Los modelos de puntuación de crédito de los bancos son requeridos por las autoridades financieras para ser explicables. Este documento propone un modelo de inteligencia artificial explicable (XAI) para predecir el incumplimiento crediticio en un conjunto de datos único de préstamos al consumo no garantizados proporcionados por un banco noruego. Combinamos un modelo LightGBM con SHAP, que permite la interpretación de las variables explicativas que afectan las predicciones. El modelo LightGBM supera claramente al modelo de puntuación de crédito actual del banco (Regresión Logística). Encontramos que las variables explicativas más importantes para predecir el incumplimiento en el modelo LightGBM son la volatilidad del saldo de crédito utilizado, el crédito restante en porcentaje del crédito total y la duración de la relación con el cliente. Nuestra principal contribución es la implementación de métodos XAI en la banca, explorando cómo estos métodos pueden aplicarse para mejorar la interpretabilidad y fiabilidad de los modelos de IA de última generación. También sugerimos un método para analizar el valor económico potencial de un modelo de puntuación de crédito mejorado.