Inteligencia Artificial Explicable (XAI) como Marco para la Transparencia en la Ciencia de Datos: Interpretabilidad, Toma de Decisiones Ética y Responsabilidad Algorítmica

Abstract

La creciente adopción de modelos de aprendizaje automático en sectores críticos ha intensificado la necesidad de sistemas transparentes, interpretables y auditables. La Inteligencia Artificial Explicable (XAI) surge como un enfoque fundamental para abordar los desafíos asociados a la opacidad de los modelos de caja negra, especialmente en contextos donde las decisiones automatizadas afectan directamente a personas, instituciones y procesos estratégicos. Este artículo analiza XAI como un marco integral dentro de la ciencia de datos moderna, explorando sus fundamentos conceptuales, técnicas de interpretabilidad, implicaciones éticas y aplicaciones prácticas en diversos sectores. A través de una revisión documental sistemática (2022–2025), se examinan las principales metodologías de explicación, sus limitaciones y su impacto en la confianza, la transparencia y la responsabilidad algorítmica. Los resultados evidencian que XAI no solo mejora la comprensión de los modelos, sino que también fortalece la gobernanza de datos y la toma de decisiones informada. Finalmente, se discuten desafíos emergentes y se proponen líneas futuras de investigación orientadas a la integración de XAI con marcos regulatorios y arquitecturas avanzadas de ciencia de datos.