La optimización de modelos de inteligencia artificial es un campo donde pequeños cambios en los algoritmos pueden generar grandes diferencias en rendimiento, especialmente cuando se busca robustez frente a ataques adversarios. Tradicionalmente, el entrenamiento adversarial se ha apoyado en optimizadores como SGD, mientras que variantes adaptativas como Adam mostraban peor comportamiento en este contexto. Sin embargo, investigaciones recientes han explorado alternativas como Muon, un optimizador que aplica una ortogonalización aproximada a las actualizaciones matriciales, limitando el crecimiento espectral de los pesos sin forzar una reducción directa de los mismos. Este enfoque resulta particularmente interesante para arquitecturas modernas como transformers y redes convolucionales, donde la geometría del gradiente influye en la capacidad de defensa. En la práctica, empresas como Q2BSTUDIO, que desarrollamos soluciones de inteligencia artificial para empresas, integramos estos hallazgos en el diseño de aplicaciones a medida que requieren alta fiabilidad. Nuestro trabajo abarca desde la creación de software a medida con componentes de IA hasta la implementación de agentes IA capaces de operar en entornos hostiles. La ciberseguridad es un pilar en estos desarrollos, y por ello ofrecemos servicios de pentesting y asesoría en modelos robustos. Además, aprovechamos servicios cloud AWS y Azure para escalar el entrenamiento, y herramientas como Power BI para monitorizar métricas de desempeño dentro de nuestros servicios de inteligencia de negocio. La elección del optimizador deja de ser un detalle técnico menor y se convierte en un factor crítico de seguridad, especialmente cuando se despliegan modelos en producción. La investigación sobre Muon confirma que la geometría del optimizador puede marcar la diferencia entre un modelo vulnerable y uno resistente, un aspecto que todo equipo de ingeniería debe considerar al construir sistemas basados en inteligencia artificial.