Estimar con precisión los requerimientos de proteína de las vacas lecheras en lactancia es crucial para mejorar la utilización de nutrientes y promover una producción de leche sostenible. Este estudio exploró la aplicación de técnicas de aprendizaje automático (ML) para predecir dos componentes del requerimiento de proteína: proteína neta para mantenimiento (NPm) y proteína neta para lactancia (NPl), utilizando un conjunto de datos compilado a partir de estudios experimentales publicados sobre vacas Holstein en lactancia. Se entrenaron algoritmos de regresión de bosque aleatorio (RFR) y regresión de vectores de soporte (SVR) para aproximar los valores objetivo calculados utilizando las ecuaciones de NASEM (2021). Entre los dos enfoques, el modelo RFR superó consistentemente al SVR en términos de precisión predictiva, explicando más del 80 por ciento de la variación en ambos NPm y NPl. Estos hallazgos demuestran el potencial de los modelos de ML para servir como aproximadores sustitutos de salidas mecanicistas, ofreciendo eficiencia computacional y aplicabilidad práctica en programas de alimentación de precisión. Se justifica realizar más investigaciones para validar estos modelos en condiciones de campo y explorar su integración en marcos de modelado híbrido.