Résumé : Un grand nombre de solutions d'XAI (eXplainable Artificial Intelligence) ont été proposées ces dernières années. Récemment, grâce à de nouvelles mesures d'évaluation des explications, il est devenu possible de les comparer plus facilement. Cependant, la sélection de la solution d'XAI la plus pertinente reste une tâche fastidieuse, surtout si l'utilisateur a des besoins et des contraintes spécifiques. Dans cet article, nous proposons d'introduire AutoXAI, un cadre qui recommande la meilleure solution d'XAI et ses hyperparamètres au regard du contexte de l'utilisateur (ensemble de données, modèle d'apprentissage, besoins et contraintes liées à l'XAI). Notre approche s'inspire des travaux liés au domaine des systèmes de recommandation adaptés au contexte ainsi que de l'AutoML (Automated Machine Learning) pour nos stratégies d'optimisation et d'évaluation. Dans ce papier, nous illustrons notre approche au travers de plusieurs cas d'usage montrant qu'AutoXAI recommande bien une solution adaptée (avec les meilleurs hyperparamètres) aux besoins et contraintes de l'utilisateur.