El mantenimiento predictivo en la aviación comercial exige modelos altamente confiables y robustos, particularmente para componentes críticos como los frenos de carbono. Este documento aborda dos preocupaciones principales en la modelización del desgaste de los frenos de carbono para variantes de aeronaves distintas: (1) la elección entre desarrollar modelos especializados para tipos de aeronaves individuales frente a un modelo unificado y general, y (2) el potencial del aprendizaje por transferencia (TL) para mejorar el rendimiento del modelo en diversos dominios (por ejemplo, tipos de aeronaves). Evaluamos las compensaciones entre el rendimiento predictivo y la eficiencia computacional al comparar modelos especializados adaptados a tipos de aeronaves específicos con un modelo generalizado diseñado para predecir valores de desgaste continuos en múltiples tipos de aeronaves. Además, exploramos la eficacia del TL para aprovechar el conocimiento existente del dominio y mejorar las predicciones en nuevos contextos relacionados. Nuestros hallazgos demuestran que un modelo generalizado bien ajustado respaldado por TL ofrece un enfoque viable para reducir la complejidad del modelo y las demandas computacionales, manteniendo un rendimiento predictivo robusto y confiable. Las implicaciones de esta investigación se extienden más allá de la aviación, sugiriendo aplicaciones más amplias en el mantenimiento predictivo de componentes donde las ideas impulsadas por datos son cruciales para la eficiencia operativa y la seguridad.