Ejecutar un modelo de lenguaje en dispositivos de borde permite razonamiento privado y de baja latencia, pero los modelos que caben en hardware limitado suelen fallar en tareas que requieren razonamiento estructurado, como cálculos aritméticos, algebra o lógica formal. Estas fallas provienen de la naturaleza probabilística de los modelos, que no garantizan resultados exactos cuando la entrada sigue un patrón determinista. Además, la creciente demanda de aplicaciones de IA en entornos sin conectividad, como IoT industrial o vehículos autónomos, ha puesto de relieve la necesidad de soluciones que combinen fiabilidad con restricciones de recursos.

En la práctica, la mayoría de las consultas que parecen exigir razonamiento son, en realidad, estructuralmente determinísticas y admiten soluciones simbólicas rápidas y exactas. Cuando una pregunta se reduce a una operación matemática, a la resolución de una ecuación lineal o a la verificación de una regla lógica, el proceso puede describirse mediante un autómata finito o una tabla de verdad, lo que permite obtener la respuesta sin ambigüedad. Aprovechar ese determinismo evita la sobrecarga de los modelos probabilísticos, que consumen energía y tiempo sin aportar precisión adicional en problemas bien definidos, y permite que los dispositivos de bajo consumo mantengan una alta tasa de éxito en tareas críticas.

Nuestro router neurosimbólico clasifica cada consulta entrante y la dirige al motor más adecuado: motores simbólicos determinísticos para tareas estructuradas y el modelo de lenguaje pequeño para preguntas abiertas. El proceso de clasificación se implementa mediante un DFA aprendido con el algoritmo L*, que construye automáticamente un autómata finito a partir de ejemplos etiquetados y de la propia salida del modelo de lenguaje como oráculo de membresía. De esta forma, el router decide en tiempo real si una pregunta necesita razonamiento simbólico exacto o si puede ser resuelta de forma probabilística, sin requerir programación manual del flujo de datos.

El algoritmo L* funciona iterativamente, generando preguntas de prueba que el modelo de lenguaje responde como si fuera un oráculo de membresía, y comparando esas respuestas con las etiquetas proporcionadas por un oráculo de equivalencia que indica si dos consultas son equivalentes. Cada iteración refina la estructura del DFA hasta que la clasificación de todas las consultas posibles coincide con los datos de entrenamiento, garantizando una precisión de routing del 100 % en los tests. La capacitación se realiza offline, por lo que el coste computacional no afecta la latencia en tiempo real del dispositivo edge.

La evaluación se llevó a cabo en una Raspberry Pi 4 B con 8 GB de RAM y sin unidad gráfica, utilizando 100 preguntas no vistas extraídas de DeepMind Mathematics, GSM8K y RuleTaker. El router alcanzó una precisión del 100 % en la clasificación y una exactitud global de 98,3 % con un presupuesto de razonamiento de 512 tokens, de los cuales el 93,3 % correspondió a problemas de lenguaje natural. En comparación, el baseline de Program‑of‑Thought obtuvo 72,0 % y un agente de llamadas a herramientas solo 58,7 %, mientras que la latencia promedio de las respuestas estructuradas osciló entre 1 y 11 ms, lo que representa una mejora de 8,8 veces en velocidad frente a Program‑of‑Thought y 2,8 veces mayor eficiencia energética.

Esta eficiencia se traduce en una reducción significativa del consumo de energía, lo que prolonga la vida útil de baterías en dispositivos portátiles y permite ejecutar IA de forma continua en entornos con suministro limitado. Al delegar las consultas determinísticas a motores de bajo coste computacional, el router minimiza el uso de ciclos de procesador y de energía de la GPU inexistente, logrando un rendimiento comparable al de soluciones basadas en la nube pero con la ventaja de operar de forma autónoma y sin depender de la conectividad.

Las implicaciones son claras para sectores que requieren respuestas rápidas y fiables, como la robótica, la monitorización de infraestructuras críticas y la toma de decisiones en tiempo real. Un router que garantiza exactitud en cálculos y lógica sin sacrificar la flexibilidad del lenguaje natural abre la puerta a aplicaciones antes inviables en hardware de borde, desde asistentes virtuales en dispositivos médicos hasta sistemas de control industrial.

Aunque la metodología depende de datos etiquetados para entrenar el DFA, la tendencia indica que los routers neurosimbólicos pueden convertirse en un estándar para la computación confiable en el edge, ofreciendo una alternativa práctica a los enfoques puramente probabilísticos y acercando la IA a la verdadera robustez operativa. Futuras versiones podrían integrar técnicas de aprendizaje activo para reducir la necesidad de anotaciones manuales y ampliar la cobertura a dominios más amplios.