Qué aprendimos del 3er Encuentro de LLMNative: IA real, en producción y sin humo
La inteligencia artificial avanza rápido, pero ¿qué pasa cuando desarrolladores, startups y empresas se juntan para compartir lo que ya tienen corriendo en producción? Eso fue el 3er encuentro de LLMNative, una comunidad que reúne a quienes no solo prueban LLMs, sino que los construyen, los aseguran y los escalan.
Arturito estuvo ahí y te resumimos lo más importante en este post.
🧠 ¿Qué es LLMNative?
LLMNative es una comunidad de “builders” que buscan crear soluciones de IA de calidad y seguras. Con más de 600 miembros activos en Discord, organizan eventos donde se comparte lo que ya está funcionando, no solo teorías o demos.
El 3er encuentro fue en las oficinas de Lemon, y el foco estuvo puesto en LLMs en producción, modelos locales, seguridad, orquestación de agentes, ruteo descentralizado y evaluación de calidad.
⚡ Lemon y su MCP: cómo conectar LLMs a datos reales
El equipo de Lemon presentó cómo usan AI dentro de Lemon para diferentes tareas, además también presentaron su MCP Server que permite conectar un modelo como GPT a tu saldo o actividad real dentro de la app.
Lo más interesante:
El sistema ya funciona
Solo permite lectura (por temas legales)
También mostraron su stack de despliegue con FastMCP, Docker, auto-scaling y healthchecks en producción.
🔐 Seguridad de agentes: cómo evitar que un LLM se vuelva peligroso
Ivanna Figueroa (Mercado Libre) explicó cómo un agente LLM puede volverse riesgoso si se conecta a herramientas sin control.
Algunos riesgos:
Tool shadowing
Reemplazo de funciones en caliente
Agentes inseguros que ejecutan acciones sin validación
La clave: pensar la seguridad desde el día 0, no como parche.
También compartio Cursor Rules para que muchas de estas cosas sean tenidas en cuenta a la hora de hacer código usando IA.
Si quieres decargar las cursor rules que compartió Ivanna lo puedes hacer desde acá: https://github.com/brighton-labs/railguard-cursor-coding
🧩 Multiagentes: programar sin programar
Pablo Zivic (también de Mercado Libre) mostró cómo usar múltiples agentes con distintos roles:
Un Project Manager que define objetivos
Un Tech Lead que marca buenas prácticas
Un Engineer que escribe código
Este enfoque permite estructurar el trabajo de los LLMs como si fueran un equipo humano, y mejora la trazabilidad, coherencia y control del contexto.
💻 Modelos locales: ¿y si no necesitás la nube?
Alejandro Crosa (DaffyGiving) compartió un mensaje potente:
“Ya podemos correr modelos complejos en nuestros dispositivos.”
Gracias al avance del hardware (como Apple Silicon), hoy se puede:
Transcribir audios
Resumir textos
Formatear JSONs
Ejecutar modelos grandes sin conexión
Todo esto reduce latencia, baja costos y mejora privacidad.
Stack sugerido:
Ollama
FoundationModels
MLX
📈 SEO para la nueva era de búsqueda con IA
El equipo de Fardo y Calm Is Simple explicó cómo cambia el juego del SEO cuando los usuarios consultan a LLMs en vez de Google.
Nuevas métricas:
GEO (Generative Engine Experience)
AEO (AI Engine Optimization)
LLMO (Large Language Model Optimization)
El contenido ahora tiene que estar optimizado para que los modelos lo entiendan, lo interpreten y lo recomienden.
🎨 Contenido generativo con intención humana
Manuel Soria habló del futuro de los medios generativos: imágenes, videos, texto y branding hecho por IA.
Desafíos:
Mantener consistencia de marca
Controlar el costo y latencia
Evitar contenido genérico
¿La solución? Agentes que mezclen herramientas especializadas con lógica humana detrás.
🌐 Ruteo descentralizado de LLMs
Dominic Bäumer presentó un marketplace descentralizado para comprar y vender acceso a LLMs sin depender de proveedores como OpenAI o Anthropic.
Estilo torrent, con pagos en Bitcoin.
Código abierto. En marcha.
🧪 Evaluación de LLMs en producción
Francisco Ingham (Field Data) mostró por qué los evals importan.
Presentó un flujo de trabajo para mejorar modelos usando trazas, clustering y feedback iterativo.
Incluso mostró una herramienta propia que estará disponible para la comunidad pronto.
🧭 ¿Por qué esto importa?
Porque ya no alcanza con “probar IA”. Hoy hay que construir, integrar, escalar, asegurar y medir.
Desde Arturito estamos atentos a todo esto, porque también estamos en ese camino.
📌 ¿Te interesa seguir explorando cómo usar IA real en producción?
Suscribite al nuevo blog de Arturito o seguinos en redes. Vamos a seguir compartiendo aprendizajes y herramientas para que puedas aplicar todo esto en tus proyectos.
