Omformning af sikkerhedsulykkesdata til handlebare indsighter med AI

Arbejdspladssikkerhedsteams genererer ulykkesdata hvert år, men millioner af arbejdere bliver alligevel såret årligt, nogle dødeligt. Ulykkesrapporter, nære missers, fareobservationer og undersøgelsesfortællinger optages på tværs af brancher, der spænder fra fremstilling til bygge- og anlægsarbejde til utilities. Alligevel kæmper mange organisationer med at omdanne denne ulykkesdata til varig forebyggelse.

I USA alene rapporterede arbejdsgivere omkring 2,6 million ikke-dødelige arbejdspladsskader og sygdomme i 2023, hvilket understreger det fortsatte behov for mere effektive sikkerhedsinterventioner. Mens langsigtede tendenser viser forbedring, med skadehyppighed faldende betydeligt siden 1970’erne, er fremgangen langsommere i de senere år, især i højrisikosektorer.

Gapet mellem rapportering og forebyggelse

Mange ulykkesstyringsprocesser er designet til at sikre overholdelse af OSHA eller arbejdsskadeersættelsesregler. Sikkerheds- og arbejdsskadeprofessionelle gennemfører undersøgelser, optegner resultater og gemmer rapporter til regulativ og revisionsformål.

Sikkerhedsledere kan identificere rodårsager og bidragende faktorer, men at omdanne disse indsighter til rettidig korrektiv handling, især målrettet genoptræning, kan være tidskrævende og involvere forskellige systemer. Sikkerhedsprofessionelle kan være nødt til at gennemføre omfattende dataanalyse for at bestemme mønstre eller tendenser.

Forskning har vist, at tidligere ulykker er blandt de stærkeste forudsigere af fremtidige skader, når korrektive handlinger udsættes eller er utilstrækkelige, hvilket fremhæver, hvor kritisk den post-ulykkesperiode kan være for forebyggelse. AI-værktøjer kan begynde at omforme sikkerhedsarbejdsprocesser, når de kobles til post-ulykkesanbefalinger.

Brug af AI til at forstå ulykkesfortællinger i stor målestok

Ulykkesrapporter indeholder værdifulde indsighter i ustruktureret tekst: undersøgersnoter, medarbejdererklæringer og kontekstuelle beskrivelser af betingelser og adfærd.

Indtil for nylig krævede analyse af denne information på tværs af multiple ulykker tidskrævende manuel gennemgang. AI-værktøjer kan nu ændre denne dynamik, med modeller, der kan undersøge narrativ data i stor målestok, identificere gentagne mønstre, fælles bidragende faktorer og subtile tendenser, der ikke let kan ses gennem strukturerede felter alene.

Yderligere forskning har vist, at ustrukturerede sikkerhedsfortællinger ofte fremhæver tidlige indikatorer for systematisk risiko – såsom procedurmæssig forvirring eller gentagne miljøbetingelser – lang tid før de viser sig i aggregerte statistikker. I stedet for at erstatte undersøgere kan AI-værktøjer supplere deres ekspertise ved at fremhæve signaler, der kræver nærmere opmærksomhed.

Sikkerhedsteams kan bruge AI-værktøjer umiddelbart efter en ulykke til:

• Tolke ulykkesdetaljer – herunder alvorlighed, adfærd og kontekstuelle beskrivelser – for at fremhæve relevante bidragende faktorer
• Identificere mønstre på tværs af lignende ulykker, der ikke er åbenlyse på det enkelte sag niveau
• Vejlede undersøgere mod korrektive handlinger, der er tilpasset disse fund

Disse kapaciteter reducerer afhængigheden af manuel gennemgang og institutionel hukommelse, hvilket giver teams mulighed for at reagere med større konsekvens og hastighed.

Fra rodårsagsanalyse til umiddelbar handling

At identificere en rodårsag er kun værdifuldt, hvis det fører til handling. Alligevel står sikkerhedsteams ofte over for en velkendt flaskehals, når en undersøgelse er afsluttet: hvilken korrektiv handling at tage, og hvor hurtigt at tage den.

AI-værktøjer bruges mere og mere til at brokke denne flaskehals ved at analysere ulykkeskarakteristika – type, alvorlighed, bidragende adfærd og kontekstuelle faktorer. AI-værktøjet vejler derefter undersøgere mod de mest relevante korrektive handlinger. I praksis er sikkerhedsprofessionelle mindre afhængige af hukommelse, manuel søgning eller generiske genoptræningsopgaver.

At bruge dyb og specifik analyse er i overensstemmelse med internationale sikkerhedsstyringsstandarder såsom ISO 45001, der understreger, at korrektive handlinger skal direkte adressere identificerede farer og rodårsager i stedet for at afhænge af brede, en-size-fits-all-responser. Ved at forkorte afstanden mellem undersøgelse og handling kan organisationer gribe ind, mens konteksten stadig er frisk og mest effektiv.

Lukke cirklen mellem ulykker og ansvar

En anden vedvarende udfordring i sikkerhedsprogrammer er synligheden efter korrektive handlinger, der indebærer træning. Sikkerhedsledere kæmper ofte med at besvare grundlæggende spørgsmål såsom: blev træningen gennemført? Blev den gennemført på tid? Er der en klar optegnelse, der forbinder ulykken med den påtagende handling?

AI-understøttede sikkerhedsarbejdsprocesser lægger mere og mere vægt på lukket cirkel-ansvar, hvilket sikrer, at korrektive handlinger ikke kun anbefales, men også spores gennem afslutning og dokumenteres sammen med den oprindelige ulykke. Fra et programmodningsperspektiv giver dette organisationer mulighed for at bevæge sig ud over overholdelsesrapportering og mod målbare forbedringer, herunder:

• Hurtigere tid fra ulykkesundersøgelse til korrektiv handling
• Større konsekvens i, hvordan genoptræning tildèles og verificeres
• Klarere revisionsstier, der forbinder ulykker, handlinger og resultater

Regulativ vejledning fra OSHA har længe understreget vigtigheden af dokumentation og verificering i sikkerhedsstyringssystemer, især for træningseffektivitet og revisionsparathed.

Sikkerhedsresultater har etisk, juridisk og menneskeligt konsekvenser, der kræver professionel dømmekraft. Effektiv implementering af AI-værktøjer følger en menneske-i-løkken-model, hvor AI-værktøjet giver forklarelige anbefalinger og understøttende beviser, mens sikkerhedsprofessionelle beholder fuld myndighed over beslutninger. Dette tilgang er i overensstemmelse med bredere AI-styringsrammer såsom NIST AI-riskstyringsramme, der understreger gennemsigtighed og ansvar, mens det opretholder tilsyn.

Når AI-værktøjer positioneres som beslutningsstøtte i stedet for automatisering for sin egen skyld, bliver de lettere at stole på og mere sandsynlige at blive antaget.

At se fremad og måle effekten ud over overholdelse

Når ulykkesdata bliver mere handlebart, kan sikkerhedsprogrammer bevæge sig ud over efterslæbende indikatorer som registrerede skaderater og begynde at fokusere på førende indikatorer for risiko. Organisationer med modne sikkerhedsanalyseprogrammer har vist sig at opleve færre alvorlige ulykker over tid, da de er bedre udstyret til at identificere opdyrkende risici og gribe ind tidligt.

Ved at forbinde ulykker direkte til læring, ansvar og målbare resultater hjælper AI sikkerhedsteams med at lære ikke kun fra ulykker, men på grund af dem.

Fremtiden for arbejdspladssikkerhed handler ikke om at samle mere data. Det handler om at bruge eksisterende data mere intelligent. AI-værktøjer giver sikkerhedsteams en mulighed for at omforme ulykkesrapporter fra statisk dokumentation til dynamiske forebyggelsesværktøjer, hvilket hjælper organisationer med at bevæge sig hurtigere fra undersøgelse til handling uden at ofre menneskelig dømmekraft. I miljøer, hvor omkostningerne ved gentagne ulykker er høje, kan det at gøre ulykkesdata virkelig handlebart være et af de mest betydningsfulde skridt, sikkerhedsledere kan tage.