Las tecnologías de aprendizaje automático han surgido recientemente como herramientas transformadoras para mejorar la precisión y eficiencia en la gestión de proyectos. Este estudio presenta un modelo basado en datos que aprovecha el algoritmo híbrido de Aumento de Gradiente Extremo-Simulación de Recocido (XGBoost-SA) para predecir el tiempo y costo de proyectos de construcción. Al tener en cuenta la complejidad de las redes de actividades y las incertidumbres dentro de los entornos de proyecto, el modelo busca abordar los principales desafíos en la previsión de proyectos. A diferencia de los métodos tradicionales como la Gestión del Valor Ganado (EVM) y el Método del Cronograma Ganado (ESM), que se basan en métricas estáticas, el modelo XGBoost-SA se adapta dinámicamente a los datos del proyecto, logrando una precisión de predicción del 92%. Este modelo avanzado ofrece un enfoque de previsión más preciso al incorporar y optimizar características de datos históricos. Los resultados revelan que XGBoost-SA reduce el error de predicción de costos en casi un 50% y el error de predicción de tiempo en aproximadamente un 80% en comparación con EVM y ESM, subrayando su efectividad en escenarios complejos. Además, la capacidad del modelo para gestionar datos limitados y en evolución ofrece una solución práctica para ajustes en tiempo real en la planificación de proyectos. Con estas capacidades, XGBoost-SA proporciona a los gerentes de proyectos una herramienta poderosa para la toma de decisiones informadas, la asignación eficiente de recursos y la gestión proactiva de riesgos, lo que lo hace altamente aplicable a proyectos de construcción complejos donde la precisión y la adaptabilidad son esenciales. La principal limitación del modelo desarrollado en este estudio es la dependencia de datos de proyectos similares, lo que requiere datos adicionales para su aplicación en otras industrias.