La inteligencia artificial explicativa (XAI) ha surgido como un área de investigación crucial para abordar los desafíos de interpretabilidad planteados por los modelos de aprendizaje automático complejos. En este documento de encuesta, proporcionamos un análisis exhaustivo de los enfoques existentes en el campo de XAI, centrándonos en el equilibrio entre la precisión del modelo y la interpretabilidad. Motivados por la necesidad de abordar este equilibrio, realizamos una revisión extensa de la literatura, presentando una taxonomía de múltiples vistas que ofrece una nueva perspectiva sobre las metodologías de XAI. Analizamos varias subcategorías de métodos de XAI, considerando sus fortalezas, debilidades y desafíos prácticos. Además, exploramos las relaciones causales en las explicaciones de modelos y discutimos enfoques dedicados a explicar clasificadores de dominios cruzados. Este último es particularmente importante en escenarios donde los datos de entrenamiento y prueba se muestrean de diferentes distribuciones. Extrayendo ideas de nuestro análisis, proponemos futuras direcciones de investigación, que incluyen explorar paradigmas de aprendizaje aliado explicativo, desarrollar métricas de evaluación tanto para clasificadores entrenados tradicionalmente como para aquellos basados en aprendizaje aliado, y aplicar técnicas de búsqueda arquitectónica neuronal para minimizar el equilibrio entre precisión e interpretabilidad. Este documento de encuesta proporciona una visión general completa del estado del arte en XAI, sirviendo como un recurso valioso para investigadores y profesionales interesados en comprender y avanzar en el campo.