Capacité à rendre intelligibles les décisions d'un modèle ML, aussi bien au niveau global (quelles features influencent le plus le modèle en général ?) que local (pourquoi ce modèle a-t-il prédit ce résultat pour cet individu précis ?). L'explicabilité est devenue une exigence réglementaire dans les secteurs régulés : le RGPD impose un droit à l'explication pour les décisions automatisées, et l'AI Act classe les systèmes de scoring à risque élevé. Elle est aussi indispensable pour détecter les biais algorithmiques et gagner la confiance des utilisateurs métier. Les boîtes noires (deep learning) sont plus performantes mais moins explicables que les modèles linéaires ou les arbres.