El rápido avance de los Modelos de Lenguaje Grande (LLMs) ha llevado a una inversión sustancial en la mejora de sus capacidades y la expansión de sus conjuntos de características. A pesar de estos desarrollos, sigue existiendo una brecha crítica entre la sofisticación del modelo y su implementación confiable en aplicaciones del mundo real. Una preocupación clave es la inconsistencia de las salidas generadas por LLM en entornos de producción, lo que obstaculiza la escalabilidad y la fiabilidad. En respuesta a estos desafíos, proponemos un nuevo marco que integra lógica basada en reglas definidas por el usuario para restringir y guiar el comportamiento de los LLM de manera efectiva. Este marco impone límites de respuesta deterministas mientras considera las capacidades de razonamiento del modelo. Además, introducimos un mecanismo de puntuación de rendimiento cuantitativo que logra una mejora del 85.5% en la consistencia de las respuestas, facilitando salidas de modelo más predecibles y responsables. El sistema propuesto es independiente de la industria y puede generalizarse a cualquier dominio con un esquema de validación bien definido. Este trabajo contribuye a la creciente investigación sobre la alineación de los LLM con restricciones operativas estructuradas para garantizar un despliegue seguro, robusto y escalable.