Recientemente, se ha dedicado un esfuerzo a explicar modelos opacos y de caja negra, como las redes neuronales profundas o los bosques aleatorios. Los métodos llamados modelo-agnosticos típicamente aproximan la predicción del modelo de caja negra opaco con un modelo interpretable, sin considerar ninguna especificidad del modelo de caja negra en sí. Es una pregunta válida si el aprendizaje directo de modelos interpretables de caja blanca no debería ser preferido sobre aproximaciones post-hoc de modelos opacos y de caja negra. En este artículo, informamos los resultados de un estudio empírico, que compara explicaciones post-hoc y modelos interpretables en varios conjuntos de datos para modelos interpretables basados en reglas y características. Los resultados parecen subrayar que a menudo los modelos interpretables aprendidos directamente aproximan los modelos de caja negra al menos tan bien como sus sustitutos post-hoc, aunque los primeros no tienen acceso directo al modelo de caja negra.