Siempre ha sido un tema de gran interés en la gestión del transporte aéreo poder estimar la carga de trabajo de los controladores. Hasta ahora, la investigación no ha tenido la oportunidad de hacer uso de datos reales sobre las acciones del controlador. Tenemos suficientes datos para poder utilizar métodos de aprendizaje automático. El objetivo de este trabajo es predecir las acciones del controlador para conocer su carga de trabajo. Se probaron varios modelos de aprendizaje automático para intentar diferentes combinaciones de características y finalmente se eligieron dos modelos. Las predicciones proporcionadas por los modelos son lo suficientemente buenas como para ser utilizadas cuando se busca obtener una primera aproximación de la carga de trabajo en un sector. Finalmente, se emplearon técnicas de explicabilidad para descubrir los patrones encontrados por la IA en los modelos de aprendizaje automático. Gracias a estas técnicas, podemos construir un perfil de los vuelos críticos que más aumentan la carga de trabajo.