En este artículo, exploramos el desarrollo de un sistema de explicabilidad para agentes de combate aéreo entrenados con aprendizaje por refuerzo, abordando así una necesidad crucial en el dinámico y complejo ámbito del combate aéreo. La naturaleza crítica para la seguridad del combate aéreo exige no solo un rendimiento mejorado, sino también una comprensión profunda de los procesos de toma de decisiones de la inteligencia artificial (IA). Aunque la IA se ha aplicado significativamente al combate aéreo, persiste una brecha en la explicación integral de las decisiones de un agente de IA, lo cual es esencial para su integración efectiva y para fomentar la confianza en sus acciones. Nuestra investigación implica la creación de un sistema de explicabilidad adaptado para agentes entrenados en un entorno de combate aéreo. Utilizando aprendizaje por refuerzo, combinado con un enfoque de descomposición de recompensas, el sistema aclara la toma de decisiones del agente en diversas situaciones tácticas. Esta transparencia permite una comprensión matizada del comportamiento del agente, descubriendo así sus preferencias estratégicas y patrones operativos. Los hallazgos revelan que nuestro sistema identifica eficazmente las fortalezas y debilidades de las tácticas de un agente en diferentes escenarios de combate aéreo. Este conocimiento es esencial para depurar y refinar el rendimiento del agente y para asegurar que los agentes de IA operen de manera óptima dentro de sus contextos previstos. Las percepciones obtenidas de nuestro estudio destacan el papel crucial de la explicabilidad en la mejora de la integración de tecnologías de IA dentro de los sistemas de combate aéreo, facilitando así decisiones tácticas más informadas y posibles avances en las estrategias de combate aéreo.