Segun MarkTechPost (AI/ML News), los modelos de inteligencia artificial basados en múltiples expertos (MoE) toman decisiones por token, determinando cuáles de sus submodelos procesarán cada unidad de entrada. Este mecanismo, conocido como enrutamiento, influye directamente en el rendimiento, el equilibrio de carga y el costo operativo de los sistemas. En 2026, siete estrategias de enrutamiento se utilizan en entornos de producción, cada una con características específicas y aplicaciones en modelos destacados.
El enrutamiento se encarga de evaluar cada experto disponible, seleccionar los más adecuados y asignar pesos a sus salidas. Solo los expertos elegidos ejecutan operaciones reales, lo que permite mantener el uso de recursos bajo el umbral de sus capacidades. Por ejemplo, Mixtral 8x7B, aunque cuenta con 47 billones de parámetros, activa solo unos 13 billones por token. Esta eficiencia se logra mediante diversas técnicas de selección. Una de las más comunes es el top-k con softmax, donde se aplican scores lineales a cada experto, se eligen los k más altos y se asignan pesos mediante una función de softmax. Mixtral activa dos de ocho expertos, mientras que modelos como gpt-oss-120b y Qwen3-235B-A22B seleccionan entre cuatro y ocho expertos, respectivamente. En estos casos, se emplea una pérdida auxiliar para distribuir la carga entre expertos, asegurando que ninguno se sobrecargue.
Otra técnica, el enrutamiento por switch con factor de capacidad, permite controlar el número de expertos activos mediante un parámetro que define el límite máximo de uso. Este enfoque, inicialmente desarrollado por Switch Transformer, busca optimizar el equilibrio entre rendimiento y capacidad de procesamiento. La estrategia de puerta sigmoidal, por su parte, utiliza una función de activación para asignar pesos sin necesidad de pérdidas auxiliares, convirtiéndose en la preferida en los modelos más avanzados de 2026. En pruebas, este método ha reducido significativamente el error de predicción, disminuyendo el valor de MaxVio de 0.72 a 0.04 en un modelo de 1 billón de parámetros, con una mejora en el valor de perplexity.
Sin embargo, existen limitaciones notables. El enrutamiento por elección de experto puede revelar información futura en modelos causales, lo que provoca una caída anormal del error de aproximación de hasta un 10%. Además, aunque el equilibrio de sesgo en los pesos no genera gradientes interferentes, el sistema no elimina la necesidad de ajustes en tiempo de servicio para mantener la carga equilibrada.
Para los inversionistas peruanos, estas tecnologías reflejan una evolución en la eficiencia de los sistemas de IA. Aunque aún no están disponibles en el mercado local, su crecimiento indica que los modelos de enrutamiento avanzados podrían reducir costos operativos en servicios como asesoría financiera o análisis de mercado. Comprender cómo se distribuyen las tareas en estos sistemas permite anticipar mejoras en accesibilidad, velocidad y fiabilidad de soluciones tecnológicas que impactan directamente en la toma de decisiones empresariales.