En respuesta al desarrollo socioeconómico, el número de aplicaciones de aprendizaje automático ha aumentado, junto con las demandas de transparencia algorítmica y mayor sostenibilidad en términos de tecnologías energéticamente eficientes. Los algoritmos informáticos modernos que procesan grandes cantidades de información, particularmente los métodos de inteligencia artificial y su trabajo principal de aprendizaje automático, pueden utilizarse para promover y respaldar la sostenibilidad; sin embargo, consumen mucha energía ellos mismos. Este trabajo se centra e interconecta dos aspectos clave de la inteligencia artificial con respecto a la transparencia y sostenibilidad del desarrollo de modelos. Identificamos marcos para medir las emisiones de carbono de los algoritmos de Python y evaluamos el consumo de energía durante el desarrollo del modelo. Además, probamos el impacto de la explicabilidad en el consumo energético algorítmico durante la optimización del modelo, especialmente para aplicaciones en salud y, para ampliar el alcance y lograr un uso generalizado, ingeniería civil y visión por computadora. Específicamente, presentamos tres modelos diferentes de clasificación, regresión y detección basada en objetos para los escenarios de clasificación de cáncer, energía de edificios y detección de imágenes, cada uno integrado con inteligencia artificial explicativa (XAI) o reducción de características. Este trabajo puede servir como guía para seleccionar una herramienta para medir y examinar el consumo energético algorítmico y concienciar sobre la optimización de modelos basada en emisiones destacando la sostenibilidad de XAI.