Het omzetten van veiligheidsincidentgegevens in actiegerichte inzichten met AI

Werkplekveiligheidsteams genereren elk jaar incidentgegevens, maar nog steeds worden miljoenen werknemers jaarlijks gewond, soms dodelijk. Incidentrapporten, bijna-ongelukken, gevaarsobservaties en onderzoeksverhalen worden opgenomen in verschillende industrieën, van fabricage tot bouw tot nutsbedrijven. Toch hebben veel organisaties moeite om deze incidentgegevens om te zetten in duurzame preventie.

In de Verenigde Staten alleen al meldden werkgevers ongeveer 2,6 miljoen niet-dodelijke werkplekletsels en -ziekten in 2023, wat de voortdurende behoefte aan effectievere veiligheidsmaatregelen onderstreept. Hoewel langetermijntrends een verbetering laten zien, met een daling van het aantal letsels sedert de jaren 70, is de vooruitgang in de afgelopen jaren vertraagd, vooral in sectoren met hoge risico’s.

De kloof tussen rapportage en preventie

Veel incidentbeheerprocessen zijn ontworpen om te voldoen aan de regelgeving van OSHA of werknemerscompensatie. Veiligheids- en werknemerscompensatieprofessionals voeren onderzoeken uit, registreren bevindingen en slaan rapporten op voor regelgevings- en auditdoeleinden.

Veiligheidsleiders kunnen de oorzaken en bijdragende factoren identificeren, maar het vertalen van die inzichten in tijdige corrigerende actie, vooral gerichte opnieuw trainen, kan tijdrovend zijn en verschillende systemen betrekken. Veiligheidsprofessionals moeten mogelijk uitgebreide gegevensanalyse uitvoeren om patronen of trends te bepalen.

Onderzoek heeft aangetoond dat eerdere incidenten onder de sterkste voorspellers van toekomstige letsels zijn wanneer corrigerende acties worden vertraagd of ontoereikend, waarmee wordt benadrukt hoe kritiek de periode na een incident kan zijn voor preventie. AI-hulpmiddelen kunnen de veiligheidsworkflows beginnen te veranderen wanneer ze worden gekoppeld aan aanbevelingen na een incident.

Het gebruik van AI om incidentverhalen op grote schaal te begrijpen

Incidentrapporten bevatten waardevolle inzichten in ongestructureerde tekst: onderzoeksnotities, verklaringen van werknemers en contextuele beschrijvingen van omstandigheden en gedragingen.

Tot voor kort was het analyseren van deze informatie over meerdere incidenten een tijdrovende handmatige beoordeling. AI-hulpmiddelen kunnen deze dynamiek nu veranderen, met modellen die in staat zijn om narratieve gegevens op grote schaal te onderzoeken, terugkerende patronen, veelvoorkomende bijdragende factoren en subtiele trends te identificeren die mogelijk niet gemakkelijk zichtbaar zijn door middel van gestructureerde velden alleen.

Verder onderzoek heeft aangetoond dat ongestructureerde veiligheidsverhalen vaak vroeg aanwijzingen van systematisch risico naar boven brengen – zoals verwarring over procedures of terugkerende omgevingsomstandigheden – lang voordat ze in geaggregeerde statistieken verschijnen. In plaats van onderzoekers te vervangen, kunnen AI-hulpmiddelen hun deskundigheid aanvullen door signalen naar boven te brengen die nadere aandacht verdienen.

Veiligheidsteams kunnen AI-hulpmiddelen direct na een incident gebruiken om:

• Incidentdetails te interpreteren – inclusief ernst, gedragingen en contextuele beschrijvingen – om relevante bijdragende factoren te benadrukken
• Patronen over gelijkaardige incidenten te identificeren die mogelijk niet duidelijk zijn op het individuele gevalniveau
• Onderzoekers te leiden naar corrigerende acties die overeenkomen met die bevindingen

Deze mogelijkheden verminderen de afhankelijkheid van handmatige beoordeling en institutioneel geheugen, waardoor teams met grotere consistentie en snelheid kunnen reageren.

Van root cause-analyse naar onmiddellijke actie

Het identificeren van een oorzaak is alleen waardevol als het leidt tot actie. Toch worden veiligheidsteams vaak geconfronteerd met een bekende bottleneck zodra een onderzoek is voltooid: welke corrigerende actie te nemen en hoe snel deze te nemen.

AI-hulpmiddelen worden steeds vaker gebruikt om deze kloof te overbruggen door incidentkenmerken te analyseren – type, ernst, bijdragende gedragingen en contextuele factoren. Het AI-hulpmiddel leidt onderzoekers vervolgens naar de meest relevante corrigerende acties. In de praktijk zijn veiligheidsprofessionals minder afhankelijk van geheugen, handmatige zoekopdrachten of generieke opleidingsopdrachten.

Het gebruik van diepe en specifieke analyse komt overeen met internationale veiligheidsbeheerstandaarden zoals ISO 45001, die benadrukken dat corrigerende acties rechtstreeks moeten worden gericht op geïdentificeerde gevaren en oorzaken, in plaats van te vertrouwen op brede, voor iedereen geldende reacties. Door de afstand tussen onderzoek en actie te verkorten, kunnen organisaties ingrijpen terwijl de context nog vers en meest effectief is.

Het sluiten van de kloof tussen incidenten en verantwoordelijkheid

Een andere aanhoudende uitdaging in veiligheidsprogramma’s is de zichtbaarheid na corrigerende acties die training betreffen. Veiligheidsleiders worstelen vaak met basisvragen zoals: is de training voltooid? Is deze op tijd voltooid? Is er een duidelijk verband tussen het incident en de genomen actie?

AI-ondersteunde veiligheidsworkflows leggen steeds meer de nadruk op gesloten verantwoordelijkheid, waarbij wordt gewaarborgd dat corrigerende acties niet alleen worden aanbevolen, maar ook worden bijgehouden tot en met voltooiing en worden gedocumenteerd naast het oorspronkelijke incident. Vanuit het perspectief van programmapuurheid maakt dit het mogelijk voor organisaties om verder te gaan dan compliance-rapportage en te streven naar meetbare verbetering, waaronder:

• Snelheid van incidentonderzoek naar corrigerende actie
• Meer consistentie in de toewijzing en verificatie van opnieuw trainen
• Duidelijkere audittrails die incidenten, acties en resultaten verbinden

Regelgevingsrichtlijnen van OSHA hebben lang benadrukt het belang van documentatie en verificatie in veiligheidsbeheersystemen, met name voor de effectiviteit van training en auditklaarheid.

Veiligheidsresultaten hebben ethische, juridische en humane gevolgen die professionele oordeelsvorming vereisen. De effectieve implementatie van AI-hulpmiddelen volgt een model met de mens in de lus, waarbij het AI-hulpmiddel verklarende aanbevelingen en ondersteunend bewijs biedt, terwijl veiligheidsprofessionals de volledige autoriteit over beslissingen behouden. Deze aanpak is in overeenstemming met bredere AI-governancekaders zoals het NIST AI Risk Management Framework, dat transparantie en verantwoordelijkheid benadrukt en toezicht behoudt.

Wanneer AI-hulpmiddelen worden gepositioneerd als besluitondersteuning in plaats van automatisering omwille van automatisering, worden ze gemakkelijker te vertrouwen en waarschijnlijker te worden geadopteerd.

Naar de toekomst kijken en impact meten voorbij compliance

Naarmate incidentgegevens actiegerichter worden, kunnen veiligheidsprogramma’s verder gaan dan vertraagde indicatoren zoals het aantal geregistreerde letsels en beginnen met het focussen op leidende indicatoren van risico. Organisaties met volwassen veiligheidsanalysprogramma’s hebben aangetoond dat ze minder ernstige incidenten meemaken in de loop van de tijd, omdat ze beter zijn toegerust om opkomende risico’s te identificeren en vroegtijdig in te grijpen.

Door incidenten rechtstreeks te koppelen aan leren, verantwoordelijkheid en meetbare resultaten, helpt AI veiligheidsteams om niet alleen van incidenten te leren, maar door middel van incidenten.

De toekomst van werkplekveiligheid gaat niet over het verzamelen van meer gegevens. Het gaat over het gebruik van bestaande gegevens op een slimmere manier. AI-hulpmiddelen bieden veiligheidsteams een manier om incidentrecords van statische documentatie om te zetten in dynamische preventiehulpmiddelen, waardoor organisaties sneller kunnen overgaan van onderzoek naar actie zonder menselijke oordeelsvorming op te offeren. In omgevingen waar de kosten van herhaalde incidenten hoog zijn, kan het maken van incidentgegevens echt actiegericht een van de meest impactvolle stappen zijn die veiligheidsleiders kunnen nemen.