MicMac Asistido por LLMs. Comprobación de los procedimientos
Beatriz Valdez
2025-07-01
Introducción
En la entrada anterior comprobamos los resultados de las matrices generadas por Gemini y las visualizamos empleando el plano Motricidad/Dependencia. Esta segunda entrada procederemos a comprobar el resultado con cálculos propios. Para ello tomaremos la matriz inicial general por Gemini y procederemos a hacer las multiplicaicones sucesivas. Enfocaremos el análisis en la última matriz y en su plano correspondiente.
Verificación del procedimiento. Cálculos propios
Pre-procesamientos
Se parte de la matriz original creada por Gemini.
#Paquetes necesarios
library(flextable) # para visualizar las matrices
library(tidyverse) # tiene, entre otros, el paquete ggplot con el que se crea el plano motricidad/dependencia
library(ggttheme) # para usar temas adicionales en ggplot
library(ggrepel) # para evitar la aglomeracion de texto en un mismo punto
# matriz original
flextable(data.frame(M_original) %>%
rownames_to_column(" "))
| V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | V10 | V11 | V12 | V13 | V14 | V15 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
V1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 0 | 1 |
V2 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 1 | 1 | 1 | 0 | 1 | 0 | 1 |
V3 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 |
V4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 |
V5 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 |
V6 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 |
V7 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 1 | 0 | 1 |
V8 | 1 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 1 | 0 | 1 | 0 | 1 |
V9 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 |
V10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
V12 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V14 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Se operan las multiplicaciones sucesivas, empezando con la matriz cuadrada
# Preparacion de la data para obtenerla en formato de matriz
M <- micmac[, 2:16] # elimino la columna 1, tiene texto
M <- data.frame(M) # convierto en dataframe
M1 <- sapply(M1, as.numeric) # me aseguro que los valores sean numericos
M_original <- as.matrix(M) # transoformo en matriz
#Efectuo las operaciones para elevar a potencias sucesivas
M_cuadrada <- M_original%*% M_original
M_cubo <- M_original %*% M_cuadrada
M_cuatro <- M_original %*% M_cubo
M_cinco <- M_original %*% M_cuatro
Para facilitar la creación de del plano Motricidad/Dependencia, genero el siguiente script:
crea_matriz <- function(datos){
k <- ncol(datos) - 1 # verifica el numero de columnas y resta 1
M <- datos[, 2:ncol(datos)] # recrea el dataframe sin la primera columna
M <- data.frame(M) # convierte en dataframe
colnames(M) <- paste0("V", 1:k) # reduce los nombres de filas y columnas a
rownames(M) <- paste0("V", 1:k) #V1, V2 ...
# calculos los valores de columnas y filas para obtener los
# las posiciones de las variables en el plano
M1 <- data.frame("Abbr." = paste0("V", 1:15),
variables = nombres, Motrices = rowSums(M),
Dependientes = colSums(M))
rownames(M1) <- NULL # elimina nombres de las filas
return(list(matriz = M, # obtengo ambos procedimientos en una sola corrida
plano = M1))
}
El script se aplica a las distintas matrices obtenidas, variando cada vez el nombre
Con este procedimiento obtengo por un lado la matriz correspondiente y, por el otro, el plano de Motricidad/Dependencia para cada matriz:
## $matriz
## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14 V15
## V1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
## V2 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1
## V3 0 0 0 1 0 0 0 0 0 1 1 1 1 0 1
## V4 0 0 0 1 0 0 0 0 0 1 0 1 1 0 0
## V5 0 1 1 1 0 1 1 1 1 1 1 1 1 0 1
## V6 0 1 0 1 0 0 0 0 0 1 0 1 1 0 1
## V7 1 1 1 1 0 0 1 1 1 1 1 1 1 0 1
## V8 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
## V9 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1
## V10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## V11 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
## V12 0 0 0 1 0 0 0 0 0 1 0 1 1 0 0
## V13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## V14 0 0 1 1 0 1 0 1 1 1 1 0 1 0 1
## V15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
##
## $plano
## Abbr. variables
## 1 V1 Ideología de la Supremacía Racial/Blanca
## 2 V2 Narrativas de "Sobrepoblación" y "Degradación Ambiental"
## 3 V3 Xenofobia/Antinmigración
## 4 V4 Militarización/Violencia como Solución (Aceleracionismo)
## 5 V5 Nostalgia por una "Edad de Oro"/Mito de Origen Étnico
## 6 V6 Antihumanismo/Misantropía
## 7 V7 Autoritarismo/Rechazo de la Democracia Liberal
## 8 V8 Eugenismo/Control Reproductivo Coercitivo
## 9 V9 Apropiación/Distorsión de Conceptos Científicos (Pseudociencia)
## 10 V10 Propaganda/Difusión en Plataformas Digitales
## 11 V11 Infiltración/Cooptación de Movimientos Legítimos
## 12 V12 Descentralización/Clandestinidad Operativa
## 13 V13 Vulnerabilidad de Minorías/Grupos Marginados
## 14 V14 Desconexión con las Causas Reales de la Crisis Ambiental
## 15 V15 Aceptación/Normalización de Tropos Ecofascistas
## Motrices Dependientes
## 1 14 5
## 2 13 7
## 3 6 7
## 4 4 11
## 5 12 2
## 6 6 6
## 7 12 6
## 8 14 7
## 9 13 7
## 10 0 12
## 11 1 8
## 12 4 10
## 13 0 11
## 14 9 0
## 15 0 9
Los distintos planos de Motricidad/Dependencia se obtendrá con un gráfico como el siguiente, variando los nombres del dataset de entrada
mcuadrada %>%
#select(1,3,4) %>%
ggplot(aes(x= Dependientes, y = Motrices, label = Variables )) +
geom_point() +
expand_limits(x = c(0, 15)) +
expand_limits(y = c(0,15)) +
geom_text_repel(hjust = 0, nudge_x = 0.05,
fontface = "bold") +
geom_vline(xintercept = c(25),
linetype= 2, color = "#aca6a9", alpha =0.5) +
geom_hline(yintercept = c(18),
linetype= 2, color = "#aca6a9", alpha =0.5) +
theme_tufte() +
theme(strip.background = element_rect(fill="white",
color = "white"),
strip.text =element_text(size = 22, hjust = 0))+
annotate(
"text", label = "Motoras",
x = 10, y = 30, size = 8,
colour = "red"
) +
annotate(
"text", label = "Clave",
x = 32, y = 30, size = 8,
colour = "red"
) +
annotate(
"text", label = "Autonomas",
x = 10, y = 10, size = 8,
colour = "red"
) +
annotate(
"text", label = "Resultado",
x = 32, y = 10, size = 8,
colour = "red"
)
Matriz cuadrada
# matriz cuadrada
flextable(data.frame(M_cuadrada) %>%
rownames_to_column(" "))
| V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | V10 | V11 | V12 | V13 | V14 | V15 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
V1 | 2 | 3 | 3 | 4 | 0 | 1 | 1 | 3 | 2 | 9 | 6 | 1 | 6 | 0 | 7 |
V2 | 1 | 3 | 1 | 2 | 0 | 0 | 1 | 1 | 1 | 6 | 3 | 1 | 4 | 0 | 4 |
V3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 1 | 1 | 0 | 0 |
V4 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V5 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 0 | 1 | 0 | 1 |
V6 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 1 | 2 | 1 | 1 | 2 | 0 | 1 |
V7 | 1 | 1 | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 4 | 2 | 1 | 3 | 0 | 2 |
V8 | 0 | 2 | 3 | 4 | 1 | 2 | 1 | 4 | 2 | 6 | 5 | 0 | 4 | 0 | 5 |
V9 | 1 | 1 | 2 | 1 | 0 | 1 | 1 | 1 | 2 | 3 | 2 | 0 | 2 | 0 | 2 |
V10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 |
V13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V14 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 1 | 1 | 1 | 0 | 1 | 0 | 1 |
V15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Lo que da lugar al siguiente plano de Motricidad/Dependencia:
Matriz elevada al cubo
| V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | V10 | V11 | V12 | V13 | V14 | V15 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
V1 | 3 | 8 | 9 | 11 | 2 | 5 | 5 | 8 | 8 | 25 | 14 | 4 | 17 | 0 | 15 |
V2 | 1 | 3 | 6 | 7 | 1 | 4 | 2 | 6 | 5 | 13 | 8 | 2 | 9 | 0 | 8 |
V3 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 |
V5 | 2 | 3 | 3 | 4 | 0 | 1 | 1 | 3 | 2 | 9 | 6 | 1 | 6 | 0 | 7 |
V6 | 1 | 3 | 1 | 3 | 0 | 0 | 1 | 1 | 1 | 6 | 3 | 1 | 4 | 0 | 4 |
V7 | 0 | 2 | 3 | 5 | 1 | 2 | 1 | 4 | 2 | 8 | 5 | 1 | 5 | 0 | 5 |
V8 | 5 | 8 | 7 | 8 | 0 | 2 | 4 | 5 | 6 | 24 | 13 | 4 | 16 | 0 | 15 |
V9 | 1 | 5 | 4 | 6 | 1 | 2 | 2 | 5 | 3 | 12 | 8 | 1 | 8 | 0 | 9 |
V10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V12 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V14 | 1 | 3 | 1 | 2 | 0 | 0 | 1 | 1 | 1 | 6 | 3 | 1 | 4 | 0 | 4 |
V15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
flextable::flextable(data.frame(M_cubo) %>%
rownames_to_column(" "))
Plano de motricidad y dependencia
Matriz elevada a la cuarta potencia
| V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | V10 | V11 | V12 | V13 | V14 | V15 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
V1 | 10 | 24 | 24 | 34 | 3 | 11 | 11 | 24 | 19 | 73 | 43 | 11 | 49 | 0 | 48 |
V2 | 7 | 16 | 12 | 18 | 1 | 4 | 7 | 11 | 10 | 43 | 24 | 7 | 29 | 0 | 28 |
V3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 |
V4 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V5 | 3 | 8 | 9 | 11 | 2 | 5 | 5 | 8 | 8 | 25 | 14 | 4 | 17 | 0 | 15 |
V6 | 1 | 3 | 6 | 7 | 1 | 4 | 2 | 6 | 5 | 14 | 8 | 3 | 10 | 0 | 8 |
V7 | 5 | 8 | 7 | 9 | 0 | 2 | 4 | 5 | 6 | 25 | 13 | 5 | 17 | 0 | 15 |
V8 | 5 | 18 | 22 | 30 | 5 | 13 | 10 | 23 | 18 | 58 | 35 | 8 | 39 | 0 | 37 |
V9 | 6 | 11 | 13 | 15 | 1 | 6 | 6 | 11 | 11 | 37 | 21 | 6 | 25 | 0 | 23 |
V10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 |
V13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V14 | 1 | 3 | 6 | 7 | 1 | 4 | 2 | 6 | 5 | 13 | 8 | 2 | 9 | 0 | 8 |
V15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
flextable::flextable(data.frame(M_cuatro) %>%
rownames_to_column(" "))
Plano de motricidad
Matriz elevada a la quinta potencia
| V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | V10 | V11 | V12 | V13 | V14 | V15 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
V1 | 27 | 64 | 69 | 91 | 10 | 34 | 34 | 64 | 58 | 203 | 115 | 34 | 138 | 0 | 126 |
V2 | 12 | 32 | 41 | 53 | 7 | 23 | 18 | 40 | 34 | 110 | 64 | 18 | 75 | 0 | 68 |
V3 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 |
V5 | 10 | 24 | 24 | 34 | 3 | 11 | 11 | 24 | 19 | 73 | 43 | 11 | 49 | 0 | 48 |
V6 | 7 | 16 | 12 | 19 | 1 | 4 | 7 | 11 | 10 | 43 | 24 | 7 | 29 | 0 | 28 |
V7 | 5 | 18 | 22 | 31 | 5 | 13 | 10 | 23 | 18 | 59 | 35 | 9 | 40 | 0 | 37 |
V8 | 28 | 59 | 56 | 76 | 5 | 23 | 28 | 51 | 46 | 179 | 101 | 30 | 121 | 0 | 114 |
V9 | 12 | 34 | 34 | 48 | 6 | 17 | 17 | 34 | 28 | 101 | 59 | 15 | 68 | 0 | 65 |
V10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V12 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
V14 | 7 | 16 | 12 | 18 | 1 | 4 | 7 | 11 | 10 | 43 | 24 | 7 | 29 | 0 | 28 |
V15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
flextable::flextable(data.frame(M_cinco) %>%
rownames_to_column(" "))
Plano de Motricidad/Dependencia
Valoración de los resultados
El sistema converge claramente a partir de la cuarta potencia. Sin embargo, la visión del sistema que emerge es muy distinto al que propone Gemini tanto en la interpretación de las matrices tal como emerge de los cálculos propuestos por el Modelo, como del plano Motricidad/Dependencia final que Gemini aparentemente interpreta. Con los cálculos propios en el procedimiento se obtiene:
Variables Clave / de Enlace (Alta Motricidad, Alta Dependencia): En este análisis ninguna de las variables presenta estas características.
Variables Motoras / de Entrada (Alta Motricidad, Baja Dependencia): Son las más influyentes, con gran poder para impulsar cambios en el sistema y poca influencia recibida. Actuar sobre ellas es clave para transformar el sistema. En el análisis, estas son:
V10, Propaganda/Difusión en Plataformas Digitales
V13, Vulnerabilidad de Minorías/Grupos Marginados
V15, Aceptación/Normalización de Tropos Ecofascistas
V11, Infiltración/Cooptación de Movimientos Legítimos
Variables de Resultado / de Salida (Baja Motricidad, Alta Dependencia): Estas variables sufren el impacto de los cambios en otras, siendo “efectos” o “síntomas” del sistema; actuar directamente sobre ellas sin modificar los motores subyacentes es poco efectivo. Se identificaron:
V8, Eugenismo/Control Reproductivo Coercitivo
V1, Ideología de la Supremacía Racial/Blanca
Variables Autónomas / de Contexto (Baja Motricidad, Baja Dependencia): Poseen poca influencia y son poco influenciadas por el sistema, a menudo son factores externos o periféricos. Estas son:
- V4, Militarización/Violencia como Solución (Aceleracionismo)
- V3, Xenofobia/Antinmigración
- V2, Narrativas de “Sobrepoblación” y “Degradación Ambiental”
- V9, Apropiación/Distorsión de Conceptos Científicos (Pseudociencia)
- V7, Autoritarismo/Rechazo de la Democracia Liberal
- V12, Descentralización/Clandestinidad Operativa
- V6, Antihumanismo/Misantropía
- V14, Desconexión con las Causas Reales de la Crisis Ambiental
- V5, Nostalgia por una “Edad de Oro”/Mito de Origen Étnico
La imagen que emerge es totalmente distintas a la que elabora Gemini. Es un sistema relativamente estable que, curiosamente, también se corresponde con uno de los debates académicos sobre el ecofascismo. El “Eugenismo/Control Reproductivo Coercitivo” y la “Ideología de la Supremacía Racial/Blanca” son variables cuya aceptación, promoción y sostenimiento en el tiempo depende de la “Propaganda/Difusión en Plataformas Digitales”, “Vulnerabilidad de Minorías/Grupos Marginados”, “Aceptación/Normalización de Tropos Ecofascistas”, y la “Infiltración/Cooptación de Movimientos Legítimos”. Y en ese orden de ideas, las variables que emergen como Autónomas, suelen ser argumentos que surgen en determinados momentos y caracterizan el fenómeno del ecofascismo, particularmente en los medios.
En la literatura puede ubicarse una visión que señala al ecofascismo no como un fenómeno de moda que surge y resurge en momentos de crisis, sino como un proyecto político/ideológico en cuyo núcleo existe el contenido del tropos ecofascista y a partir de esta convicción genera narrativas que difunde por diversos medios, en particular las redes sociales, para señalar y atacar grupos vulnerables. Los objetivos de este proyecto son claros y se vinculan con la conformación de un Lebensraum para un grupo étnico específico. En función de ese objetivo, tomará diversas acciones e instrumentalizará diversas agendas.
El resultado del MicMac utilizando un LLM es fructífero. La aparente alucinación ha generado dos posibles sistemas que pueden dar pie a reflexiones y consideraciones adicionales en los equipos de planificación, particularmente al contrastarlo con el sistema emergente a partir de los cálculos propios. Esta forma de abordar el MicMac es un modo de experimentación que puede ayudar a fortalecer el pensamiento estratégico. El ecofascismo es un fenómeno complejo y por tanto “endomoniado” (wicked problema). No es factible pensar que una sola línea de acción es suficiente para generar respuestas contundentes a las amenazas que el fenómeno supone. Nuestra formación académica enfatiza la exactitud y la precisión, ignorando, en muchas ocasiones que los sistemas complejos no por sus propias características no pueden ser ni aprehendidos ni manejados según esos lineamientos. Se requiere reflexión, diálogo, aproximaciones parciales, aceptar las equivocaciones e incorporarlas a la reflexión, se requiere experimentación más que precisión. Estos aspectos están presentes en este ejercicio.
Por otro lado, y tal como indica la literatura, al tomar los LLMs como medios para realizar con mayor rapidez análisis de la magnitud que implica el MicMac, se debe tener presente que existen altas probabilidades de alucinaciones. Por consiguiente es necesaria la inspección humana. Finalmente, es importante continuar desarrollando ejercicios y experimentos adicionales, desde distintas perspectivas, que permitan la incorporación de los LLMs en esta y otras áreas de la planificación.