El uso de sistemas inteligentes de recomendación de cultivos se ha vuelto crucial en la era de la agricultura inteligente para aumentar el rendimiento y mejorar la utilización de recursos. En este estudio, comparamos diferentes modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) utilizando datos tabulares estructurados para la recomendación de cultivos. Durante nuestra experimentación, tanto los modelos de ML como los de DL lograron un rendimiento aceptable. Sin embargo, sus arquitecturas no son adecuadas para establecer sistemas conversacionales. Para superar esta limitación, convertimos los datos tabulares estructurados en datos textuales descriptivos y los utilizamos para ajustar modelos de lenguaje grande (LLMs), incluyendo BERT y GPT-2. En experimentos exhaustivos, demostramos que GPT-2 logró una mayor precisión del 99.55% en comparación con los mejores modelos de ML y DL, manteniendo una precisión del 99.58% y una recuperación del 99.55%. También demostramos que GPT-2 no solo mantiene una precisión competitiva, sino que también ofrece capacidades de interacción en lenguaje natural. Debido a esta capacidad, es una opción viable para ser utilizada en sistemas de soporte de decisiones agrícolas en tiempo real.