Przekształcanie danych o wypadkach w działania z użyciem sztucznej inteligencji

Zespoły odpowiedzialne za bezpieczeństwo w miejscu pracy generują dane o wypadkach każdego roku, ale mimo to miliony pracowników są nadal rannych każdego roku, a niektórzy z nich nawet giną. Raporty o wypadkach, przypadki prawie-wypadków, obserwacje zagrożeń i narracje z dochodzeń są rejestrowane w różnych branżach, od produkcji po budownictwo i energetykę. Jednak pomimo skali tych danych, wiele organizacji ma trudności z przekształceniem tych danych o wypadkach w trwałą profilaktykę.

W Stanach Zjednoczonych samych, pracodawcy zgłosili około 2,6 miliona nieśmiertelnych urazów i chorób zawodowych w 2023 roku, co podkreśla ciągłą potrzebę bardziej skutecznych interwencji w zakresie bezpieczeństwa. Podczas gdy długoterminowe trendy pokazują poprawę, z wskaźnikami urazów znacznie malejącymi od lat 70., postęp zwolnił w ostatnich latach, szczególnie w sektorach o wysokim ryzyku.

Przerwa między raportowaniem a profilaktyką

Wiele procesów zarządzania wypadkami jest zaprojektowanych tak, aby zapewnić zgodność z przepisami OSHA lub regulacjami dotyczącymi odszkodowań dla pracowników. Specjaliści ds. bezpieczeństwa i odszkodowań dla pracowników prowadzą dochodzenia, rejestrują wyniki i przechowują raporty w celach regulacyjnych i audytowych.

Liderzy ds. bezpieczeństwa mogą identyfikować przyczyny pierwotne i czynniki przyczynowe, ale przekształcenie tych spostrzeżeń w terminowe działania korygujące, szczególnie ukierunkowane szkolenia, może być czasochłonne i wymagać różnych systemów. Specjaliści ds. bezpieczeństwa mogą musieć prowadzić obszerną analizę danych, aby określić wzorce lub trendy.

Badania wykazały, że poprzednie wypadki są wśród najsilniejszych predyktorów przyszłych urazów, gdy działania korygujące są opóźnione lub niewystarczające, co podkreśla, jak krytyczny może być okres po wypadku dla profilaktyki. Narzędzia AI mogą zacząć zmieniać procesy bezpieczeństwa, gdy są powiązane z zaleceniami po wypadku.

Używanie AI do zrozumienia narracji o wypadkach w skali

Raporty o wypadkach zawierają cenne spostrzeżenia w nieustrukturyzowanym tekście: notatki śledczych, oświadczenia pracowników i opisy kontekstowe warunków i zachowań.

Do niedawna analiza tych informacji w wielu wypadkach wymagała czasochłonnej ręcznej kontroli. Narzędzia AI mogą teraz zmienić tę dynamikę, z modelami, które mogą badać dane narracyjne w skali, identyfikując powtarzające się wzorce, powszechne czynniki przyczynowe i subtelne trendy, które mogą nie być łatwo widoczne za pomocą samych pól strukturalnych.
Dodatkowe badania wykazały, że nieustrukturyzowane narracje bezpieczeństwa często ujawniają wczesne wskaźniki systematycznego ryzyka – takie jak zamieszanie proceduralne lub powtarzające się warunki środowiskowe – znacznie przed ich pojawieniem się w agregowanych statystykach. Zamiast zastępować śledczych, narzędzia AI mogą uzupełnić ich ekspertyzę, ujawniając sygnały, które wymagają bliższej uwagi.

Zespoły ds. bezpieczeństwa mogą używać narzędzi AI bezpośrednio po wypadku, aby:

• Interpretować szczegóły wypadku – w tym nasilenie, zachowania i opisy kontekstowe – w celu podkreślenia odpowiednich czynników przyczynowych
• Identyfikować wzorce w podobnych wypadkach, które mogą nie być oczywiste na poziomie poszczególnych przypadków
• Kierować śledczymi w stronę działań korygujących zgodnych z tymi ustaleniami

Te możliwości redukują uzależnienie od ręcznej kontroli i pamięci instytucjonalnej, umożliwiając zespołom reagowanie z większą konsekwencją i szybkością.

Od analizy przyczyn do natychmiastowych działań

Identyfikacja przyczyny pierwotnej jest wartościowa tylko wtedy, gdy prowadzi do działania. Jednak zespoły ds. bezpieczeństwa często napotykają na znany problem po zakończeniu dochodzenia: jakie działanie korygujące podjąć i jak szybko to zrobić.

Narzędzia AI są coraz częściej używane do przezwyciężenia tej luki, analizując cechy wypadku – typ, nasilenie, przyczynowe zachowania i czynniki kontekstowe. Narzędzie AI następnie kieruje śledczymi w stronę najbardziej odpowiednich działań korygujących. W praktyce specjaliści ds. bezpieczeństwa są mniej zależni od pamięci, ręcznych wyszukiwań lub ogólnych zadań szkoleniowych.

Używanie głębokiej i szczegółowej analizy jest zgodne z międzynarodowymi standardami zarządzania bezpieczeństwem, takimi jak ISO 45001, które podkreślają, że działania korygujące powinny bezpośrednio dotyczyć zidentyfikowanych zagrożeń i przyczyn pierwotnych, a nie polegać na ogólnych, uniwersalnych odpowiedziach. Skracając dystans między dochodzeniem a działaniem, organizacje mogą interweniować, gdy kontekst jest jeszcze świeży i najbardziej skuteczny.

Zamknięcie pętli między wypadkami a odpowiedzialnością

Innym trwałym wyzwaniem w programach bezpieczeństwa jest widoczność po działaniach korygujących, w tym szkoleniach. Liderzy ds. bezpieczeństwa często mają trudności z odpowiedzią na podstawowe pytania, takie jak: czy szkolenie zostało ukończone? Czy zostało ukończone na czas? Czy istnieje wyraźny zapis łączący wypadek z podjętym działaniem?

Narzędzia AI wspierające procesy bezpieczeństwa coraz częściej podkreślają zamkniętą pętlę odpowiedzialności, zapewniając, że działania korygujące nie tylko są zalecane, ale także śledzone do momentu ich ukończenia i udokumentowane obok oryginalnego wypadku. Z punktu widzenia dojrzałości programu umożliwia to organizacjom przekroczenie poziomu raportowania zgodności i skierowanie się ku mierzalnej poprawie, w tym:

• Szybszy czas od dochodzenia do działania korygującego
• Większa konsekwencja w przydziale i weryfikacji szkoleń
• Wyraźniejsze ślady audytowe łączące wypadki, działania i wyniki

Wytyczne regulacyjne OSHA od dawna podkreślały znaczenie dokumentacji i weryfikacji w systemach zarządzania bezpieczeństwem, szczególnie w odniesieniu do skuteczności szkoleń i gotowości do audytu.

Wyniki bezpieczeństwa mają konsekwencje etyczne, prawne i ludzkie, które wymagają profesjonalnej oceny. Skuteczna implementacja narzędzi AI podąża za modelem “człowiek w pętli”, w którym narzędzie AI zapewnia wyjaśnialne zalecenia i dowody, a specjaliści ds. bezpieczeństwa zachowują pełną władzę nad decyzjami. Ten podejście jest zgodne z szerszymi ramami zarządzania ryzykiem AI, takimi jak NIST AI Risk Management Framework, które podkreślają przejrzystość i odpowiedzialność, utrzymując jednocześnie nadzór.

Gdy narzędzia AI są pozycjonowane jako wsparcie decyzyjne, a nie automatyzacja dla samej siebie, stają się one łatwiejsze do zaufania i bardziej prawdopodobne do przyjęcia.

Spójrzmy w przyszłość i zmierzymy wpływ poza zgodnością

Gdy dane o wypadkach stają się bardziej działaniem, programy bezpieczeństwa mogą przekroczyć wskaźniki opóźnione, takie jak wskaźniki urazów, i zacząć koncentrować się na wiodących wskaźnikach ryzyka. Organizacje z dojrzałymi programami analityki bezpieczeństwa wykazały, że doświadczają mniej poważnych wypadków w czasie, ponieważ są lepiej przygotowane do identyfikacji pojawiających się ryzyk i wczesnej interwencji.

Łącząc wypadki bezpośrednio z nauką, odpowiedzialnością i mierzalnymi wynikami, AI pomaga zespołom ds. bezpieczeństwa uczyć się nie tylko z wypadków, ale także dzięki nim.

Przyszłość bezpieczeństwa w miejscu pracy nie polega na zbieraniu więcej danych. Chodzi o bardziej inteligentne wykorzystanie istniejących danych. Narzędzia AI oferują zespołom ds. bezpieczeństwa sposób na przekształcenie rejestrów wypadków z dokumentacji statycznej w dynamiczne narzędzia prewencji, pomagając organizacjom poruszać się szybciej od dochodzenia do działania bez poświęcania ludzkiej oceny. W środowiskach, w których koszt powtarzających się wypadków jest wysoki, uczynienie danych o wypadkach naprawdę działaniem może być jednym z najbardziej wpływowych kroków, jakie mogą podjąć liderzy ds. bezpieczeństwa.