Los Modelos Basados en Agentes (ABMs) tradicionales a menudo tienen dificultades para capturar la complejidad de la toma de decisiones adaptativa de los humanos durante crisis complejas debido a su dependencia de reglas estáticas y predefinidas. Los Modelos de Lenguaje Grande (LLMs) ofrecen una solución transformadora al actuar como motores cognitivos que empoderan a los agentes con un razonamiento de sentido común similar al humano. En este artículo, introducimos un marco de Simulación Multi-Agente impulsado por LLM para investigar las dinámicas epidémicas-económicas acopladas, incorporando un bucle de Percepción-Deliberación-Acción (PDA). Los agentes, actuando como entidades cognitivas heterogéneas, utilizan procesos de Cadena de Pensamiento para equilibrar de manera autónoma los riesgos para la salud con las necesidades económicas. Este enfoque genera comportamientos adaptativos endógenamente sin necesidad de un guion explícito. Resultados experimentales extensos a través de diversos backends de LLM confirman la robustez del marco, revelando trayectorias socioeconómicas divergentes bajo distintas condiciones macroscópicas y cuantificando de manera efectiva las compensaciones entre la salud pública y la estabilidad económica. Este enfoque establece un laboratorio computacional de alta fidelidad para investigar escenarios complejos bajo distintas condiciones macroscópicas, cerrando efectivamente la brecha entre la cognición a nivel micro y los resultados sociales a nivel macro.