La capacidad de predecir el rendimiento máximo de un robot industrial que ejecuta tareas no deterministas puede mejorar la productividad del proceso a través de estrategias de planificación y programación basadas en el tiempo. Estas estrategias requieren la configuración y comparación de un gran número de tareas en tiempo real para tomar una decisión; por lo tanto, se requiere un método eficiente de estimación del tiempo de ejecución de tareas. En este trabajo, proponemos el uso de modelos de redes neuronales para aproximar la función de tiempo de tarea de un robot genérico de múltiples grados de libertad; los modelos se entrenan utilizando datos obtenidos de sofisticados algoritmos de planificación de movimiento que optimizan la forma de la trayectoria y la ley de movimiento ejecutada, teniendo en cuenta el modelo cinemático y dinámico del robot. Para fines de programación, proponemos evaluar solo los modelos de redes neuronales, limitando así el uso en línea del software de planificación de movimiento a la definición completa de la tarea programada. El modelo de red neuronal propuesto presenta una interfaz uniforme y un procedimiento de implementación que es fácilmente adaptable a robots y tareas genéricas. Los resultados del artículo muestran que los modelos son precisos y más eficientes que el proceso completo de planificación, teniendo tiempos de evaluación compatibles con la optimización de procesos en tiempo real.