Las características de calidad de las semillas, como el tamaño de la semilla, el contenido de aceite y proteínas, la acumulación de minerales y las características morfológicas, son cruciales para mejorar la productividad de los cultivos, el valor nutricional y la comercialización. Los métodos tradicionales de mapeo de loci de rasgos cuantitativos (QTL), como el análisis de ligamiento y los estudios de asociación a nivel genómico (GWAS), han desempeñado un papel fundamental en la identificación de loci asociados con estos rasgos complejos. Sin embargo, estos enfoques a menudo tienen dificultades con datos genómicos de alta dimensión, herencia poligénica e interacciones genotipo-por-ambiente (GXE). Los avances recientes en inteligencia artificial (IA) y aprendizaje automático (ML) ofrecen alternativas poderosas que permiten una predicción de rasgos más precisa, asociaciones robustas entre marcadores y rasgos, y una selección de características eficiente. Esta revisión presenta una visión integrada de las aplicaciones de IA/ML en el mapeo de QTL y la predicción de rasgos de semillas, destacando metodologías clave como la regresión LASSO, Random Forest, Gradient Boosting, ElasticNet y técnicas de aprendizaje profundo que incluyen redes neuronales convolucionales (CNN) y redes neuronales de grafos (GNN). Un estudio de caso sobre la acumulación de nutrientes minerales en semillas de soja ilustra la efectividad de los modelos de ML en la identificación de SNPs significativos en los cromosomas 8, 9 y 14. LASSO y ElasticNet lograron consistentemente una precisión predictiva superior en comparación con los modelos basados en árboles. Más allá de la soja, los métodos de IA/ML han mejorado la detección de QTL en trigo, lechuga, arroz y algodón, apoyando la disecación de rasgos en diversas especies de cultivos. También exploré la integración impulsada por IA de datos multi-ómicos: genómica, transcriptómica, metabolómica y fenómica, para mejorar la resolución en el mapeo de QTL. Si bien persisten desafíos en términos de interpretabilidad del modelo, validación biológica y escalabilidad computacional, los desarrollos en IA explicable, aprendizaje de múltiples vistas y fenotipado de alto rendimiento ofrecen avenidas prometedoras. Esta revisión subraya el potencial transformador de la IA para acelerar la cría asistida por genómica y desarrollar variedades de cultivos de alta calidad y resilientes al clima.