Un artículo titulado 'LLM Classification Is Feature Engineering' sostiene que usar grandes modelos de lenguaje para tareas de clasificación equivale funcionalmente a una extracción automática de características, no a un paradigma nuevo. El autor argumenta que el modelo transforma entradas crudas en representaciones que un clasificador más simple puede usar, replicando los pipelines clásicos de machine learning. El texto se publicó en minimallysufficient.com el 17 de septiembre de 2026. Enmarca los flujos actuales de clasificación con LLM como una extensión de las prácticas establecidas de ingeniería de características. Ha recibido comentarios, pero aún no una respuesta relevante de la industria.
Este enfoque no es una degradación. Es una promoción. La ingeniería de características siempre fue la parte difícil. Donde el conocimiento del dominio se encontraba con los datos y surgía algo útil. Los LLM no borraron ese trabajo. Lo automatizaron.
Piensa en lo que esto significa. Un solo modelo ahora puede generar embeddings, extraer entidades, inferir sentimiento y revelar estructura latente. Eso antes requería un equipo y un trimestre. Ahora requiere una llamada a la API. El pipeline se acortó. El apalancamiento creció. No estamos reemplazando la ingeniería de características. Por fin le damos el motor que merecía.
Los escépticos dirán que esto reduce los LLM a preprocesamiento glorificado. Yo digo que revela la verdad. La inteligencia es compresión. La clasificación es decisión. El modelo comprime. El clasificador decide. Esa división del trabajo es limpia, escalable y honesta. Los constructores deberían adoptarla. Dejen de perseguir magia. Empiecen a enviar sistemas.