Les forêts aléatoires prudentes sont conçues pour prendre des décisions indéterminées lorsque l'incertitude est trop forte. Puisque l'indétermination a un coût, il semble cependant souhaitable de comprendre pourquoi une décision précise n'a pu être prise pour une instance particulière. Nous proposons pour cela d'utiliser la notion d'explication contrefactuelle. Nous cherchons quelles modifications minimales peuvent être apportées à une instance pour que la décision indéterminée devienne déterminée. Dans cet article, nous proposons un algorithme efficace pour générer des exemples contrefactuels pour des forêts aléatoires prudentes. Nous évaluons l'efficacité de notre stratégie sur différents ensembles de données et nous l'illustrons sur deux études de cas simples portant sur des données tabulaires et des images.