Przekształcanie danych dotyczących wypadków w miejscu pracy w działania zapobiegawcze z wykorzystaniem sztucznej inteligencji

Zespoły odpowiedzialne za bezpieczeństwo w miejscu pracy generują dane dotyczące wypadków każdego roku, ale mimo to miliony pracowników zostają rannych, a niektórzy nawet giną. Raporty o wypadkach, niebezpieczne sytuacje, obserwacje zagrożeń oraz narracje dotyczące dochodzeń są rejestrowane w różnych branżach, od produkcji po budownictwo i energetykę. Jednak pomimo skali tych danych, wiele organizacji ma trudności z przekształceniem danych dotyczących wypadków w trwałe zapobieganie.

W Stanach Zjednoczonych tylko w 2023 roku pracodawcy zgłosili około 2,6 miliona niegroźnych wypadków i chorób zawodowych, co podkreśla ciągłą potrzebę skuteczniejszych interwencji w zakresie bezpieczeństwa. Chociaż długoterminowe trendy pokazują poprawę, z częstością wypadków znacznie malejącą od lat 70., postęp zwolnił w ostatnich latach, szczególnie w sektorach o wysokim ryzyku.

Przerwa między raportowaniem a zapobieganiem

Wiele procesów zarządzania wypadkami jest zaprojektowanych tak, aby zapewnić zgodność z przepisami OSHA lub ubezpieczeniami społecznymi. Specjaliści ds. bezpieczeństwa i ubezpieczeń społecznych 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 wcześniejsze wypadki są jednymi z najsilniejszych predyktorów przyszłych urazów, gdy działania korygujące są opóźnione lub niewystarczające, co podkreśla, jak krytyczny może być okres po wypadku dla zapobiegania. Narzędzia sztucznej inteligencji mogą zacząć zmieniać procesy bezpieczeństwa, gdy są powiązane z zaleceniami po wypadku.

Używanie sztucznej inteligencji do zrozumienia narracji wypadków w skali

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

Dopiero niedawno analiza tych informacji w wielu wypadkach wymagała czasochłonnej ręcznej kontroli. Narzędzia sztucznej inteligencji mogą teraz zmienić tę dynamikę, z modelami, które mogą badać dane narracyjne w skali, identyfikować powtarzające się wzorce, powszechne czynniki przyczynowe i subtelne trendy, które mogą nie być łatwo widoczne za pomocą samych pól strukturalnych.

Dalsze badania wykazały, że nieustrukturyzowane narracje bezpieczeństwa często ujawniają wczesne wskaźniki systematycznego ryzyka – takie jak zamieszanie proceduralne lub powtarzające się warunki środowiskowe – znacznie wcześniej, zanim pojawiają się one w agregowanych statystykach. Zamiast zastępować śledczych, narzędzia sztucznej inteligencji mogą uzupełnić ich ekspertyzę, ujawniając sygnały, które wymagają bliższej uwagi.

Zespoły bezpieczeństwa mogą używać narzędzi sztucznej inteligencji bezpośrednio po wypadku, aby:

• Interpretować szczegóły wypadku – w tym nasilenie, zachowania i opisy kontekstowe – w celu podkreślenia istotnych 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 spójnością i szybkością.

Od analizy przyczyn do natychmiastowych działań

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

Narzędzia sztucznej inteligencji są coraz częściej używane do przełamania tej bariery, analizując cechy wypadku – typ, nasilenie, czynniki przyczynowe i kontekstowe. Narzędzie sztucznej inteligencji 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 sztucznej inteligencji wspierające procesy bezpieczeństwa coraz częściej podkreślają zamkniętą pętlę odpowiedzialności, zapewniając, że działania korygujące nie tylko są rekomendowane, ale także śledzone do ukończenia i udokumentowane obok oryginalnego wypadku. Z punktu widzenia dojrzałości programu umożliwia to organizacjom przekroczyć granicę raportowania zgodności i podejść do mierzenia poprawy, w tym:

• Szybszy czas od dochodzenia do działania korygującego
• Większa spójność w przydzielaniu i weryfikowaniu szkoleń
• Wyraźniejsze ślady audytowe łączące wypadki, działania i wyniki

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

Wyniki bezpieczeństwa mają etyczne, prawne i ludzkie konsekwencje, które wymagają profesjonalnej oceny. Skuteczna implementacja narzędzi sztucznej inteligencji opiera się na modelu z ludzkim udziałem, w którym narzędzie sztucznej inteligencji zapewnia wyjaśnialne rekomendacje i dowody wspierające, a specjaliści ds. bezpieczeństwa zachowują pełną władzę nad decyzjami. Ten podejście jest zgodne z szerszymi ramami zarządzania ryzykiem sztucznej inteligencji, takimi jak NIST AI Risk Management Framework, które podkreślają transparentność i odpowiedzialność, jednocześnie zachowując nadzór.

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

Spójrzając w przyszłość i mierząc wpływ poza zgodnością

Gdy dane dotyczące wypadków stają się bardziej użyteczne, programy bezpieczeństwa mogą przekroczyć granicę wskaźników opóźnionych, takich jak wskaźniki urazów, i zacząć koncentrować się na wskaźnikach wiodących 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 wczesnego interweniowania.

Łącząc wypadki bezpośrednio z nauką, odpowiedzialnością i mieralnymi wynikami, sztuczna inteligencja pomaga zespołom bezpieczeństwa uczyć się nie tylko z wypadków, ale także dzięki nim.

Przyszłość bezpieczeństwa w miejscu pracy nie dotyczy zbierania więcej danych. Chodzi o używanie istniejących danych w sposób bardziej inteligentny. Narzędzia sztucznej inteligencji oferują zespołom bezpieczeństwa sposób na przekształcenie raportów o wypadkach z dokumentacji statycznej w dynamiczne narzędzia zapobiegawcze, 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 dotyczących wypadków prawdziwie użytecznymi może być jednym z najbardziej wpływowych kroków, jakie liderzy ds. bezpieczeństwa mogą podjąć.