Este estudio presenta una metodología para optimizar las mezclas de concreto mediante la integración de aprendizaje automático (ML) y algoritmos genéticos. Se utilizan modelos de ML para predecir la resistencia a compresión, mientras que los algoritmos genéticos optimizan el costo de la mezcla bajo restricciones de calidad. Utilizando un conjunto de datos de más de 19,000 muestras de un productor local de concreto premezclado, se entrenaron y evaluaron varios modelos predictivos de ML con respecto a soluciones rentables. Los resultados muestran que las mezclas optimizadas cumplen con el rango de resistencia a compresión deseado y son rentables, siendo algunas de las soluciones con un costo por debajo de los casos de prueba. CatBoost surgió como la mejor técnica de ML, logrando un error absoluto medio (MAE) por debajo de 5 MPa. Este enfoque combinado mejora la calidad, reduce los costos y mejora la eficiencia de producción en la fabricación de concreto.