Los embalses desempeñan un papel fundamental para enfrentar las sequías y las inundaciones. Las decisiones operativas sobre el manejo del agua almacenada tienen una gran repercusión socio-económica y ambiental; por ejemplo, decidir el volumen de agua diario a emplear para satisfacer las demandas de los clientes, para lo cual es necesario tener el volumen esperado de agua del embalse. En este artículo se emplean técnicas de Inteligencia Artificial (IA), en particular algoritmos de aprendizaje automático (AA), para predecir el volumen de agua de un embalse, usando como caso de estudio el embalse Alacranes, perteneciente a la cuenca Sagua la Grande (SG). Se emplean datos históricos de volumen de agua y entrega por obra de toma junto a las mediciones de precipitación captadas durante varios días por varias decenas de estaciones pluviométricas distribuidas en el área de la cuenca hidrográfica. Para incorporar el efecto del escurrimiento, se exploran variantes de los algoritmos en los cuales los datos de entrada son modificados para tomar en cuenta la contribución de lluvia de k días anteriores. Utilizando los métodos regresión lineal, multilayer perceptron y k-NN, se obtienen modelos de predicción que alcanzan una buena aproximación, como lo muestran algunas métricas para medir la eficacia, R2 > 0.99, RMSE ≈ 4.5 hm3, MAE ≈ 2.5 hm3 y MAPE ≈ 1.5 %. Otra aplicación de las técnicas de IA, en este caso modelos de IA generativa, permitió automatizar la digitalización de parte de la información histórica recopilada. Esta experiencia es replicable en los embalses restantes de la cuenca SG y extensible a otras cuencas hidrográficas del país, que cuenten con datos similares a los empleados en este caso de estudio, en las cuales la toma de decisiones operativas puede ser asistida exitosamente por modelos de ML.