contexto, estado persistente no LangGraph e uma "caixa de entrada" para supervisão humana de agentes. Registro

Também há a entrevista ao NVIDIA AI Podcast, episódio 297, sobre Deep Agents, LangSmith e confiança em agentes nas empresas.