La eficiencia de conversión de alimento es de gran relevancia económica en los sistemas de producción de carne. El consumo residual de alimento (RFI) es el indicador utilizado en los programas de mejora genética animal. Su uso masivo ha sido restringido por los altos costos para medir en condiciones comerciales. La selección genómica es una herramienta con gran potencial para estos caracteres, ya que permite predecir el mérito genético de individuos que no pueden ser medidos. La habilidad predictiva es clave para ampliar el uso de esta herramienta. El objetivo de este trabajo fue estimar parámetros genéticos para consumo (CS) y RFI en la población de Hereford nacional, proponer modelos alternativos para RFI y estudiar la habilidad predictiva de los modelos genómicos a través de validaciones cruzadas utilizando la metodología de LR. Los resultados demostraron que tanto CS, como RFI presentan variabilidad genética y heredabilidad alta y moderada (0,45 y 0,25, respectivamente). El CS estuvo genéticamente correlacionado con el peso metabólico (PM), ganancia diaria (GD) y espesor de grasa (EG), mientras que el RFI fue genéticamente independiente de estas. Estos resultados indican una ventaja en el uso del RFI como criterio de selección, ya que la selección por menores RFI se reflejaría en progenies con menor CS sin afectar el desempeño productivo en otros caracteres. Se propusieron dos modelos alternativos para la predicción de valores de cría (VC) para RFI, el primero a partir de la combinación de los DEP obtenidos por un modelo multivariado que considera las características regresoras (CS, PM, GD, EG) y el segundo incorporando el peso al destete (PD) por ser una característica correlacionada con el CS y disponible en gran número de animales. Los DEP obtenidos por estos modelos fueron similares. Estudios de habilidad predictiva confirmaron que los modelos genómicos tuvieron una buena capacidad predictiva para estimar VC para RFI para individuos a partir de su genotipo. El modelo multivariado que incluyó el PD no demostró mejoras en la habilidad predictiva como se esperaba, y obtuvo peores indicadores respecto al modelo univariado convencional.