Face à la complexité croissante des modèles (notamment en deep learning), l’explicabilité permet aux parties prenantes (utilisateurs, experts, régulateurs) de comprendre comment une décision a été prise. Elle peut être intrinsèque (modèle interprétable par construction) ou post-hoc (techniques d’analyse a posteriori comme SHAP, LIME, saliency maps). L’explicabilité est indispensable dans les secteurs à fort enjeu (santé, finance, justice), mais devient aussi une exigence de plus en plus courante dans les autres domaines. Elle facilite l’acceptation des systèmes, la détection d’erreurs, et l’amélioration continue. Dans une démarche responsable, elle doit être pensée dès la conception des projets IA et intégrée dans les interfaces utilisateur. L’explicabilité contribue à bâtir une IA de confiance, en alignement avec les réglementations émergentes et les attentes sociétales.