En este informe se presenta el trabajo realizado sobre la aplicación de modelos de aprendizaje automático en la predicción de producción de un aserradero en Uruguay. Para ello, se relevó y analizó la literatura en torno al objeto de estudio y de este modo se mostró en qué fase de desarrollo se encuentra actualmente. Finalmente, se seleccionó un caso de estudio de un aserradero local, con el fin de evaluar distintos modelos para predecir el patrón de corte de una troza y de esta manera estimar la cantidad y tipo de productos que se obtienen de la misma a partir de sus dimensiones. Dado el contexto, donde las variables objetivo están estructuralmente relacionadas, se experimentó con modelos que manejan múltiples entradas y salidas de manera conjunta (MIMO), bajo la hipótesis de que esta correlación podría aprovecharse para producir predicciones más coherentes. De esta manera, se evaluaron un total de 29 modelos entre regresión y clasificación, donde los modelos de regresión obtienen mejor desempeño global. Aunque las redes neuronales alcanzan el mejor desempeño, la mejora respecto a modelos más simples (100-NN, Ridge, Lasso y Linear Regression) no justifica el incremento en complejidad de implementación y tiempo de entrenamiento, por lo que estos últimos se presentan como alternativas eficientes y prácticas. El análisis de atributos indica que el diámetro menor de uno de los extremos de una troza es el factor más relevante ya que en regresión, por sí solo concentra gran parte del poder predictivo, lo que sugiere la posibilidad de implementar modelos efectivos con mediciones simples y de bajo costo. Las trozas más pequeñas, con menor volumen y mayor curvatura, resultan más difíciles de predecir, mientras que las trozas grandes y geométricamente estables son más predecibles. Además, se observa que los productos con baja productividad por troza son intrínsecamente más complejos para los modelos. Finalmente, aunque el mejor valor de F1 obtenido es intermedio y no se identifican casos triviales, los resultados confirman la viabilidad del enfoque propuesto.