Estimar durante las primeras etapas es crucial para determinar la viabilidad y llevar a cabo la presupuestación y planificación de proyectos de desarrollo de software ágil (ASD). Sin embargo, debido a las características del ASD y la información inicial limitada, estas estimaciones a menudo son complicadas e inexactas. Este estudio tiene como objetivo mapear sistemáticamente la literatura para identificar las técnicas de estimación más utilizadas; las razones de su selección; los artefactos de entrada, predictores y métricas asociadas con estas técnicas; así como las lagunas de investigación en estimaciones en las primeras etapas en ASD. Este estudio se basó en las directrices propuestas por Kitchenham para revisiones sistemáticas de literatura en ingeniería de software; se definió un protocolo de revisión con preguntas de investigación y criterios para la selección de estudios empíricos. Los resultados muestran que se prefieren las técnicas basadas en datos para reducir sesgos e inconsistencias de las técnicas impulsadas por expertos. La mayoría de los estudios seleccionados no mencionan artefactos de entrada, y el tamaño del software es el predictor más comúnmente utilizado. Las técnicas basadas en aprendizaje automático utilizan datos disponibles públicamente, pero a menudo contienen registros de proyectos antiguos de antes del movimiento ágil. El estudio destaca la necesidad de herramientas que apoyen las actividades de estimación e identifica áreas clave para futuras investigaciones, como la evaluación de enfoques híbridos y la creación de conjuntos de datos de proyectos recientes con suficiente información contextual y métricas estandarizadas.