Estimar con precisión los puntos de historia en entornos Agile Scrum sigue siendo una tarea desafiante, ya que los modelos tradicionales a menudo tienen dificultades para capturar las complejas relaciones entre las historias de usuario y sus correspondientes estimaciones de esfuerzo. En este estudio, aprovechamos las representaciones de incrustación de Gemini para mejorar la modelización de historias de usuario dentro de un conjunto de datos de estimación de puntos de historia. Para mejorar el rendimiento de la predicción, proponemos GemSP, un modelo de regresión en conjunto que integra dos técnicas de regresión complementarias aplicadas a las incrustaciones de Gemini. Nuestro enfoque tiene como objetivo explotar las ricas representaciones semánticas de las historias de usuario mientras se beneficia de la robustez del aprendizaje en conjunto. Los resultados experimentales muestran que, cuando se instancia con incrustaciones de Gemini, el marco propuesto GemSP logra un menor error de predicción que los modelos de referencia seleccionados (GPT-2, Deep-SE y GPT2SP) en la evaluación cruzada de proyectos en conjuntos de datos de JIRA. Estos resultados ilustran el beneficio práctico de desacoplar el aprendizaje de representación semántica de la regresión, lo que permite una integración efectiva de modelos de incrustación más fuertes dentro de predictores en conjunto ligeros.