Existe uma demanda crescente por explicações de modelos de aprendizado de máquina, movimentada principalmente pelos avanços da General Data Protection Regulation (GDPR) na Europa e a Lei Geral de Proteção de Dados Pessoais (LGPD) no Brasil. Em paralelo a essa necessidade de explicação, existe também uma complexidade crescente nos modelos empregados na indústria para realizar decisões automáticas, que muitas vezes são caixas pretas não interpretáveis facilmente. Diante deste desafio, o presente trabalho propõe uma revisão de literatura de métodos estado da arte para explicação de decisões de modelos de inteligência artificial, voltada principalmente para métodos que forneçam sugestões de alteração que mudem a decisão tomada, ou em outras palavras: métodos contrafactuais. Para isso, foi feita a coleta de artigos em plataformas digitais, enriquecimento dos dados coletados, filtragem inicial para considerar apenas publicações de interesse, análise bibliométrica para encontrar tendências da área, filtragem final para considerar apenas proposições de novas ferramentas e análise qualitativa das ferramentas propostas.