La tarea de clustering consiste en la clasificación no supervisada de patrones (observaciones, datos, vectores, etc.) en grupos. Este problema ha sido analizado en varios contextos y por investigadores de distintas disciplinas, reflejando su amplia utilidad. Si bien se han propuesto distintas alternativas para abordar las tareas de clustering, existe un área particularmente interesante y novedosa que ha planteado distintos enfoques bio-inspirados que incluyen los algoritmos genéticos y algoritmos basados en la metáfora del comportamiento de las hormigas. En este trabajo, analizamos la utilización de algoritmos basados en el comportamiento de hormigas en la Minería de Datos, y más específicamente, en la tarea de clustering. Entre estos algoritmos podemos mencionar al AntTree, inspirado en las posibilidades de auto-ensamblaje de las hormigas reales. También se propone una extensión a este algoritmo que incluye la capacidad de desconexión del árbol por parte de las hormigas con el objeto de posicionarse en otro grupo más adecuado. Ésto permite flexibilizar el proceso del descubrimiento de clusters dentro de los datos a analizar. La factibilidad del enfoque propuesto es analizada experimentalmente considerando distintas instancias del problema de clustering. Los resultados obtenidos son comparados con los del algoritmo AntTree original y los de K-means, uno de los algoritmos de clustering tradicional más utilizados.