La estimación temprana del esfuerzo es importante para planificar eficientemente el uso de recursos en un proyecto de Tecnologías de la Información (TI). Sin embargo, se ha realizado una investigación limitada sobre el tema de la estimación del esfuerzo en el desarrollo de software ágil utilizando inteligencia artificial. Este proyecto de investigación contribuye a fortalecer el uso de modelos híbridos compuestos por modelos algorítmicos y técnicas orientadas al aprendizaje como un método de estimación del esfuerzo a nivel de proyecto en marcos ágiles. La estimación del esfuerzo en métodos ágiles como Scrum utiliza un enfoque de puntos de historia que mide, utilizando una escala aritmética, el esfuerzo necesario para completar una versión del sistema. Este proyecto se basó en datos históricos etiquetados para estimar el tiempo de finalización medido en días y el costo total de un proyecto establecido en rupias pakistaníes (PKR), utilizando un árbol de decisiones, bosque aleatorio y AdaBoost para mejorar la precisión de las predicciones. Los modelos fueron entrenados utilizando validación cruzada de 10 pliegues y el error relativo se utilizó como comparación con los resultados de la literatura. El conjunto de agregación bootstrap (bagging) compuesto por las tres técnicas proporciona la mayor precisión, y la clasificación del proyecto también mejora las estimaciones.