Le clustering actif est une technique qui regroupe des données en clusters homogènes par des interactions avec l'utilisateur, qui fournit des retours sous forme de contraintes. La qualité des retours et donc du clustering dépend des connaissances de l'utilisateur. Dans cette étude, les méthodes d'intelligence artificielle explicable (XAI) sont exploitées pour enrichir l'interaction avec le clustering actif en fournissant des informations supplémentaires à l'utilisateur. Nous avons mis en oeuvre cette approche avec COBRA, un algorithme de clustering actif, et l'avons évaluée sur divers jeux de données. Nos résultats expérimentaux montrent que les informations générées par les méthodes d'XAI aident un utilisateur simulé à mieux orienter le processus de clustering vers des résultats plus fidèles à la réalité terrain que dans des situations où ces informations ne sont pas disponibles.