Les modèles d’IA, notamment les modèles d’ensemble et les réseaux de neurones profonds, offrent des performances élevées, mais leur caractère de « boîte noire » limite leur interprétabilité, en particulier dans les domaines critiques. Dans cet exposé, nous présentons nos travaux portant sur l’IA explicable, et plus particulièrement sur les explications contrefactuelles guidées par des motifs graduels. Ces derniers permettent de représenter des relations de co-variation entre variables sous la forme de tendances interprétables, telles que « plus X augmente/diminue, plus Y augmente/diminue ». Nous montrons comment ces connaissances symboliques, extraites automatiquement des données, peuvent guider la génération d’explications plus plausibles et mieux adaptées aux instances expliquées. Les approches proposées sont évaluées sur des données tabulaires et des séries temporelles multi-variées, et comparées à plusieurs méthodes de référence. Les résultats mettent en évidence l’intérêt des motifs graduels pour améliorer la plausibilité des explications tout en conservant des performances compétitives en termes de validité, proximité et diversité. Ces travaux illustrent ainsi le potentiel d’une IA hybride, combinant modèles d’apprentissage et connaissances symboliques pour améliorer l’explicabilité des systèmes d’IA complexes.