Este trabajo se centra en el desarrollo de un modelo de inteligencia artificial orientado a la estimación automática de costes en procesos de impresión 3D. El objetivo principal es analizar cómo, a partir de archivos técnicos en formato STL, es posible predecir variables clave como el tiempo de impresión, el consumo de material y el coste asociado, utilizando técnicas de deep learning. En primer lugar, se describen los retos asociados al tratamiento de datos geométricos y tabulares, así como las diferentes metodologías evaluadas para abordar el problema, destacando la elección final del enfoque basado en la voxelización de modelos 3D y el uso de redes neuronales convolucionales 3D. A lo largo del proyecto se han tenido que resolver dificultades técnicas relacionadas con la limitación y el desbalance del conjunto de datos, la optimización del pipeline de procesamiento y la integración de la arquitectura de IA utilizando PyTorch Lightning y aceleración por GPU. Como parte de la validación, se han analizado los resultados obtenidos con distintas configuraciones y tamaños de muestra, concluyendo que la precisión del modelo mejora al aumentar la cantidad y la diversidad de los datos empleados en el entrenamiento. Se señala, no obstante, que los modelos actuales presentan limitaciones a la hora de generalizar en escenarios menos representados dentro del dataset. Finalmente, el trabajo destaca la viabilidad de aplicar inteligencia artificial en la predicción de costes en impresión 3D, sentando las bases para futuras mejoras tanto en la arquitectura del modelo como en la adquisición y gestión de datos. Además, se plantea la integración del sistema en entornos empresariales reales y se sugieren líneas de trabajo futuro para abordar los desafíos identificados durante el desarrollo.