El aprendizaje auto-supervisado continúa impulsando avances en el aprendizaje automático. Sin embargo, la ausencia de procesos computacionales unificados para la evaluación y comparación sigue siendo un desafío. Este estudio realiza un análisis exhaustivo de los algoritmos de aprendizaje auto-supervisado de última generación, enfatizando sus mecanismos subyacentes e intrincados computacionales. Basándonos en este análisis, introducimos un proceso computacional unificado y agnóstico al modelo (UMAC), diseñado para complementar los algoritmos modernos de aprendizaje auto-supervisado. UMAC sirve como una metodología de inteligencia artificial explicativa (XAI) agnóstica al modelo y global que es capaz de integrar sistemáticamente y mejorar los algoritmos de última generación. A través de UMAC, identificamos los mecanismos computacionales clave y creamos un marco unificado para la evaluación del aprendizaje auto-supervisado. Aprovechando UMAC, integramos una metodología XAI para mejorar la transparencia y la interpretabilidad. Nuestro enfoque sistemático produce un aumento del 17.12% en la mejora de la complejidad temporal de entrenamiento y un aumento del 13.1% en la mejora de la complejidad temporal de prueba. Notablemente, se observan mejoras en la aumentación, la arquitectura del codificador y los componentes auxiliares dentro del clasificador de red. Estos hallazgos subrayan la importancia de procesos computacionales estructurados para mejorar la eficiencia del modelo y fortalecer la transparencia algorítmica en el aprendizaje auto-supervisado, allanando el camino para modelos de IA más interpretables y eficientes.