Por qué un enjambre de hormigas puede resolver laberintos mejor que la IA

Una sola hormiga es torpe, lenta y muere sin más. Mete a esa misma hormiga en un enjambre de cientos de miles y la colonia encuentra el camino más corto entre el nido y la comida, reparte tareas y soporta cambios de entorno que aplastarían a cualquier jerarquía. Y lo hace sin jefes, sin planos ni voz de mando. La clave se llama estigmergia y desde principios de los años noventa dio origen a un método de inteligencia artificial que se usa hoy para repartir rutas de transporte y mensajes en redes.

Un enjambre de hormigas no resuelve un laberinto porque alguna hormiga sepa resolverlo. Lo resuelve porque cada individuo deja un rastro químico, la feromona, y los demás lo siguen con cierto margen de probabilidad. Lo que sucede después es un mecanismo de refuerzo que los biólogos describen como autocatalítico: las que toman la vía corta regresan antes, depositan más feromona por unidad de tiempo, y esa pista más marcada atrae todavía a más hormigas. La información no viaja de hormiga a hormiga, sino que queda escrita en el suelo que pisan todas. Por eso se llama estigmergia, comunicación indirecta a través del entorno.

el experimento del puente doble

La demostración más citada es un experimento de campo de 1989 con la hormiga argentina (Linepithema humile). En un puente con dos ramas de distinta longitud hacia la comida, las colonias convergen en la rama corta sin ningún estímulo visual: el camino que primero devuelve hormigas se refuerza y termina por ganarle al otro. Lo publicaron Goss, Aron, Deneubourg y Pasteels en Naturwissenschaften (76, 579-581). Un estudio complementario de Beckers, Deneubourg y Goss de 1992 repitió la misma idea con la hormiga Lasius niger y llegó al mismo resultado.

Ninguna hormiga mide la ruta ni compara opciones. Cada una reacciona a lo que encuentra, y del conjunto de reacciones locales nace una respuesta que ninguna de ellas conoce por completo. Conviene una aclaración: este experimento del puente no pertenece a Deborah Gordon, la investigadora de Stanford que estudia hormigas cosechadoras (Pogonomyrmex barbatus) desde hace más de treinta años. Gordon aporta otra pieza, la idea de que la colonia opera y ajusta sus tareas sin control central. Son dos líneas paralelas y conviene no mezclarlas al citar.

de la biología al código

En 1992 Marco Dorigo, en su tesis doctoral en el Politecnico di Milano, convirtió esa conducta en un algoritmo: el sistema de hormigas (Ant System), aplicado primero al problema del viajante (TSP) y al de asignación cuadrática. Nació así la optimización por colonia de hormigas (ACO en siglas). En vez de hormigas reales, el método suelta agentes que recorren un grafo que representa el problema; cada agente deja una feromona artificial y lee la que dejaron los anteriores, de modo que las rutas buenas se refuerzan y las malas se abandonan con el tiempo.

Un detalle técnico resultó decisivo y viene de la evaporación. En los sistemas artificiales, si la feromona no se desvaneciera, las primeras rutas elegidas acapararían todas las de más adelante y el algoritmo quedaría atrapado en soluciones locales. La evaporación obliga a explorar. De la versión original salieron después variantes como el Ant Colony System de Dorigo y Gambardella o el MAX-MIN Ant System de Stützle y Hoos, que mejoraron los resultados sobre el problema del viajante.

para qué sirve hoy

ACO se encuadra dentro de la inteligencia de enjambre, el comportamiento colectivo de sistemas descentralizados y autoorganizados que también inspiran los bancos de peces y las bandadas de aves. Una revisión sistemática publicada en marzo de 2025 en Archives of Computational Methods in Engineering sitúa a ACO y a la optimización por enjambre de partículas (PSO) como las dos técnicas más reconocidas de este campo. Se ha aplicado a rutas de vehículos, encaminamiento en internet, programación de tareas y problemas de asignación.

Para lecturas asociadas, en /tecnologia/ se tratan otros avances en métodos de optimización y en /ciencia/ el comportamiento colectivo de los animales.

También llegó a la logística real. Un trabajo de 2025 en el International Journal of System Assurance Engineering and Management usó un marco basado en el algoritmo de colonias de hormigas para optimizar rutas de entrega conectadas por Internet de las Cosas, con el objetivo de recortar los retrasos en entornos dinámicos.

mejor que la IA, según el problema

Conviene matizar el titular. ACO no gana a cualquier sistema de inteligencia artificial en cualquier terreno. Es una herramienta específica para optimización combinatoria: problemas con muchas combinaciones posibles donde hallar la mejor configuración por fuerza bruta se vuelve inviable. Su fuerza está en el paralelismo natural y en aguantar cambios sobre la marcha. La colonia no tiene un programador que la dirija y, sin embargo, se adapta a un entorno que se mueve, justo lo contrario de un sistema de IA al que alguien entrena y controla desde fuera, como recuerda Deborah Gordon frente a sus colonias de cosechadoras.

Por eso el enjambre le gana a la IA en lo que mejor sabe hacer. La lección de un grupo de insectos sin mentes individuales sigue siendo una de las ideas más útiles del cálculo combinatorio actual: no hace falta que nadie sepa la respuesta para que, colectivamente, aparezca.

Fuentes

1. IRIDIA, Université libre de Bruxelles — About Ant Colony Optimization (https://iridia.ulb.ac.be/dorigo/ACO/about.html)
2. IRIDIA, Université libre de Bruxelles — About ACO: Behavior of real ants (https://iridia.ulb.ac.be/dorigo/ACO/RealAnts.html)
3. Wikipedia — Ant colony optimization algorithms (https://en.wikipedia.org/wiki/Ant_colony_optimization_algorithms)
4. Wikipedia — Swarm intelligence (https://en.wikipedia.org/wiki/Swarm_intelligence)
5. Stanford University, Gordon Lab — The Gordon Lab: Collective behavior of ant colonies (https://web.stanford.edu/~dmgordon/)
6. Wikipedia — Deborah M. Gordon (https://en.wikipedia.org/wiki/Deborah_M._Gordon)
7. Archives of Computational Methods in Engineering (Springer) — Evolution of Swarm Intelligence: A Systematic Review of Particle Swarm and Ant Colony Optimization Approaches in Modern Research (https://link.springer.com/article/10.1007/s11831-025-10247-2)
8. International Journal of System Assurance Engineering and Management (Springer) — IoT-enabled path optimization for smart logistics using Ant Colony Algorithm (https://link.springer.com/article/10.1007/s13198-025-03039-1)
9. Acadlore Transactions on AI and Machine Learning — A Comprehensive Review of Ant Colony Optimization in Swarm Intelligence for Complex Problem Solving (https://www.acadlore.com/article/ATAIML/2024_3_4/ataiml030403)
10. MATLAB Central File Exchange — Ant Colony Optimization (ACO), TSP solver (https://www.mathworks.com/matlabcentral/fileexchange/69028-ant-colony-optimiztion-aco)