El cultivo de trigo (Triticum aestivum L.), uno de los cereales más importantes para la seguridad alimentaria mundial, enfrenta crecientes desafíos debido al cambio climático, lo que exige variedades más resilientes. Este estudio evaluó estrategias para potenciar la selección genómica (GS) en trigo, incorporando covariables ambientales (EC) y modelos de regresión aleatoria (RRM) en ensayos multiambiente (MET). Se analizaron datos fenotípicos y genotípicos de 4.291 genotipos del Programa Nacional de Mejoramiento de Trigo (2010-2020) en 71 ambientes, utilizando 45 EC correspondientes a las fases vegetativa, reproductiva y de llenado de grano. A través de regresión por mínimos cuadrados parciales (PLS), se identificaron siete EC claves para modelar la interacción genotipo por ambiente (IGA) y probar su incorporación en diferentes escenarios de predicción genómica (CV0, CV1 y CV2). Se compararon los métodos GBLUP (genomic best linear unbiased prediction), análisis de factores (FA) y RRM en cuanto a su capacidad predictiva. El RRM, con tres o cuatro EC, superó a GBLUP en un 52-124 % de precisión en CV1 y CV2, aunque FA exhibió la mayor precisión general; notoriamente, el mejor RRM en CV1 igualó el rendimiento de FA. Además, el RRM mejoró las predicciones en más del 90 % de los ambientes para ambientes desconocidos (CV0) al probarse distintas combinaciones de EC. En resumen, integrar EC en RRM optimiza la predicción genómica al capturar eficientemente la IGA y reduce la sobreparametrización mediante la selección eficaz de covariables.