(1) Antecedentes: La mayoría de las plataformas robóticas de MIS carecen de retroalimentación háptica nativa, lo que obliga a los cirujanos a inferir las cargas de los tejidos solo a partir de la visión, una limitación especialmente arriesgada en los procedimientos esofágicos. (2) Métodos: Desarrollamos un pipeline de estimación de fuerza sin sensores y solo con imágenes que mapea el video endoscópico a las fuerzas herramienta-tejido utilizando una CNN EfficientNetV2B0 ligera. El modelo se entrena con 9691 cuadros etiquetados de experimentos esofágicos in vitro y se valida contra una celda de carga FT300. Para la viabilidad intraoperatoria, el sistema se implementa como un complemento en PARA-SILSROB, consumiendo la alimentación existente del laparoscopio y controlando un dispositivo háptico comercial. El tiempo de ejecución procesa cada décimo cuadro de un flujo de 60 FPS (~6 actualizaciones por segundo) con una latencia de ~15-20 ms por predicción. (3) Resultados: En pruebas reservadas, el modelo logra MAE = 0.017 N y MSE = 0.0004 N2, superando una línea base de CNN recurrente mientras mantiene un rendimiento en tiempo real en hardware comercial. Las evaluaciones integradas confirman un funcionamiento estable a la tasa de actualización implementada y una baja latencia compatible con hápticas de bucle cerrado. (4) Conclusiones: Al evitar sensores de fuerza distales y preservar el flujo de trabajo estéril, el enfoque es fácilmente traducible y amigable para la adaptación a las plataformas robóticas actuales. Los resultados apoyan la viabilidad práctica de la retroalimentación de fuerza en tiempo real y sin sensores para la esofagectomía robótica y tareas relacionadas de MIS, con el potencial de reducir el trauma tisular y mejorar la seguridad operativa.