La optimización de modelos de lenguaje de gran escala (LLMs) es uno de los desafíos más acuciantes en la industria tecnológica actual, especialmente cuando se busca desplegarlos en entornos productivos con recursos limitados. La cuantización de pesos posterior al entrenamiento, limitada a representaciones de bajo bit, ha emergido como una estrategia clave para reducir el consumo de memoria y acelerar la generación de tokens, mitigando el cuello de botella que supone el acceso a la memoria. Sin embargo, la presencia de valores atípicos sistemáticos en los pesos sigue siendo un obstáculo fundamental: estos outliers provocan una degradación significativa de la precisión cuando se fuerza una representación de baja precisión. Técnicas previas como el escalado o la rotación intentan paliar este efecto, pero el rendimiento dista de ser óptimo. Una aproximación innovadora, similar a la propuesta en el concepto de autoabsorción de outliers, aprovecha la observación de que la matriz Hessiana de la función de pérdida presenta una consistencia de bajo rango a través de diferentes entradas, revelando direcciones en las que la curvatura es prácticamente nula. Identificando este espacio nulo estable, es posible construir una transformación aditiva que combine vectores de dicho espacio para suprimir los outliers sin alterar la pérdida original. Esta transformación se puede absorber directamente en los pesos de forma offline, sin necesidad de transformaciones entre capas ni sobrecarga en inferencia. La construcción se obtiene mediante una solución cerrada, evitando costosos procesos iterativos o entrenamiento. Los resultados experimentales muestran que esta técnica, al integrarse con métodos como GPTQ, reduce la perplejidad en más de un 40% en cuantización de 2 bits respecto al enfoque base, habilitando así modelos mucho más compactos y rápidos sin sacrificar precisión. En el contexto empresarial, esta eficiencia es crítica para que las compañías puedan implantar ia para empresas de alto rendimiento en sus flujos de trabajo, ya sea en servidores locales o mediante infraestructuras cloud. La capacidad de ejecutar modelos complejos con menor huella de memoria permite crear aplicaciones a medida que integren inteligencia artificial conversacional, análisis predictivo o incluso agentes IA autónomos, todo ello sin incurrir en costes desorbitados de hardware. Además, la robustez que aporta esta supresión de outliers facilita la integración con sistemas de ciberseguridad que requieren respuestas en tiempo real, así como con plataformas de inteligencia de negocio que usan Power BI para visualizar resultados generados por modelos de lenguaje. Las empresas que adoptan servicios cloud AWS y Azure pueden escalar estas soluciones de forma elástica, combinando la cuantización eficiente con la elasticidad de la nube. En definitiva, la investigación en técnicas de cuantización como la mencionada no solo avanza el estado del arte académico, sino que allana el camino para que el software a medida incorpore capacidades de lenguaje natural de forma práctica y rentable, transformando la manera en que las organizaciones interactúan con sus datos y automatizan procesos críticos.