Este artículo presenta un enfoque para la simulación de las operaciones de maquinado a través de la Inteligencia Artificial, que garantiza un aprendizaje automático de los rasgos distintivos en los procesos del corte de metales. En la investigación fueron considerados varias arquitecturas de redes neuronales artificiales del tipo perceptrón multicapa, para establecer relaciones entre algunos parámetros de régimen de corte y los índices tecnológicos de mecanizado, a partir de la información generada en la experimentación real. Para la concepción de estrategias de corte adecuadas con los insertos CT5015-P10 y C4225-P25, se consideraron como magnitudes para la entrada de los modelos: la velocidad de corte, el tiempo de duración del experimento, el tiempo de maquinado, el número de pasadas y la posición de la herramienta de corte sobre la probeta. Éstas determinaron el comportamiento de las componentes de la fuerza de corte resultante en el torneado del acero AISI 1045, con fines de obtener las potencias de corte que definen la energía consumida por unidad de volumen. El modelo seleccionado fue el mejor evaluado según el error cuadrático medio y el coeficiente de regresión R², reflejando buena precisión en la aproximación. Estos resultados evidenciaron un buen nivel de fiabilidad en la predicción del consumo específico de energía bajo diversas condiciones de mecanizado, en función de adoptar las medidas de ahorro pertinentes.