Mengubah Data Insiden Keselamatan menjadi Wawasan yang Dapat Ditindaklanjuti dengan AI

Tim keselamatan tempat kerja menghasilkan data insiden setiap tahun, tetapi jutaan pekerja masih cedera setiap tahun, beberapa di antaranya fatal. Laporan insiden, hampir kecelakaan, pengamatan bahaya, dan narasi investigasi dicatat di seluruh industri, mulai dari manufaktur hingga konstruksi hingga utilitas. Namun, banyak organisasi masih kesulitan mengubah data insiden menjadi pencegahan yang berkelanjutan.

Di Amerika Serikat saja, majikan melaporkan sekitar 2,6 juta cedera dan penyakit tempat kerja non-fatal pada tahun 2023, menekankan kebutuhan akan intervensi keselamatan yang lebih efektif. Sementara tren jangka panjang menunjukkan perbaikan, dengan tingkat cedera menurun secara signifikan sejak tahun 1970-an, kemajuan telah melambat dalam beberapa tahun terakhir, terutama di sektor berisiko tinggi.

Gap antara pelaporan dan pencegahan

Banyak proses manajemen insiden dirancang untuk memastikan kepatuhan dengan peraturan OSHA atau kompensasi pekerja. Profesional keselamatan dan kompensasi pekerja menyelesaikan investigasi, merekam temuan dan menyimpan laporan untuk tujuan regulasi dan audit.

Pemimpin keselamatan mungkin mengidentifikasi penyebab akar dan faktor kontribusi, tetapi menerjemahkan wawasan tersebut menjadi tindakan korektif tepat waktu, terutama pelatihan ulang yang ditargetkan, dapat memakan waktu lama dan melibatkan sistem yang berbeda. Profesional keselamatan mungkin perlu melakukan analisis data yang luas untuk menentukan pola atau tren.

Penelitian telah menunjukkan bahwa insiden sebelumnya adalah salah satu prediktor kuat cedera di masa depan ketika tindakan korektif tertunda atau tidak memadai, menekankan seberapa kritis jendela pasca-insiden dapat untuk pencegahan. Alat AI dapat mulai mengubah alur kerja keselamatan ketika dihubungkan dengan rekomendasi pasca-insiden.

Menggunakan AI untuk memahami narasi insiden dalam skala besar

Laporan insiden mengandung wawasan berharga dalam teks tidak terstruktur: catatan investigator, pernyataan karyawan, dan deskripsi kontekstual tentang kondisi dan perilaku.

Sampai baru-baru ini, menganalisis informasi ini di seluruh insiden memerlukan tinjauan manual yang memakan waktu. Alat AI sekarang dapat mengubah dinamika ini, dengan model yang dapat memeriksa data naratif dalam skala besar, mengidentifikasi pola berulang, faktor kontribusi umum, dan tren halus yang mungkin tidak terlihat dengan jelas melalui bidang terstruktur saja.

Penelitian tambahan telah menunjukkan bahwa narasi keselamatan tidak terstruktur sering mengungkapkan indikator awal risiko sistematis – seperti kebingungan prosedural atau kondisi lingkungan berulang – jauh sebelum mereka muncul dalam statistik agregat. Alat AI tidak menggantikan investigator, tetapi dapat melengkapi keahlian mereka dengan mengungkapkan sinyal yang memerlukan perhatian lebih dekat.

Tim keselamatan dapat menggunakan alat AI segera setelah insiden untuk:

• Menerjemahkan detail insiden – termasuk keparahan, perilaku, dan deskripsi kontekstual – untuk menyoroti faktor kontribusi yang relevan
• Mengidentifikasi pola di seluruh insiden yang serupa yang mungkin tidak jelas pada tingkat kasus individu
• Membimbing investigator menuju tindakan korektif yang sesuai dengan temuan tersebut

Kemampuan ini mengurangi ketergantungan pada tinjauan manual dan memori institusional, memungkinkan tim untuk merespons dengan konsistensi dan kecepatan yang lebih besar.

Dari analisis penyebab akar ke tindakan segera

Mengidentifikasi penyebab akar hanya berharga jika itu mengarah pada tindakan. Namun, tim keselamatan sering menghadapi bottleneck yang familiar setelah investigasi selesai: apa tindakan korektif yang harus diambil, dan seberapa cepat itu harus diambil.

Alat AI semakin banyak digunakan untuk menjembatani kesenjangan ini dengan menganalisis karakteristik insiden – jenis, keparahan, perilaku kontribusi, dan faktor kontekstual. Alat AI kemudian membimbing investigator menuju tindakan korektif yang paling relevan. Dalam prakteknya, profesional keselamatan kurang bergantung pada memori, pencarian manual, atau tugas pelatihan ulang yang generik.

Menggunakan analisis yang mendalam dan spesifik sesuai dengan standar manajemen keselamatan internasional seperti ISO 45001, yang menekankan bahwa tindakan korektif harus secara langsung mengatasi bahaya dan penyebab akar yang diidentifikasi, bukan mengandalkan respons yang luas dan satu-ukuran-untuk-semua. Dengan mempersingkat jarak antara investigasi dan tindakan, organisasi dapat melakukan intervensi sementara konteks masih segar dan paling efektif.

Menutup loop antara insiden dan akuntabilitas

Tantangan lain yang persisten dalam program keselamatan adalah visibilitas setelah tindakan korektif yang melibatkan pelatihan. Pemimpin keselamatan sering kesulitan menjawab pertanyaan dasar seperti apakah pelatihan selesai? Apakah itu selesai tepat waktu? Apakah ada catatan yang jelas yang menghubungkan insiden dengan tindakan yang diambil?

Alur kerja keselamatan yang didukung AI semakin menekankan akuntabilitas loop tertutup, memastikan bahwa tindakan korektif tidak hanya direkomendasikan tetapi juga dilacak hingga selesai dan didokumentasikan bersama dengan insiden asli. Dari perspektif kematangan program, ini memungkinkan organisasi untuk melampaui pelaporan kepatuhan dan menuju perbaikan yang dapat diukur, termasuk:

• Waktu yang lebih cepat dari investigasi insiden ke tindakan korektif
• Konsistensi yang lebih besar dalam mengatur pelatihan ulang dan verifikasi
• Jalur audit yang lebih jelas yang menghubungkan insiden, tindakan, dan hasil

Pedoman regulasi dari OSHA telah lama menekankan pentingnya dokumentasi dan verifikasi dalam sistem manajemen keselamatan, terutama untuk efektivitas pelatihan dan kesiapan audit.

Hasil keselamatan membawa konsekuensi etis, hukum, dan manusia yang memerlukan penilaian profesional. Implementasi alat AI yang efektif mengikuti model human-in-the-loop, di mana alat AI menyediakan rekomendasi yang dapat dijelaskan dan bukti pendukung, sementara profesional keselamatan mempertahankan otoritas penuh atas keputusan. Pendekatan ini konsisten dengan kerangka kerja tata kelola AI yang lebih luas seperti NIST AI Risk Management Framework, yang menekankan transparansi dan akuntabilitas sambil mempertahankan pengawasan.

Ketika diposisikan sebagai dukungan keputusan daripada otomatisasi untuk kepentingan sendiri, alat AI menjadi lebih mudah dipercaya dan lebih mungkin untuk diadopsi.

Menghadap ke depan dan mengukur dampak di luar kepatuhan

Ketika data insiden menjadi lebih dapat ditindaklanjuti, program keselamatan dapat melampaui indikator tertinggal seperti tingkat cedera yang dapat direkam dan mulai fokus pada indikator utama risiko. Organisasi dengan program analitik keselamatan yang matang telah terbukti mengalami insiden serius yang lebih sedikit dari waktu ke waktu, karena mereka lebih siap untuk mengidentifikasi risiko yang muncul dan melakukan intervensi awal.

Dengan menghubungkan insiden secara langsung ke pembelajaran, akuntabilitas, dan hasil yang dapat diukur, AI membantu tim keselamatan untuk belajar tidak hanya dari insiden, tetapi karena insiden.

Masa depan keselamatan tempat kerja bukanlah tentang mengumpulkan lebih banyak data. Ini tentang menggunakan data yang ada dengan lebih cerdas. Alat AI menawarkan tim keselamatan cara untuk mengubah catatan insiden dari dokumentasi statis menjadi alat pencegahan dinamis, membantu organisasi bergerak lebih cepat dari investigasi ke tindakan tanpa mengorbankan penilaian manusia. Di lingkungan di mana biaya insiden berulang tinggi, membuat data insiden benar-benar dapat ditindaklanjuti mungkin merupakan salah satu langkah paling berdampak yang dapat diambil oleh pemimpin keselamatan.