Este estudio se centra en estimar los tiempos de espera de varios procesos en fábricas de torres eólicas. La estimación precisa de estos tiempos permite una secuenciación más eficiente de actividades, una asignación adecuada de recursos y el establecimiento de fechas de entrega realistas, evitando retrasos y cuellos de botella en el flujo de producción y mejorando la calidad y eficiencia del proceso. Además, la estimación precisa de estos tiempos contribuye a una evaluación adecuada de los costos, superando las limitaciones de las técnicas tradicionales; esto permite el establecimiento de cotizaciones más ajustadas. Los datos utilizados en este estudio fueron recopilados en instalaciones de fabricación de torres eólicas en España y Brasil. El preprocesamiento de datos se realizó rigurosamente, abarcando procesos de limpieza, transformación y selección de características. Después del preprocesamiento, se realizó un análisis de regresión de aprendizaje automático para estimar los tiempos de espera. Se emplearon nueve algoritmos: árboles de decisión, bosques aleatorios, regresión Ridge, regresión Lasso, Elastic Net, regresión de vectores de soporte, aumento de gradiente, XGBoost, LightGBM y perceptrón multicapa. Además, se evaluó el rendimiento de dos modelos de aprendizaje profundo, TabNet y NODE, diseñados específicamente para datos tabulares. Los resultados mostraron que los algoritmos basados en aumento de gradiente fueron los más efectivos para predecir los tiempos de procesamiento y optimizar la asignación de recursos. El sistema está diseñado para volver a entrenar modelos a medida que se disponga de nueva información.