La agricultura es uno de los sectores fundamentales para la subsistencia y el progreso de la humanidad. La demanda de alimentos a nivel mundial aumenta constantemente debido al crecimiento de la población y el cambio en los patrones de consumo a esto sumado el cambio climático que enfrentamos actualmente. Para enfrentar estos desafíos, es necesario optimizar y mejorar los procesos agrícolas, lo que ha llevado a la adopción de tecnologías emergentes como el Internet de las Cosas (IoT) y el aprendizaje automático. La implementación de IoT y la Inteligencia artificial con técnicas de aprendizaje automático supervisado en invernaderos permite la construcción de sistemas inteligentes para la automatización, monitoreo y control de distintos parámetros ambientales, lo que puede mejorar significativamente la eficiencia y la predicción de condiciones óptimas en la productividad de los cultivos. En este contexto, el ESP32 emerge como una plataforma de bajo costo y alto rendimiento para el desarrollo de soluciones IoT. La presente investigación busca explorar y desarrollar un sistema basado en ESP32 para la automatización, monitoreo y control de invernaderos IoT. Se utilizará un enfoque cuantitativo con un tipo estudio descriptivo que permitirá medir las variables críticas dentro del invernadero. Se usará una metodología sistémica SCRUM definida por Sprints para la construcción del prototipo, el desarrollo del sistema con aplicación del aprendizaje automático y la interfaz gráfica que permita el análisis y la predicción para toma de decisiones por parte del usuario del sistema. Dentro de los resultados obtenidos se tiene un dispositivo IoT funcional el cual recopila diferentes tipos de datos por medio de sensores conectados a él, con estos datos el sistema es capaz de activar actuadores en caso de detectar una anomalía en el invernadero, los datos son obtenidos en tiempo real y cargados a una Real time data base en firebase, que esta a su vez está conectada a una aplicación web con una interfaz gráfica para la visualización de los datos obtenidos por el dispositivo IoT y a una red neuronal para la toma de decisiones y predicción de estados del cultivo. En un futuro el sistema tendrá la capacidad de reconocer y adaptarse a cualquier tipo de cultivo en el que este instalado. También tendrá la posibilidad de elegir manualmente el tipo de cultivo por medio de un menú para que el sistema, debidamente entrenado tenga la capacidad de brindar las condiciones óptimas para el normal desarrollo de cualquier cultivo a escoger y se mejorara la interfaz gráfica para una mejor interpretación de los estados y resultados.