Les auto-encodeurs de graphes (Graph Auto-Encoders ou GAEs) ont fait preuve d'une efficacité remarquable pour la détection d'anomalies dans des graphes. Cependant, leur nature de "boîte noire" ne permet pas de comprendre les raisons qui les ont conduits à classer un noeud comme anormal. De plus, alors qu'avec le développement de l'XAI, de nombreuses méthodes ont été proposées pour fournir des explications pour différents modèles d'apprentissage profond, il y a une absence notable de cadre d'évaluation dédié à la détection d'anomalies dans les graphes. Notre contribution comble cette lacune en adaptant des cadres d'évaluation existants aux défis spécifiques de la détection d'anomalies à l'aide de GAEs. De plus, elle introduit une technique d'explication simple mais efficace basée sur les erreurs de reconstruction des GAEs. En utilisant ce nouveau cadre, nous évaluons l'efficacité de différents explainers et montrons expérimentalement que la méthode que nous proposons, basée sur les erreurs de reconstruction, surpasse les autres explainers pour les GAEs.