En la era de la industria 4.0 los problemas de la planificación y el control de la producción son muy relevantes en los sistemas de manufactura y su solución es esencial para la optimización de los procesos en la cadena de suministro y la logística. Para resolver estos problemas se han utilizado modelos óptimos (programación matemática), heurísticas, metaheurísticas, simulaciones y metodologías asociadas a herramientas de machine learning. Sin embargo, los resultados de modelos óptimos son demandantes computacionalmente y su aplicación en ambientes productivos reales es impracticable. Alternativamente métodos de aproximación a resultados óptimos (como heurísticas), permitirían direccionar el problema a sistema de control dinámicos y en tiempo real. En la presente tesis doctoral se aborda la programación de talleres de trabajo tipo job shop y la programación del plan maestro de producción. En la programación de talleres de trabajo se secuencian las operaciones con el fin de optimizar alguna medida de interés, para nuestro caso la minimización del makespan. La programación del plan maestro de producción es uno de los problemas de mayor relevancia en la industria moderna ya que busca identificar cuanto y cuando se debe producir. Para este caso se busca obtener planes más estables, evitando fenómenos perjudiciales como la nerviosidad. Estas programaciones (de taller y de plan maestro) son altamente susceptibles a perturbaciones, haciendo necesario generar alternativas que nos permitan amortiguar el deterioro global de las soluciones. Los trabajos que componen esta tesis doctoral introducen estrategias de planificación de la producción usando los paradigmas de los sistemas holónicos, sistemas multiagentes, sistemas controlados por el producto y productos inteligentes para incrementar la flexibilidad de los procesos. Los modelos propuestos se basan en arquitecturas holónicas con diferentes tipos de inteligencia embebida en los recursos lo que permite proveerlos de capacidad de decisión para el flujo de su propio proceso. Esta capacidad de decisión a parte de optimizar los procesos permite a los recursos adaptarse a cambios o perturbaciones internas o externas al sistema, generando sistemas más agiles y con capacidad de adaptación. Particularmente, se generaron modelos de inteligencia artificial con agentes representando virtualmente a productos inteligentes bajo una perspectiva de los sistemas controlados por el producto. En una primera instancia se trabaja sobre configuraciones de taller estándar sujetas a perturbaciones en los tiempos de proceso. Bajo estas condiciones el modelo propuesto reduce hasta en un 10.95% los tiempos de finalización post perturbación. El estudio se continuó analizando la resolución del clásico problema del Job Shop Scheduling Problem en diferentes escalas y bajo una perspectiva descentralizada. Las funciones de inteligencias implementadas fueron heurísticas ampliamente utilizadas en la literatura; shifting bottleneck heuristic y algoritmo evolutivo. La medida de desempeño evaluada es el makespan bajo condiciones óptimas en cortos periodos de ejecución. Las metodologías propuestas obtienen resultados cercanos al optimo en problemas de baja escala. En mayores escalas y en cortos tiempos de ejecución, la metodología propuesta obtiene mejores resultados que modelos óptimos incrementando la capacidad de respuesta con tiempo computacional similar. Por último, al trabajar con el plan maestro de producción es posible reducir la nerviosidad presente en el sistema sin un incremento sustantivo en el costo de producción. Es así como se obtiene una disminución del 11.42% en la nerviosidad con un incremento del 2.39% de los costos totales. Como trabajo futuro se considera explorar instancias de problemas a escala real, incorporando nuevas perturbaciones y mejorando la toma de decisiones a través de una función de inteligencia más robusta. Además, para tener una medida real de flexibilidad es que se debe realizar una revisión bibliográfica para proponer una medida cuantitativa para su evaluación. Junto con esto, es necesario generar agentes con funciones de inteligencia más complejas asociadas a herramientas de inteligencia artificial que nos entreguen mayor conocimiento del proceso optimizando no solo la nerviosidad del sistema.