El análisis de sentimientos basado en aspectos (ABSA) es una tarea fundamental en la minería de opiniones, centrada en identificar los sentimientos expresados hacia aspectos específicos de una entidad. La extracción automática de aspectos sigue siendo uno de los desafíos más importantes dentro de este proceso, particularmente en el contexto del español. Para enfrentar este desafío se explora un novedoso mecanismo de ensamble de modelos de Transformers usando un enfoque difuso. En este trabajo se presenta un método de extracción de aspectos basado en la fusión modelos Transformer mediante la aplicación del operador WOWA (Weighted Ordered Weighted Averaging) para agregar las salidas de los modelos, incorporando la importancia y la fiabilidad de cada modelo en la agregación. Las técnicas tradicionales de ensamble tratan las salidas de los modelos de manera equitativa o con pesos fijos, ignorando la fiabilidad contextual o la dinámica de rendimiento relativo en distintos escenarios. En contraste, el operador WOWA ofrece una agregación más flexible y expresiva al integrar tanto la importancia (pesos), como el ordenamiento (ranking) de las salidas. El método propuesto fue evaluado utilizando el conjunto de datos de reseñas SemEval2016, y los resultados demuestran que el ensemble basado en WOWA no solo mejora el rendimiento en la extracción de aspectos, sino que también proporciona un mecanismo más flexible e interpretable para combinar salidas heterogéneas de los Transformers, además de aportar una nueva perspectiva sobre las estrategias de ensemble de modelos Transformers