La expansión de las tecnologías digitales en la ganadería lechera (ganadería lechera de precisión) ha creado nuevas oportunidades para el uso sistemático de datos, lo que puede llevar a procesos de producción más eficientes. Este estudio tuvo como objetivo desarrollar y evaluar modelos para predecir la producción diaria de leche de las vacas lecheras durante el verano. Esta producción se modeló a nivel individual, incluyendo los días en leche y el grupo de paridad como covariables de referencia en todos los análisis. Se definieron y evaluaron tres escenarios de conjunto de características, en los que se añadieron el índice de temperatura-humedad (ITH) y la historia de producción de leche a las variables de referencia, ya sea por separado (Escenarios 1 y 2) o conjuntamente (Escenario 3). El rendimiento se evaluó utilizando validación de avance continuo, y la selección de características se anidó dentro de la ventana de entrenamiento de cada iteración. El rendimiento del modelo lineal mixto (LMM) se comparó luego con dos modelos de aprendizaje automático, el bosque aleatorio (RF) y la máquina de impulso de gradiente (GBM), dentro del mismo marco experimental. En el Escenario 3, los tres modelos mostraron ajustes similares (R2 = 0.92 y coeficiente de correlación de concordancia = 0.96), aunque el modelo GBM presentó un error menor (error cuadrático medio [RMSE] = 2.07 +/- 0.22, error absoluto medio [MAE] = 1.39 +/- 0.12) que el modelo RF (RMSE = 2.10 +/- 0.23, MAE = 1.45 +/- 0.13) y el LMM (RMSE = 2.15 +/- 0.22, MAE = 1.41 +/- 0.10). En general, añadir el ITH y la historia reciente de producción de leche a las variables de referencia mejoró la precisión de la predicción a corto plazo en este conjunto de datos, siendo el modelo GBM el que mostró el menor error. Estos resultados pueden apoyar a los agricultores y gerentes de ganado en la predicción de la producción de leche a corto plazo bajo condiciones de estrés por calor y en la toma de decisiones de gestión oportunas.