Usar LLM directamente como clasificadores presenta desafíos significativos: producen etiquetas duras sin calibración confiable, luchan por incorporar datos estructurados junto con texto sin formato y carecen de interpretabilidad sobre qué elementos del prompt influyen en decisiones. Los LLM también llevan incorporados sesgos que pueden no coincidir con la distribución de clases de la población objetivo.

La solución es tratar las salidas de LLM como características dentro de un marco de machine learning tradicional. Envolver un veredicto LLM con regresión logística — p(y=1|x) = σ(α + β·LLM(x)) — recupera probabilidades calibradas, permitiendo control de umbral principiado para intercambios precision-recall. Entrenar con datos etiquetados adapta el modelo a la línea de base poblacional específica y permite la incorporación de covariables estructurados adicionales. Reponderar ejemplos puede apuntar aún más a diferentes distribuciones de interés.

Este enfoque preserva el poder de LLM en datos no estructurados，同时恢复了标准ML算法的理想属性：校准、灵活的特征整合以及更清晰的可解释性，说明LLM信号如何为最终预测做出贡献。LLM成为一个强大的特征提取器，而不是不可靠的端到端分类器。