La Inteligencia Artificial (IA) se utiliza cada vez más en plataformas de educación en línea para proporcionar información valiosa sobre el rendimiento y el éxito de los estudiantes. Sin embargo, la complejidad de los modelos de IA dificulta que los educadores interpreten los factores específicos que influyen en si un estudiante va a pasar o fallar. Utilizando el Conjunto de Datos de Analítica de Aprendizaje de la Open University (OULAD), este estudio emplea varias técnicas de aprendizaje automático y aprendizaje profundo para predecir el éxito de los estudiantes, junto con las Explicaciones Aditivas de SHapley (SHAP) como una técnica de Inteligencia Artificial Explicable (XAI), para comprender los factores clave detrás del éxito o fracaso. A diferencia de los métodos estadísticos tradicionales que exploran las relaciones entre variables, este enfoque impulsado por la IA utiliza técnicas avanzadas de aprendizaje profundo para identificar patrones e ideas, lo que permite una mejor comprensión de los factores que influyen en el éxito del estudiante. Además, este estudio se centra en identificar a los estudiantes en riesgo de fracaso utilizando técnicas XAI, específicamente SHAP, para interpretar las salidas del modelo desglosando cómo contribuyen factores específicos al éxito de un estudiante. Este método permite intervenciones dirigidas para apoyar su éxito. Los resultados revelan que la participación del estudiante y los plazos de inscripción son factores críticos que afectan al rendimiento. Los modelos personalizados logran hasta un 94% de precisión para las tareas diseñadas, superando a los enfoques tradicionales. Este estudio contribuye al uso de la IA en la educación y ofrece ideas prácticas no solo para los educadores, sino también para los administradores y responsables políticos para mejorar la calidad y efectividad del aprendizaje en línea.