La concentración atmosférica global de dióxido de carbono (CO) ha superado los 420 ppm. Las tecnologías de captura de carbono basadas en adsorción ofrecen soluciones sostenibles y eficientes en energía. Confiar en modelos de adsorción clásicos como Langmuir para predecir la absorción de CO presenta limitaciones debido a la necesidad de ajustar parámetros específicos para cada caso. Para abordar esto, el presente estudio introduce un marco de aprendizaje automático (ML) universal utilizando múltiples algoritmos: Modelo Lineal Generalizado (GLM), Perceptrón Multicapa (DL), Árbol de Decisión (DT), Bosque Aleatorio (RF), Máquina de Vectores de Soporte (SVM) y Árboles Aumentados por Gradiente (GBT) para predecir de manera confiable las capacidades de adsorción de CO en diversas estructuras y condiciones de zeolita. Al compilar más de 5700 puntos de datos de adsorción medidos experimentalmente de 71 estudios independientes, este enfoque incorpora sistemáticamente factores críticos como el tamaño de poro, la relación Si/Al, el tipo de catión, la temperatura y la presión. Una rigurosa validación cruzada confirmó el rendimiento superior del modelo GBT (R = 0.936, RMSE = 0.806 mmol/g), superando a otros modelos de ML y proporcionando un rendimiento comparable con las predicciones del modelo clásico de Langmuir sin calibración de parámetros separada. El análisis de importancia de características identificó la presión, la relación Si/Al y el tipo de catión como influencias dominantes en el rendimiento de adsorción. En general, esta metodología impulsada por ML demuestra un gran potencial para acelerar el descubrimiento de materiales, la optimización y el despliegue práctico de tecnologías de captura de CO basadas en zeolitas.