En este artículo, presentamos una metodología novedosa para la gestión de inventario en la industria farmacéutica, considerando la naturaleza de su cadena de suministro. Los modelos de inventario tradicionales a menudo no logran capturar las particularidades del sector farmacéutico, caracterizado por un espacio de almacenamiento limitado, degradación del producto y créditos comerciales. Para abordar estas particularidades, utilizando la lógica difusa, proponemos modelos que son adaptables a escenarios del mundo real. Los modelos propuestos están diseñados para reducir los costos totales tanto para los proveedores como para los clientes, una brecha no explorada en la literatura existente. Nuestra metodología emplea la aritmética de números difusos pentagonales (PFN) y la optimización de Kuhn-Tucker. Además, la integración del clasificador naive Bayes (NB) y el uso del paquete de inteligencia artificial Weka aumentan la efectividad de nuestro modelo en entornos de toma de decisiones complejos. Un hallazgo clave es la alta precisión de clasificación del modelo, con el clasificador NB categorizando correctamente aproximadamente el 95.9% de los escenarios, lo que indica una eficiencia operativa. Este hallazgo se complementa con la capacidad del modelo para determinar la cantidad óptima de producción, considerando factores de costos relacionados con la fabricación y el transporte, lo cual es esencial para minimizar los costos totales de inventario. Nuestra metodología, basada en el aprendizaje automático y la lógica difusa, mejora la gestión de inventario en sectores dinámicos como la industria farmacéutica. Si bien nuestro enfoque se centra en un escenario de un solo producto entre proveedores y compradores, la investigación futura espera ampliar este enfoque a contextos más amplios, como condiciones epidémicas y otras aplicaciones.