Asegurar altos niveles de calidad y eficiencia es esencial para cumplir con las normas ISO en la fabricación química. Los métodos tradicionales, como el Control Estadístico de Procesos (SPC) y Six Sigma, a menudo carecen de adaptabilidad y no ofrecen información interpretable. Este estudio propone un modelo híbrido de control de calidad basado en Inteligencia Artificial Explicable (XAI), integrando agrupamiento difuso C-means (FCM), aprendizaje automático (ML) y Sistemas de Inferencia Difusa (FIS) para mejorar la predicción de defectos y la interpretabilidad en entornos industriales. El enfoque utiliza clústeres difusos para segmentar lotes de producción, mejorando la comprensión de la variabilidad del proceso. Un modelo de ML supervisado (XGBoost) se entrena con datos históricos para predecir probabilidades de defectos, mientras que un FIS explicable refina la evaluación final utilizando reglas definidas por expertos. Las técnicas de XAI (SHAP y LIME) ofrecen transparencia y comprensión del proceso de toma de decisiones. La validación experimental utilizando un conjunto de datos de vino blanco del mundo real, evaluada en términos de precisión e interpretabilidad, muestra que el modelo propuesto supera a los enfoques tradicionales tanto en rendimiento predictivo como en transparencia. Los resultados demuestran la efectividad de combinar agrupamiento no supervisado, análisis predictivo y razonamiento difuso en un marco de Industria 4.0. Este estudio proporciona una solución escalable y adaptable para el control de calidad en tiempo real en la fabricación química, mejorando los sistemas de apoyo a la decisión y permitiendo evaluaciones de calidad automatizadas y explicables.