Los sistemas de frenos son esenciales para la seguridad y eficiencia operativa de las aeronaves; sin embargo, la variabilidad del desgaste de los frenos de carbono, impulsada por la compleja interacción de factores operativos y ambientales, presenta desafíos para una planificación de mantenimiento efectiva. Este esfuerzo aprovecha los clasificadores de aprendizaje automático para predecir la gravedad del desgaste utilizando datos operativos de la flota de fuselaje ancho de una aerolínea equipada con sensores de desgaste que miden el porcentaje de almohadilla de carbono restante en cada freno. Las métricas específicas de la aeronave a partir de los datos de vuelo se complementan con parámetros meteorológicos y de aeropuerto de FlightAware para capturar mejor el entorno operativo. A través de un benchmarking sistemático de múltiples clasificadores, combinado con una sintonización estructurada de hiperparámetros y cuantificación de incertidumbre, los modelos LGBM y de Árbol de Decisión emergen como los de mejor rendimiento, logrando precisiones predictivas de hasta el 98.92%. La inclusión de variables ambientales mejora sustancialmente el rendimiento del modelo, identificándose la humedad relativa y la dirección del viento como predictores clave. Si bien el aprendizaje automático se ha aplicado extensamente en contextos de mantenimiento predictivo, este trabajo avanza en el campo de la predicción del desgaste de frenos al integrar un conjunto de datos integral que incorpora características operativas, ambientales y específicas del aeropuerto. Al hacerlo, aborda una notable brecha en la literatura existente respecto al impacto de las variables contextuales en la predicción del desgaste de frenos.