Hoy en día, la investigación experimental de motores representa un campo muy costoso dentro de la industria automotriz, pero sigue siendo fundamental para el desarrollo de motores y vehículos. El presente trabajo tiene como objetivo investigar un enfoque novedoso para la calibración del sistema de control del motor, adoptando técnicas de aprendizaje automático para modelar parámetros físicos del motor a partir de datos experimentales medidos en el banco de pruebas. El objetivo principal es crear una metodología que acelere el proceso de calibración sin perder precisión. Se crea un modelo que estima el flujo de masa de aire adoptando ya sea un modelo de conjunto de árboles o una red neuronal artificial entrenada en un pequeño conjunto de datos, que fue adquirido previamente en el banco de pruebas utilizando una calibración aleatoria del mapa de eficiencia volumétrica. El rendimiento del modelo se valida primero en un conjunto de datos aleatorio más grande. Luego, la eficiencia volumétrica calculada a partir de la estimación del modelo de flujo de masa de aire se utiliza para calibrar la función de transferencia de la Unidad de Control del Motor. Finalmente, la sensibilidad del error del modelo correlacionada con el número de puntos de datos adquiridos se utiliza para determinar la mejor práctica para un Diseño de Experimentos, que minimiza la adquisición de datos. La metodología propuesta puede llevar a una reducción del tiempo y los costos de todo el proceso de calibración del motor, sin perder precisión. El análisis se realizó en todo el vehículo, lo cual es crucial para la manejabilidad, especialmente en motocicletas, ya que son altamente sensibles a los ajustes de la relación aire-combustible. Este trabajo demuestra que los modelos de aprendizaje automático pueden ser adoptados para el ajuste fino del proceso de calibración, que normalmente se realiza manualmente.