Este documento propone el concepto de transformadores sesgados y aleatorizados, una metodología novedosa que combina técnicas sesgadas y aleatorizadas con aprendizaje profundo basado en transformadores para la optimización "ágil" (es decir, optimización en tiempo real que se lleva a cabo de manera iterativa en sistemas dinámicos). Por un lado, las técnicas de aleatorización sesgada se han utilizado en el pasado para inyectar aleatoriedad controlada en heurísticas codiciosas, convirtiéndolas así en algoritmos probabilísticos capaces de generar miles de soluciones de buena calidad mientras preservan la lógica heurística. Por otro lado, los modelos de transformadores pueden capturar patrones complejos a través de miles de variables. Una vez entrenados, estos modelos pueden verse como heurísticas impulsadas por datos capaces de proporcionar soluciones rápidas a nuevas instancias y adaptarse a entradas cambiantes. La combinación de técnicas de aleatorización sesgada con transformadores entrenados permite una exploración y selección rápida de soluciones de alta calidad para problemas de optimización combinatoria NP-duros. El documento incluye dos estudios de caso que ilustran el potencial de estos transformadores sesgados y aleatorizados.