El control de los sistemas de ventilación se realiza a menudo mediante algoritmos automáticos que, a menudo, no consideran la evolución futura del sistema en sus políticas de control. Los gemelos digitales permiten la previsión del sistema para un control más sofisticado. Este artículo explora una metodología novedosa para crear un modelo de Aprendizaje Automático (ML) para el control predictivo de un sistema de ventilación combinando Dinámica de Fluidos Computacional (CFD) con Inteligencia Artificial (IA). Este modelo predictivo fue creado para prever la evolución de la temperatura y la humedad de una habitación ventilada que se implementará en un gemelo digital para mejores estrategias de control no supervisado. Para replicar el rango completo de condiciones anuales, se configuró y ejecutó una serie de simulaciones CFD basadas en datos estacionales recopilados por sensores posicionados dentro y fuera de la habitación. Estas simulaciones generaron un conjunto de datos utilizado para desarrollar el modelo predictivo, que se basó en una Red Neuronal Profunda (DNN) con capas completamente conectadas. Se evaluó el rendimiento del modelo, obteniendo errores absolutos promedio finales de 0.34 grados Kelvin para la temperatura y 2.2 puntos porcentuales para la humedad relativa. Los resultados presentados destacan el potencial de esta metodología para crear gemelos digitales impulsados por IA para el control de la ventilación de habitaciones.