事故データをAIで分析して予防に役立てる

職場での安全対策チームは毎年大量の事故データを生成しています。しかし、毎年何百万人もの労働者がけがをし、そして何百人もの労働者が死亡しています。事故報告書、ニアミス、ハザード観測、調査ナラティブは、製造業から建設業まで、公共事業まで、さまざまな業界で記録されています。しかし、多くの組織は、この事故データを継続的な予防策に変えることができません。

アメリカだけでも、雇用主は2023年に約 260万 の職場での死亡以外のけがや病気を報告しました。これは、効果的な安全対策が必要であることを強調しています。長期的な傾向は改善しています。1970年代以来、けが率は 大幅に減少 しています。しかし、近年では、特に高リスク業界では、進歩が遅れています。

報告と予防のギャップ

多くの事故管理プロセスは、OSHAまたは労働者補償規制へのコンプライアンスを確保するように設計されています。安全対策と労働者補償の専門家は、調査を完了し、調査結果を記録し、規制および監査目的のために報告書を保存します。

安全対策リーダーは根本原因と寄与要因を特定するかもしれませんが、調査結果をタイムリーな是正措置、特にターゲットを絞った再教育に変えることは時間がかかり、別のシステムを使用する必要があるかもしれません。安全対策専門家は、パターンまたは傾向を特定するために、広範なデータ分析を実行する必要があるかもしれません。

研究 は示しています が、前の事故は、是正措置が遅れたり不十分な場合には、将来のけがの最も強い予測因子であることを強調しています。事故後のウィンドウは予防にとって非常に重要であることを示しています。AIツールは、事故後の推奨事項に結び付けることで、安全対策ワークフローを再構築し始めることができます。

事故ナラティブを大規模に理解するためのAIの使用

事故報告書には、調査官のメモ、従業員の声明、状況や行動の文脈的な説明などの構造化されていないテキストに貴重な洞察が含まれています。

最近までは、複数の事故をまたいだこの情報を分析するには、時間のかかる手動レビューが必要でした。AIツールは、ナラティブデータを大規模に調査し、繰り返されるパターン、共通の寄与要因、構造化フィールドだけでは簡単に目立たない繊細な傾向を特定できるモデルを使用することで、このダイナミクスを変えることができます。

さらに 研究 は示しています が、安全対策ナラティブは、集団的リスクの早期指標を表面化させることが多く、統計では明らかにならない前に、手順上の混乱や繰り返される環境条件などのシステム的なリスクを示しています。調査官の専門知識を置き換えるのではなく、AIツールは調査官の専門知識を補完することで、注意を必要とするシグナルを表面化させることができます。

安全対策チームは、事故発生直後にAIツールを使用して、次のことを実行できます。

• 事故の詳細 – 重大性、行動、状況の説明を含む – を解釈して、関連する寄与要因を強調する
• 個々のケースレベルでは明らかでない可能性のある、類似の事故をまたいだパターンを特定する
• 調査官を、調査結果に基づいた是正措置に向けて導く

これらの機能により、手動レビューと組織的記憶への依存が削減され、チームはより一貫性と迅速性を持って対応できるようになります。

根本原因分析から即時の措置へ

根本原因を特定することは、是正措置につながる場合にのみ価値があります。しかし、安全対策チームは、調査が完了した後に、よくあるボトルネックに直面します。どのような是正措置を講じるか、またどれくらいの速さで講じるかです。

AIツールは、事故の特性 – 種類、重大性、寄与行動、状況要因 – を分析することで、このギャップを埋めるために使用されることが増えています。AIツールは、調査官を最も関連性の高い是正措置に向けて導きます。実践では、安全対策専門家は、記憶、手動検索、または汎用的な再教育課題への依存が減ります。

深く具体的な分析は、ISO 45001などの国際的な安全管理規格と一致しています。これらの規格では、是正措置は特定された危険や根本原因に対処する必要があると強調しています。調査と措置の距離を短縮することで、組織は状況がまだ新鮮で最も効果的である間に介入できます。

事故と説明責任のループを閉じる

安全対策プログラムでは、是正措置が完了した後の可視性が、もう1つの永続的な課題です。安全対策リーダーは、基本的な質問に答えるのに苦労することがあります。例えば、再教育は完了しましたか? 時間内に完了しましたか? 事故と取られた措置の間に関連する明確な記録はありますか?

AIを支援する安全対策ワークフローは、是正措置が推奨されるだけでなく、完了まで追跡され、元の事故とともに文書化されることを強調しています。プログラムの成熟度から見ると、これにより、組織はコンプライアンス報告を超えて、計測可能な改善に向けて進むことができます。例えば：

• 事故調査から是正措置までの時間の短縮
• 再教育の割り当てと検証の一貫性の向上
• 事故、措置、結果を結び付ける明確な監査証跡

規制ガイダンス から、OSHAは、安全管理システムにおける文書化と検証の重要性を強調しています。特に、安全対策の有効性と監査の準備に関してです。

安全対策の結果は、倫理的、法的、人間的影響を伴うため、専門的判断が必要です。AIツールの有効な実装は、人間がループ内にいるモデルに従います。AIツールは説明可能な推奨事項とサポート証拠を提供しますが、安全対策専門家は決定に対する完全な権限を保持します。このアプローチは、透明性と説明責任を強調する、NIST AIリスク管理フレームワークなどのより広範なAIガバナンスフレームワークと一致しています。

AIツールが自動化のためではなく、意思決定のサポートとして位置付けられると、より信頼性が高まり、採用されやすくなります。

先を見据えて、コンプライアンスを超えた影響を測る

事故データがより活用可能になると、安全対策プログラムは、記録されたけが率などの遅れ指標から、リスクの先行指標に焦点を当てることができます。成熟した安全対策アナリティクスプログラムを持つ組織は、時間の経過とともに重大な事故が減少することが示されています。なぜなら、組織は新たなリスクを特定し、早期に介入することができるからです。

事故を学習、説明責任、測定可能な成果に直接結び付けることで、AIは安全対策チームが事故から学ぶのではなく、事故によって学ぶことを可能にします。

職場の安全の未来は、より多くのデータを収集することではなく、既存のデータをより賢く使用することです。AIツールは、安全対策チームに事故記録を静的な文書化から動的な予防ツールに変える方法を提供します。組織は、人間の判断を犠牲にすることなく、調査から措置まで迅速に進むことができます。事故の繰り返しのコストが高い環境では、事故データを真正に活用可能にすることは、安全対策リーダーが取ることができる最も影響力のあるステップの1つかもしれません。事故データを静的な文書化から動的な予防ツールに変えることで、組織はより迅速に調査から措置まで進むことができ、人間の判断を犠牲にすることなく、安全性を向上させることができます。