El estudio actual examina la aplicación de técnicas avanzadas de aprendizaje automático (ML) para pronosticar el riesgo crediticio en bancos islámicos (de participación) y tradicionales en el Reino Unido entre 2010 y 2023. Aprovechando un conjunto de datos de panel ponderado de manera equitativa y guiados por una robusta literatura empírica, integramos modelado econométrico estructural, es decir, el enfoque de frontera estocástica (SFA) para medir el índice de Lerner del poder de mercado, con los mejores algoritmos de ML basados en árboles (CatBoost, XGBoost, LightGBM y Random Forest) para predecir los préstamos no rentables (NPL). Los resultados muestran que las medidas de rendimiento financiero a nivel bancario, particularmente la relación de préstamos, la rentabilidad y el poder de mercado, superan a los factores macroeconómicos en la previsión del riesgo crediticio. Entre los modelos probados, CatBoost fue más preciso y explicable, como lo confirma el análisis de explicabilidad basado en SHAP. Las implicaciones de la investigación tienen aplicaciones prácticas para los gerentes de riesgo, reguladores y responsables de políticas en términos de valorar el poder explicativo de las herramientas de IA explicable para mejorar la supervisión financiera y la toma de decisiones en la banca del Reino Unido posterior a la crisis.