Los algoritmos de Aprendizaje Automático (AA) se han utilizado como una alternativa a los métodos convencionales y geoestadísticos en la cartografía digital de atributos del suelo. Una ventaja de los algoritmos de AA es su flexibilidad para utilizar diversas capas de información como covariables. Sin embargo, los algoritmos de AA vienen en muchas variaciones que pueden dificultar su aplicación por parte de los usuarios finales. Para llenar este vacío, se desarrolló un complemento que utiliza herramientas modernas de inteligencia artificial (IA) y que es compatible con el Sistema de Información Geográfica QGIS Versión 3. Para generar mapas interpolados, se implementaron la Kriging Ordinaria (KO) y el algoritmo (). El modelo puede utilizar capas vectoriales y ráster disponibles en QGIS como covariables en el momento de la interpolación. Las covariables en el modelo fueron seleccionadas en función de la correlación espacial medida por el Índice de Moran (I"Moran). Para evaluar el rendimiento del complemento, se realizó un estudio de caso con datos de atributos del suelo recopilados en un área de 75 ha, ubicada en la región central del estado de Goiás, Brasil. Se realizaron comparaciones de rendimiento entre KO y para cuadrículas de muestreo con 38, 75 y 112 puntos muestreados. y se utilizaron para evaluar el rendimiento de los métodos. se encontró superior a KO en la predicción de atributos químicos del suelo en las tres densidades de muestra probadas y, por lo tanto, se recomendó para la predicción de atributos del suelo. En este estudio de caso, los atributos del suelo con valores que van de 0.05 a 0.83 y de 0.07 a 12.01 fueron predichos por los métodos probados.