A inseminação artificial em tempo fixo (IATF) é cada vez mais aplicada e estudada em bovinos de corte. No entanto, para aumentar a probabilidade de prenhez por IATF (P/IA), é necessário compreender as diversas variáveis que influenciam esse índice. O objetivo do presente estudo foi identificar e calcular os fatores e calcular os fatores de risco, bem como estimar a capacidade de cada fator e de diferentes modelos estatísticos em predizer o P/IA. Foram analisados 1.832.999 IATFs realizadas entre 2015 e 2019 em 2.002 fazendas na Argentina, Bolívia, Brasil, Paraguai e Uruguai. Os dados incluíram 1.517 touros e 1.529 diferentes inseminadores. Foram incluídos 15 efeitos fixos principais e interações no modelo estatístico, além de cinco efeitos aleatórios. Os seguintes fatores principais influenciaram a P/AI: ordem de serviço [1ª IATF (50,6%^a) vs. ressincronização (47,2%^b); P<0,0001]; classe de escore de condição corporal (ECC) [alta (53,2%^a) vs. média (50,4%^b) vs. baixa (43,1%^c); P<0,0001]; grupo genético da matriz [Bos taurus taurus (50,7%^a) vs. cruzadas (49,2%^b) vs. Bos taurus indicus (46,9%^c); P <0,0001]. A interação entre classe de ECC e grupo genético da matriz foi a que mais influenciou a P/IA [Bos taurus taurus: classe ECC alta (55,7%^a) vs. média (52,3%^b) vs. baixa (43,9%^f); cruzadas: classe ECC alta (54,9%^a) vs. média (50,8%^c) vs. baixo (42,0%^g); Bos taurus indicus: classe de ECC alta (49,2%^d) vs. média (48,1%^e) vs. baixa (43,4%^f); P <0,0001]. Os efeitos aleatórios com maior variância foram fazenda (0,06923; P<0,0001), inseminador (0,06689; P<0,0001) e touro (0,05141; P<0,0001). A habilidade de predição do modelo estatístico completo foi de 0,5988. Como conclusão, foram observadas e mensuradas alterações na P/IA em bovinos de corte na América do Sul de acordo com os diferentes fatores analisados e fazenda, inseminador, touro e a interação entre categoria e classe de ECC da matriz foram, respectivamente, as de maior influência.

Timed artificial insemination (TAI) is increasingly applied to and studied in beef cattle. However, to increase the probability of pregnancy per TAI (P/AI), it is necessary to understand the many variables that influence this rate. The aim of the present study was to identify and calculate the factors and to calculate risk factors, as well as to estimate the ability of each factor and of different statistical models to predict P/AI. A total of 1,832,999 TAIs conducted between 2015 and 2019 on 2,002 farms in Argentina, Bolivia, Brazil, Paraguay, and Uruguay were analyzed. The data comprised 1,517 bulls and 1,529 different AI technicians. The 15 main fixed effects and interactions were included in the statistical model, in addition to five random effects. The following main factors influenced P/AI: order of service [1st TAI (50.6%^a) vs. resynchronization (47.2%^b); P<0.0001]; class of body condition score (BCS) [high (53.2%^a) vs. medium (50.4%^b) vs. low (43.1%^c); P<0.0001]; female genetic group [Bos taurus taurus (50.7%^a) vs. crossbred (49.2%^b) vs. Bos taurus indicus (46.9%^c); P<0.0001]. The interaction between BCS and female genetic group was that most influenced the P/AI [Bos taurus taurus: high (55.7%^a) vs. medium (52.3%^b) vs. low BCS (43.9%^f); crossbred: high (54.9%^a) vs. medium (50.8%^c) vs. low BCS (42.0%^g); Bos taurus indicus: high (49.2%^d) vs. medium (48.1%^e) vs. low BCS (43.4%^f); P<0.0001]. The random variables with the largest variance included farm (0.06923; P<0.0001), AI technicians (0.06689; P<0.0001), and sire (0.05141; P<0.0001). The predictive ability of the complete statistical model was 0.5988. In conclusion, changes in P/AI were observed and measured in beef cattle in South America according to the different factors analyzed, and farm, AI technicians, sire, and the interaction between category and class of female BCS were, respectively, the most influential.