La planificación precisa de rutas es un desafío fundamental en la logística, particularmente para las pequeñas y medianas empresas que carecen de acceso a costosas herramientas geoespaciales. Este estudio explora si se pueden generar matrices de distancia utilizables y salidas de enrutamiento únicamente a partir de coordenadas geográficas sin depender de una infraestructura basada en mapas completa. Se utilizó un conjunto de datos de más de 5000 ubicaciones postales húngaras para evaluar cinco modelos: escalado basado en Haversine con circuitos, regresión lineal, regresiones polinómicas de segundo y tercer grado, y una red neuronal artificial entrenada. Los modelos se probaron en el conjunto de datos completo y en tres rutas de ejemplo que representan distancias cortas, medias y largas. Se evaluaron tanto la precisión estadística como el rendimiento a nivel de ruta, incluyendo una tarea de optimización práctica. Los modelos estadísticos mantuvieron consistencia interna, pero sobreestimaron sistemáticamente las distancias más largas. El modelo de ANN proporcionó una precisión significativamente mejor en todas las escalas y produjo rutas más consistentes con los caminos basados en mapas. Se introdujo un nuevo método de evaluación para comparar directamente las salidas de enrutamiento. La planificación práctica de rutas se puede lograr sin servicios de SIG. Los estimadores basados en ML ofrecen una alternativa rentable, con potencial para una mayor mejora utilizando conjuntos de datos más grandes, características de entrada adicionales y la integración de la predicción del tiempo de viaje. Este enfoque cierra la brecha entre aproximaciones simplificadas y sistemas de enrutamiento comerciales.