La congestión del tráfico y las emisiones de carbono siguen siendo desafíos urgentes en la movilidad urbana. Este estudio explora la integración de sistemas de monitoreo basados en UAV (drones) y sensores IoT, modelados como bucles de inducción, con Modelos de Lenguaje Grande (LLMs) para optimizar el flujo de tráfico. Utilizando el simulador SUMO, realizamos experimentos en tres escenarios urbanos: Pacific Beach y Coronado en San Diego, y Argüelles en Madrid. Un LLM experimental Gemini-2.0-Flash se conectó con la simulación para ajustar dinámicamente las velocidades de los vehículos en función de las condiciones de tráfico en tiempo real. Los resultados comparativos indican que el enfoque asistido por IA reduce significativamente la congestión y las emisiones de CO2 en comparación con una simulación base sin intervención de IA. Esta investigación destaca el potencial de los marcos IoT mejorados por UAV para una gestión del tráfico adaptativa y escalable, alineándose con el futuro de las soluciones de movilidad urbana asistidas por drones.