Predecir la carga de trabajo para tareas en la fabricación es un desafío complejo debido a las numerosas variables involucradas. En las pequeñas y medianas empresas (PYMES), este proceso a menudo se basa en la experiencia, lo que lleva a predicciones inexactas que impactan significativamente la planificación de la producción, la gestión de pedidos y, en consecuencia, la capacidad de cumplir con los plazos de los clientes. Este documento presenta un enfoque que aprovecha el aprendizaje automático para mejorar la predicción de la carga de trabajo con una recopilación de datos mínima, lo que lo hace particularmente adecuado para las PYMES. Se ha llevado a cabo una aplicación de estudio de caso utilizando modelos de aprendizaje automático supervisado para regresión, entrenados en una plataforma de análisis de datos, informes e integración de código abierto (KNIME Analytics Platform). Se empleó un enfoque de regresión de Aprendizaje Automático Automatizado (AutoML) para identificar el modelo más adecuado para la predicción de la carga de trabajo de tareas basado en la minimización de los puntajes de Error Absoluto Medio (MAE). Específicamente, el modelo de Árbol de Regresión (RT) demostró una precisión superior en comparación con las predicciones manuales y de promedio simple más tradicionales al modelar datos para un solo tipo de producto. Al incorporar todos los datos de productos disponibles, a pesar de una ligera disminución en el rendimiento, el Conjunto de Árboles XGBoost aún superó a los enfoques tradicionales. Estos hallazgos destacan el potencial del aprendizaje automático para mejorar la previsión de la carga de trabajo en la fabricación, ofreciendo una solución práctica y fácilmente implementable para las PYMES.