Este documento investigó la importancia de la explicabilidad en los modelos de inteligencia artificial y su aplicación en el contexto de predicción en la Fórmula (1). Se llevó a cabo un análisis paso a paso, que incluyó la recopilación y preparación de datos de carreras anteriores, el entrenamiento de un modelo de IA para hacer predicciones y la aplicación de técnicas de explicabilidad en dicho modelo. Se utilizaron dos enfoques: la técnica de atención, que permitió visualizar las partes más relevantes de los datos de entrada mediante mapas de calor, y la técnica de importancia de permutación, que evaluó la importancia relativa de las características. Los resultados revelaron que la longitud de la característica y el rendimiento en la clasificación son variables cruciales para las predicciones de posición en la Fórmula (1). Estos hallazgos resaltan la relevancia de la explicabilidad en los modelos de IA, no solo en la Fórmula (1) sino también en otros campos y sectores, al garantizar la equidad, transparencia y responsabilidad en la toma de decisiones basadas en IA. Los resultados destacan la importancia de considerar la explicabilidad en los modelos de IA y proporcionan una metodología práctica para su implementación en la Fórmula (1) y otros dominios.