Las fallas inesperadas de máquinas en entornos industriales conducen a altos costos de mantenimiento, tiempo de inactividad no planificado y riesgos de seguridad. Este estudio propone un modelo predictivo proactivo utilizando una combinación de eXtreme Gradient Boosting (XGBoost) y Redes Neuronales (NN) para prever fallas en las máquinas. Se utilizó un conjunto de datos sintético que captura el historial reciente de averías y el tiempo desde la última falla para simular escenarios industriales. Para abordar el desequilibrio de clases, se aplicaron SMOTE y ponderación de clases, junto con una función de pérdida focal para enfatizar las fallas difíciles de clasificar. El modelo XGBoost fue ajustado mediante GridSearchCV, mientras que el modelo NN utilizó capas ocultas activadas por ReLU con abandono. La evaluación utilizando validación cruzada estratificada de 5 pliegues mostró que el NN alcanzó un F1-score de 0.7199 y un recall de 0.9545 para la clase minoritaria. XGBoost logró un PR AUC más alto de 0.7126 y un compromiso más equilibrado entre precisión y recall. Las predicciones de muestra demostraron un fuerte recall (100%) para las fallas, pero también una alta tasa de falsos positivos, con la mayoría de las probabilidades de predicción agrupadas entre 0.50-0.55. La evaluación adicional contra Regresión Logística, Bosque Aleatorio y SVM confirmó aún más la superioridad del modelo híbrido propuesto. La interpretabilidad del modelo se mejoró utilizando SHAP y LIME, confirmando que las averías recientes y el tiempo desde la última falla eran predictores clave. Si bien el modelo detecta eficazmente las fallas, se recomiendan mejoras adicionales en la ingeniería de características y el ajuste de umbrales para reducir las falsas alarmas y aumentar la confianza en las decisiones.