La optimización eficiente de rutas de ventas es un desafío crítico en logística y distribución, especialmente bajo condiciones del mundo real que involucran variabilidad de tráfico y restricciones dinámicas. Este estudio propone un novedoso Algoritmo Genético Híbrido (GAAM-TS) que integra Mutación Adaptativa, Búsqueda Tabú y un modelo de predicción de tiempo de viaje basado en LSTM para habilitar una planificación de rutas inteligente en tiempo real. El enfoque aborda las limitaciones de los algoritmos genéticos tradicionales al mejorar la calidad de la solución, mantener la diversidad de la población e incorporar estimaciones de tráfico basadas en datos a través del aprendizaje profundo. Los resultados experimentales en datos del mundo real del conjunto de datos de Taxis de NYC muestran que GAAM-TS supera significativamente tanto a GA Estándar como a las variantes GA-AM, logrando hasta un 20% de mejora en la eficiencia de viaje y manteniendo la robustez en diferentes tamaños de problema. Aunque GAAM-TS conlleva mayores costos computacionales, es más adecuado para escenarios de optimización fuera de línea o por lotes, mientras que GA-AM proporciona una alternativa equilibrada para aplicaciones casi en tiempo real. La metodología propuesta es aplicable a la entrega de última milla, enrutamiento de flotas y gestión de territorios de ventas, ofreciendo una solución escalable y adaptable. El trabajo futuro explorará estrategias de paralelización y extensiones multiobjetivo para enrutamiento consciente de la sostenibilidad.