Analogía: el LLM es como un ingeniero
Piensa en un ingeniero del estudio.
Su capacidad depende de su preparación profesional: formación, experiencia, juicio. Hay ingenieros más capaces y menos capaces para ciertas tareas. Un large language model —LLM: modelo grande de lenguaje— se parece a eso: modelos más o menos capaces según cómo fueron entrenados y dimensionados. No todos «ingenieros digitales» rinden igual ante el mismo problema.
Pero incluso el mejor ingeniero trabaja distinto según el entorno:
- Con más herramientas (software del estudio, Excel auditado, GIS).
- Con mejor ambiente de trabajo (políticas claras, archivos versionados, revisión).
- Con mejor maquinaria (motores, scripts, chequeos).
Eso, alrededor de un modelo de IA, es el harness: el arnés / taller con el que el «ingeniero» trabaja. El mismo LLM se comporta de forma distinta según el harness. Mismo modelo, distinto taller: distinta calidad de trabajo, distinta evidencia, distinto riesgo.
Esta nota forma parte de la serie sobre el harness de IA para ingeniería civil. Lee junto al system prompt y al prompt engineering: el taller, las políticas y la orden de trabajo.
Qué es un LLM en una frase de oficina
Un LLM predice el siguiente fragmento de texto a partir de una distribución de probabilidad condicionada por el contexto. En cada paso elige —con más o menos aleatoriedad según la configuración— entre alternativas plausibles.
Eso produce texto útil, resúmenes, borradores y propuestas de pasos. No produce, por sí solo, la solución numérica de un modelo estructural con la misma semántica que OpenSees, CalculiX o ETABS.
Probabilístico vs determinista, en lenguaje de obra:
- Chat / LLM: texto plausible. Dos corridas del mismo pedido pueden diferir. Eso es muestreo, no bug raro.
- Motor (OpenSees, ETABS, CalculiX, etc.): dado el mismo modelo, la misma versión del motor y los mismos parámetros, el resultado es determinista. Si cambia, investigas el input o el motor —no «la creatividad» del sistema.
No inventamos cifras aquí. La lección no necesita un número inventado: necesita que no trates una conversación como si fuera un solve.
Mismo pedido, dos resultados
Ilustración —demo de escritorio, no caso de cliente.
- Mismo pedido dos veces al chat: dos textos o dos números. Anota la diferencia.
- Mismo modelo físico a un motor (OpenSees o CalculiX, por ejemplo) con los mismos inputs: el resultado es determinista dado el modelo, la versión del motor y los parámetros.
Esta pieza no repite el artículo del harness entero. El foco aquí es el rol: por qué AEC no trata el párrafo como si fuera ETABS, y por qué el mismo LLM luce distinto cuando el harness le da manos, políticas y parada.
Bajar temperature reduce variedad. No convierte al chat en un motor de elementos finitos. Ayudas de reproducibilidad en algunos APIs (seeds y similares) pueden estabilizar salidas; siguen siendo muestreo sobre un modelo de lenguaje, no la resolución de un sistema de ecuaciones con tu masa, tu rigidez y tu solver versionado.
Señales de que estás a punto de firmar una conversación
- No puedes nombrar archivo, versión, motor y parámetros.
- El número apareció en prosa, sin traza de tool.
- La segunda corrida no coincide y igual piensas «está cerca».
- Confundes confianza retórica con convergencia.
- Usas temperature 0 como si fuera sello de calidad estructural.
- Crees que «el modelo es muy bueno» sustituye evidencia de motor.
Si alguna de esas es verdad, no pegues. Pide evidencia de motor o deja el texto como borrador de redacción.
Qué sí puede hacer el LLM (sin mentirte)
- Ayudar a plantear el problema y listar supuestos.
- Revisar un deck o un script antes de correrlo.
- Explicar un resultado que ya salió del motor.
- Redactar una nota que separa hechos, supuestos y advertencias.
- Preparar una orden de trabajo clara (ver prompt engineering) o respetar políticas persistentes (ver system prompt).
Lo que no puede: sustituir el solve ni transferir tu matrícula.
Misión de esta pieza: no confíes la probabilidad del chat para números de ingeniería. El número serio sale del motor con traza. El chat puede ayudarte a pensar; no a firmar.
El mismo LLM, distinto harness
Vuelve a la analogía del ingeniero.
El mismo profesional, sin herramientas y sin políticas, improvisará. Con herramientas, políticas (system prompt), chequeos y firma, el trabajo es otro. El harness no hace que el LLM «calcule» como ETABS; hace que el trabajo alrededor del LLM sea auditable: qué se pidió, qué se ejecutó, qué se verificó, quién aprobó.
Por eso «cambiar de modelo» no es la única palanca. A veces el modelo es suficiente y falta taller. A veces el taller está vacío y el modelo solo escribe.
Si quieres el mapa del arnés completo, lee qué es un harness de IA.
Fuentes
- OpenAI — documentación sobre uso avanzado y no determinismo de completions (consulta la guía oficial).
- OpenSees — sitio oficial del motor
Evaluación y limitaciones
Trata las notas siguientes como contexto de evaluación, no como un cálculo o una revisión verificados.
Si necesitas el mismo resultado dos veces, el cálculo debe vivir en un motor determinista con evidencia, no en el chat.