En numerosos problemas de enrutamiento del mundo real, es necesario optimizar simultáneamente múltiples objetivos en conflicto, como minimizar la distancia mientras se maximiza la eficiencia energética. Los enfoques tradicionales de optimización multiobjetivo, incluidos los algoritmos clásicos de Optimización por Colonia de Hormigas (ACO), suelen aproximar un frente de Pareto y postergar la toma de decisiones a una fase separada. Este trabajo introduce una extensión de ACO orientada por preferencias para problemas de enrutamiento multi-objetivo, en la que se incorpora directamente una política de decisión dinámica dentro del proceso de búsqueda. Nuestra propuesta mantiene colonias de hormigas independientes para cada objetivo, permitiendo que cada una desarrolle sus propias estructuras de feromonas y heurísticas sin interferencia entre objetivos. Durante la construcción de soluciones, el algoritmo realiza una fusión dinámica de la información de feromonas mediante un operador de agregación ponderada. Estos pesos, basados en una función de utilidad escalarizada, pueden variar dinámicamente en el tiempo, el espacio o según el estado del problema, permitiendo una adaptación en tiempo real a las preferencias del usuario, a las restricciones de recursos o a condiciones del entorno. El enfoque propuesto se prueba en el Problema del Viajero Vendedor Multiobjetivo (MO-TSP) y en un problema de enrutamiento bi-ojetivo basado en datos de OpenStreetMap enriquecidos con aristas multi-atributo. La implementación explora distintas variantes del MO-ACO para evaluar tanto la calidad de las soluciones como la eficiencia computacional.