La toma de decisiones difusa tradicional a menudo depende de la calibración manual de expertos, lo que es laborioso y susceptible a sesgos subjetivos. Este estudio aborda estas limitaciones proponiendo un nuevo marco que transforma las salidas probabilísticas intrínsecas de los Modelos de Lenguaje Grande (LLMs) en Números Difusos Triangulares (TFNs). Introducimos una estrategia de muestreo de múltiples temperaturas junto con una agregación de cuantiles ponderados y un mecanismo de ajuste de intervalos adaptativo para mapear sistemáticamente la estocasticidad del modelo a distribuciones de posibilidad difusa. La validación empírica en un conjunto de datos prototipo estructurado demuestra que el método propuesto logra una alta consistencia con el consenso de expertos, con GPT-4.2 exhibiendo una precisión central superior y Gemini-2.5 destacando en la cobertura de incertidumbre. Además, en escenarios complejos no estructurados que involucran la opinión pública empresarial, la integración del Protocolo de Contexto del Modelo (MCP) y la Generación Aumentada por Recuperación (RAG) corrige significativamente los sesgos cognitivos y converge los límites de incertidumbre. Esta investigación establece un camino riguroso desde las probabilidades de IA generativa hasta la teoría de decisiones difusas, ofreciendo una solución automatizada robusta para la evaluación cuantitativa de riesgos y el soporte de decisiones inteligentes.