Cómo la IA analiza los informes de cuasi accidentes para prevenir lesiones graves
Un informe de cuasi accidente llega a la bandeja de entrada del responsable de seguridad: una pieza de hierro angular cayó 3 pisos desde una plataforma abierta y aterrizó a 1,2 metros de un trabajador abajo. El responsable de seguridad lo revisa, emite un recordatorio sobre la protección contra objetos aéreos y lo archiva. Tres semanas después, un cuasi accidente similar en otro piso del mismo proyecto. Dos meses después, un objeto que cae realmente golpea a un trabajador en un proyecto al otro lado de la ciudad. El patrón era visible en los datos, pero nadie conectó los puntos hasta que alguien resultó herido.
El problema del volumen
Las grandes empresas constructoras generan miles de informes de cuasi accidentes al año. Un contratista con 20 proyectos activos puede recibir de 50 a 100 informes de cuasi accidentes por semana durante los períodos de máxima actividad. Cada informe es revisado por el oficial de seguridad del proyecto, y los informes significativos se escalan. Pero los patrones que abarcan múltiples proyectos, múltiples períodos de tiempo y múltiples autores de informes son casi imposibles de detectar para un solo revisor humano.
El volumen es en realidad un indicador positivo. Las empresas con culturas de seguridad sólidas reportan más cuasi accidentes porque sus trabajadores están capacitados para documentarlos. Una alta tasa de reporte de cuasi accidentes es un indicador adelantado de madurez en seguridad. Pero el valor de esos informes depende de si alguien los analiza sistemáticamente en busca de patrones.
Una empresa constructora nacional con 8.000 empleados implementó análisis de texto con IA en su base de datos de cuasi accidentes con más de 12.000 informes que abarcaban tres años. La IA identificó 34 grupos de patrones distintos que no habían sido detectados a través de su proceso de revisión manual. Siete de estos grupos representaban condiciones recurrentes que posteriormente habían resultado en lesiones reales. En cada caso, el patrón era visible en los datos de cuasi accidentes meses antes de que ocurriera la lesión.
Cómo funciona el análisis de texto con IA en informes de seguridad
Los informes de cuasi accidentes son típicamente descripciones de texto libre escritas por trabajadores de campo o supervisores. Varían enormemente en detalle, calidad de redacción y terminología. Un trabajador escribe que una tabla cayó del andamio. Otro escribe que la madera se desprendió de la plataforma del andamio. Un tercero escribe que un tablón fue desplazado de la superficie de trabajo temporal. Los tres están describiendo esencialmente el mismo peligro, pero una búsqueda por palabras clave no los conectaría.
Los modelos de procesamiento de lenguaje natural comprenden el significado semántico del texto en lugar de simplemente buscar coincidencias de palabras clave. Identifican que los tres informes describen la misma categoría de peligro: objetos que caen desde superficies de trabajo temporales elevadas. También pueden extraer factores contribuyentes mencionados en la narrativa: condiciones de viento, plataformas de trabajo sobrecargadas, rodapiés inadecuados y almacenamiento de materiales sin asegurar.
La IA agrupa informes similares en clústeres y rastrea la frecuencia de los clústeres a lo largo del tiempo. Un clúster de informes sobre objetos que caen de andamios que está creciendo en frecuencia señala un riesgo emergente. Un clúster sobre peligros de tropiezos con cables eléctricos que aparece consistentemente en todos los proyectos indica un problema sistémico con las prácticas de gestión de cables en lugar de un problema específico de un proyecto.
Conectando informes entre proyectos
Una de las capacidades más valiosas es la detección de patrones entre proyectos. Un cuasi accidente que involucra una retroexcavadora golpeando una línea de gas sin marcar en el Proyecto A, combinado con un cuasi accidente sobre localizaciones de servicios públicos incompletas en el Proyecto B, y un informe sobre marcas de servicios públicos desvanecidas en el Proyecto C, forman un patrón que sugiere que el proceso de verificación de localización de servicios públicos de la empresa tiene una brecha.
Este tipo de análisis entre proyectos es esencialmente imposible mediante revisión manual. Cada oficial de seguridad del proyecto solo ve sus propios informes. El equipo corporativo de seguridad recibe resúmenes pero típicamente no lee cada informe en detalle. La IA lee cada informe, comprende el contenido y hace conexiones que ningún revisor humano individual haría porque ningún humano individual tiene visibilidad sobre el conjunto completo de datos.
Las empresas que utilizan analítica de seguridad en construcción impulsada por IA están descubriendo que los conocimientos entre proyectos a menudo conducen a mejoras de seguridad más impactantes que las revisiones de incidentes individuales. Cambiar un proceso a nivel de toda la empresa basándose en un patrón encontrado en 8 proyectos previene más lesiones que abordar un solo incidente en un solo proyecto.
Predicción de gravedad a partir de las características de los cuasi accidentes
No todos los cuasi accidentes tienen el mismo potencial de daño grave. Un martillo que cae desde 1,2 metros tiene un potencial de gravedad diferente al de un martillo que cae desde 12 metros. Los modelos de IA pueden evaluar la gravedad potencial de los eventos de cuasi accidentes basándose en las características descritas en el informe: altura de la caída, masa del objeto, proximidad de los trabajadores, energía involucrada y tipo de peligro.
Esta puntuación de gravedad ayuda a los equipos de seguridad a priorizar su respuesta. Un patrón de alta frecuencia y baja gravedad como tropiezos menores con cables de extensión podría justificar un cambio de procedimiento. Un patrón de baja frecuencia y alta gravedad como fallos en conexiones estructurales podría justificar una revisión de ingeniería inmediata y una posible orden de detención de trabajos, aunque solo existan 2 o 3 informes.
La puntuación de gravedad no es precisa, porque los informes de cuasi accidentes a menudo carecen del detalle necesario para un cálculo exacto de gravedad. Pero proporciona suficiente diferenciación para ayudar a los responsables de seguridad a asignar su tiempo limitado a los patrones con mayor probabilidad de resultar en lesiones graves o fatalidades si continúan sin control.
Mejorando la calidad de los informes
Un beneficio inesperado del análisis de cuasi accidentes con IA es la mejora en la calidad de los informes. Cuando la IA identifica que cierta información falta en los informes, como la altura de una caída, la actividad específica que se estaba realizando o las condiciones climáticas, el equipo de seguridad puede proporcionar retroalimentación a los reporteros sobre qué detalles importan. Con el tiempo, la calidad de los informes mejora, lo que a su vez mejora la capacidad de la IA para encontrar patrones.
Algunas plataformas proporcionan retroalimentación en tiempo real a los trabajadores que presentan informes de cuasi accidentes en sus teléfonos. A medida que el trabajador escribe la descripción, la IA solicita detalles faltantes: cuál era la altura aproximada, cuántos trabajadores estaban en el área, si el área estaba barricada. Este formato de reporte guiado captura datos más útiles sin requerir que el trabajador complete formularios extensos.
Resistencia organizacional
Implementar el análisis de cuasi accidentes con IA a veces encuentra resistencia del personal de seguridad a nivel de proyecto que siente que su juicio está siendo cuestionado por una máquina. El enfoque importa. La IA no está cuestionando la respuesta del oficial de seguridad del proyecto a informes individuales. Está analizando los datos agregados para encontrar patrones que ningún revisor individual podría detectar porque los patrones abarcan demasiados informes a lo largo de demasiado tiempo.
Compartir las historias de éxito ayuda. Cuando la IA identifica un patrón que conduce a una mejora significativa de seguridad, documentar ese caso y compartirlo en toda la organización demuestra el valor en términos concretos. Los oficiales de seguridad que inicialmente se resistieron a menudo se convierten en los defensores más firmes una vez que ven que la IA detecta un patrón sobre el que tenían una intuición pero que no podían demostrar solo con los datos.
El objetivo no es automatizar la gestión de seguridad. El objetivo es dar a los profesionales de seguridad mejores herramientas para el reconocimiento de patrones que es esencial para prevenir incidentes graves. Los datos de cuasi accidentes que las empresas constructoras ya están recopilando contienen inteligencia accionable. La IA es la forma práctica de extraerla a escala.