High levels of animal performance and health depend on high-quality nutrition. Determining forage quality both reliably and quickly is essential for improving animal production. The present study describes the use of near infrared reflectance spectroscopy (NIRS) for the quantification of nutritional quality (dry matter (DM), water-soluble carbohydrates (WSC), crude protein (CP), in vitro dry matter digestibility (DMD), organic matter digestibility (OMD), neutral detergent fiber (NDF) and the WSC/CP ratio) in samples from fresh pastures in southern Chile (39° to 40° S). Calibration models were developed with wet chemistry and NIRS spectral data using partial least squares regression (PLSR). The coefficients of determination in the validation set ranged between 0.69 and 0.93, and the error of prediction varied from 0.064 to 2.89. The evaluation of the model confirmed the high predictive ability of NIRS for DM and CP and its low predictive ability for DMD, OMD, NDF and the WSC/CP ratio. It was not possible to obtain a model for WSC because it would have required an increased number of samples to improve the spectral variability and the R2 value (> 80%).La nutrición influye en el rendimiento y salud animal, donde la determinación rápida y confiable de la calidad del forraje es esencial para mejorar la producción animal. El presente estudio describe el uso de la espectroscopía de reflectancia del infrarrojo cercano (NIRS) para la cuantificación de la calidad nutricional en términos de materia seca (MS), proteína cruda (PC), carbohidratos solubles en agua (CHOS), digestibilidad in vitro de la MS (DIV), digestibilidad de la materia orgánica (DMO), fibra detergente neutro (FDN) y la relación CHOS/PC en praderas frescas del sur de Chile (39 a 40° S). Los modelos de calibración se desarrollaron entre la química húmeda y los datos espectrales NIRS usando la regresión por mínimos cuadrados parciales (PLSR). El rango de coeficientes de determinación en el conjunto de validación varió entre 0,69 y 0,93 y el error de predicción entre 0,064 y 2,89. La evaluación del modelo obtenido confirmó la alta capacidad predictiva del NIRS para MS y PC, baja capacidad predictiva para FDN, DIV, DMO y la relación CHOS/PC. No fue posible obtener un modelo para CHOS, siendo necesario aumentar el número de muestras y así mejorar la variabilidad espectral y el valor de R2 (>80%).