A eficiência reprodutiva é crucial para a produtividade da pecuária de corte, embora as taxas de prenhez na inseminação artificial em tempo fixo (IATF) apresentem alta variabilidade. Este estudo avaliou os efeitos de protocolos hormonais e do escore de condição corporal (ECC) na probabilidade de prenhez em 295 vacas Nelore, comparando regressão logística com algoritmos de machine learning: support vector machine (SVM), multilayer perceptron (MLP), XGBoost e um modelo de soft-voting ensemble. O desempenho preditivo foi limitado em todos os modelos, com valores de AUC variando de 0,541 a 0,588. Embora o SVM tenha obtido a maior acurácia (0,732) e o modelo ensemble o melhor equilíbrio (MCC = 0,271), a baixa capacidade de discriminação sugere que a complexidade algorítmica não compensa a ausência de variáveis biológicas de alta resolução. Os achados indicam que a melhoria na predição da fertilidade em gado Nelore depende mais da incorporação de novos dados fisiológicos do que da seleção do modelo