La agroindustria de alimentos procesados se ha consolidado como un sector estratégico para el desarrollo sostenible, la generación de empleo y la seguridad alimentaria, tanto a nivel global (Da Silva et al., 2009; FAO, 2013) como en el contexto colombiano (Mendoza & Agricultores, 2020). En Colombia, esta actividad tiene un rol clave en la transformación productiva y en el fortalecimiento del desarrollo rural, gracias a su capacidad para agregar valor, dinamizar las cadenas de suministro y responder a la creciente demanda de alimentos procesados asociada a fenómenos como la urbanización y los cambios en los hábitos de consumo (Dahal et al., 2024; Da Silva y Baker, 2013). No obstante, las empresas agroindustriales enfrentan múltiples restricciones estructurales que limitan su eficiencia y competitividad, incluyendo la volatilidad de los precios agrícolas, la estacionalidad de la materia prima, las deficiencias en infraestructura, el limitado acceso a financiamiento y la baja inversión en innovación tecnológica (Mustafa et al., 2024; Sierra-González, 2021; Zghurska, 2021; Montoya-Restrepo & Montoya-Restrepo, 2022). Estos desafíos afectan particularmente a las Mipymes, que constituyen una parte significativa del sector. En este contexto, el presente proyecto se enmarca en la línea de investigación Gestión y Desempeño Organizacional en Mipymes y tiene como objetivo general evaluar los factores que inciden en la eficiencia y la productividad de las empresas agroindustriales de alimentos procesados en Colombia durante el periodo 2019–2024, mediante la aplicación de la metodología DEA con bootstrapping y algoritmos de inteligencia artificial, con el fin de generar evidencia que fortalezca la gestión de recursos, la toma de decisiones estratégicas y la competitividad del sector. La investigación adopta una metodología cuantitativa. Se estimará la eficiencia técnica mediante el modelo DEA con bootstrap y la productividad con el índice de Malmquist, descomponiendo los resultados en eficiencia técnica, cambio técnico y de escala. Adicionalmente, se implementará una red neuronal multicapa (MLP) con algoritmos de aprendizaje supervisado y técnicas de explicabilidad (SHAP o LIME), para diagnosticar y predecir niveles de eficiencia. Finalmente, se aplicarán modelos de regresión para identificar los factores que explican las variaciones observadas en la eficiencia y productividad empresarial. En consecuencia, se espera que los resultados del proyecto ofrezcan evidencia científica y herramientas analíticas para diagnosticar el uso de recursos en las empresas agroindustriales, identificar brechas de desempeño y formular estrategias de mejora basadas en benchmarking. Así mismo, podrían servir como insumo técnico para la formulación de políticas públicas más eficaces, orientadas al fortalecimiento de un sector clave para la transformación productiva, el desarrollo rural y la seguridad alimentaria en Colombia.