En las últimas décadas, el rápido desarrollo de algoritmos metaheurísticos ha superado la comprensión teórica, con evaluaciones experimentales a menudo eclipsando el análisis riguroso. Si bien los métodos de optimización inspirados en la naturaleza muestran promesas para diversas aplicaciones, su efectividad a menudo se ve limitada por un diseño impulsado por metáforas, sesgos estructurales y una falta de base teórica suficiente. Este documento examina sistemáticamente los desafíos en el desarrollo de técnicas de optimización robustas y generalizables, abogando por un cambio de paradigma hacia marcos modulares y transparentes. Se presenta una revisión exhaustiva de las limitaciones existentes en los algoritmos metaheurísticos, junto con estrategias accionables para mitigar sesgos y mejorar el rendimiento algorítmico. A través del énfasis en el rigor teórico, la validación experimental reproducible y los marcos metodológicos abiertos, este trabajo colma brechas críticas en el diseño de algoritmos. Los hallazgos respaldan la adopción de enfoques de optimización científicamente fundamentados para avanzar en aplicaciones operativas.