La población mundial en aumento y el cambio climático hacen necesarias métodos sostenibles de producción ganadera para satisfacer la creciente demanda de alimentos. La Ganadería de Precisión (PLF) integra tecnologías de información y comunicación (TIC) para mejorar la eficiencia agrícola y la salud animal. A diferencia de los métodos tradicionales, PLF utiliza algoritmos de aprendizaje automático (ML) para analizar datos en tiempo real, proporcionando información valiosa a los tomadores de decisiones. La cría de ganado lechero en climas diversos es un desafío y requiere estructuras bien diseñadas para regular los parámetros ambientales internos. Este estudio explora la aplicación del algoritmo Prophet desarrollado por Facebook para predecir las temperaturas interiores en una granja lechera en un horizonte de 72 horas. Las variables exógenas obtenidas de la plataforma Open-Meteo mejoran la precisión del modelo. El documento detalla la construcción del estudio de caso, la adquisición de datos, el preprocesamiento y el entrenamiento del modelo, resaltando la importancia de la estacionalidad en las variables ambientales. La validación del modelo utilizando métricas clave muestra una precisión consistente en diferentes fechas, ya que el error porcentual absoluto medio en base diaria varía entre 1,71% y 2,62%. Los resultados indican un excelente rendimiento del modelo, especialmente considerando el contexto operativo. El estudio concluye que los modelos de caja negra, como el algoritmo Prophet, son efectivos para predecir las temperaturas interiores en edificaciones ganaderas y proporcionan información valiosa para el control ambiental y la optimización en la producción ganadera. Investigaciones futuras deberían explorar modelos de caja gris que integren las características físicas de los edificios para mejorar el rendimiento predictivo y el control del sistema HVAC.