AIがニアミス報告を分析して重大な負傷を防ぐ方法

安全管理者の受信トレイにヒヤリハット報告が届きます。開放されたデッキの3階からアングル材が落下し、下にいた作業員のわずか4フィート（約1.2メートル）の位置に着地したという内容です。安全管理者はそれを確認し、頭上防護に関する注意喚起を行い、報告を保管します。3週間後、同じ現場の別の階で同様のヒヤリハットが発生。2ヶ月後、市内の別の現場で落下物が実際に作業員に当たります。パターンはデータの中に見えていましたが、誰かが怪我をするまで誰もその点と点を結びつけることができませんでした。

報告量の問題

大手建設会社は年間数千件のヒヤリハット報告を生成します。20の稼働中の現場を持つ建設業者は、繁忙期には週に50〜100件のヒヤリハット報告を受け取ることがあります。各報告は現場の安全担当者によって確認され、重要な報告はエスカレーションされます。しかし、複数の現場、複数の期間、複数の報告者にまたがるパターンは、一人の人間のレビュアーが検出するのはほぼ不可能です。

報告量が多いこと自体は実はポジティブな指標です。安全文化が根付いている企業ほど、作業員がヒヤリハットを記録するよう訓練されているため、より多くのヒヤリハットが報告されます。ヒヤリハット報告率の高さは、安全成熟度の先行指標です。しかし、それらの報告の価値は、誰かがパターンを体系的に分析しているかどうかにかかっています。

従業員8,000人を擁する全国規模の建設会社が、3年間にわたる12,000件以上のヒヤリハット報告データベースにAIテキスト分析を導入しました。AIは、手動レビュープロセスでは検出されなかった34の異なるパターンクラスターを特定しました。そのうち7つのクラスターは、その後実際の負傷事故につながった繰り返し発生する状況を示していました。いずれのケースでも、負傷事故が発生する数ヶ月前からヒヤリハットデータにパターンが現れていました。

AIテキスト分析が安全報告に対してどのように機能するか

ヒヤリハット報告は通常、現場作業員や監督者が書く自由記述形式の文章です。詳細さ、文章の質、用語は報告によって大きく異なります。ある作業員は足場から板が落ちたと書きます。別の作業員は足場の作業台から木材が落下したと書きます。3人目の作業員は仮設作業面から2×4材が外れたと書きます。3つとも本質的に同じ危険を記述していますが、キーワード検索ではこれらを結びつけることはできません。

自然言語処理モデルは、単にキーワードを照合するのではなく、テキストの意味的な内容を理解します。3つの報告すべてが同じカテゴリーの危険、すなわち高所の仮設作業面からの落下物を記述していることを特定します。また、記述の中で言及されている寄与要因も抽出できます。風の状況、過密な作業プラットフォーム、不十分な幅木、固定されていない資材保管などです。

AIは類似の報告をクラスターにグループ化し、クラスターの頻度を時系列で追跡します。足場からの落下物に関する報告のクラスターが頻度を増している場合、新たなリスクの兆候を示しています。電気コードによるつまずき危険に関するクラスターがすべての現場で一貫して現れる場合、それは現場固有の問題ではなく、コード管理の慣行に関する組織的な問題を示しています。

現場横断的な報告の関連付け

最も価値のある機能の一つが、現場横断的なパターン検出です。現場Aでバックホーが未標識のガス管に接触したヒヤリハット、現場Bでの不完全な地下埋設物調査に関するヒヤリハット、現場Cでの色あせた地下埋設物マーキングに関する報告を組み合わせると、会社の地下埋設物位置確認プロセスにギャップがあることを示すパターンが形成されます。

この種の現場横断的な分析は、手動レビューでは事実上不可能です。各現場の安全担当者は自分の現場の報告しか見ていません。本社の安全チームはサマリーを受け取りますが、通常すべての報告を詳細に読むことはありません。AIはすべての報告を読み、内容を理解し、一人の人間のレビュアーでは決して行えない関連付けを行います。なぜなら、一人の人間がデータセット全体を見渡すことは不可能だからです。

AI駆動の建設安全分析を活用している企業は、現場横断的なインサイトが個別のインシデントレビューよりもインパクトのある安全改善につながることが多いと実感しています。8つの現場にまたがるパターンに基づいて全社的なプロセスを変更することは、単一の現場での単一のインシデントに対処するよりも多くの負傷事故を防ぎます。

ヒヤリハット特性からの重大度予測

すべてのヒヤリハットが同じ重大災害の可能性を持っているわけではありません。4フィート（約1.2メートル）の高さから落ちたハンマーと40フィート（約12メートル）の高さから落ちたハンマーでは、重大度の可能性が異なります。AIモデルは、報告に記述された特性（落下高さ、物体の質量、作業員との近接度、関与するエネルギー、危険の種類）に基づいて、ヒヤリハット事象の潜在的な重大度を評価できます。

この重大度スコアリングは、安全チームが対応の優先順位を決めるのに役立ちます。延長コードによる軽微なつまずきのような高頻度・低重大度のパターンは、手順の変更が必要かもしれません。構造接合部の不具合のような低頻度・高重大度のパターンは、報告が2〜3件しかなくても、即座のエンジニアリングレビューと作業停止命令の検討が必要かもしれません。

重大度スコアリングは正確ではありません。ヒヤリハット報告には正確な重大度計算に必要な詳細が不足していることが多いためです。しかし、安全管理者が限られた時間を、放置すれば重大災害や死亡事故につながる可能性が最も高いパターンに割り当てるための十分な差別化を提供します。

報告品質の向上

AIによるヒヤリハット分析の予想外のメリットは、報告品質の向上です。AIが報告から特定の情報が欠落していることを特定した場合（落下高さ、実施中の具体的な作業、天候条件など）、安全チームは報告者にどのような詳細が重要かについてフィードバックを提供できます。時間の経過とともに報告品質が向上し、それがさらにAIのパターン発見能力を向上させます。

一部のプラットフォームは、スマートフォンでヒヤリハット報告を提出する作業員にリアルタイムのフィードバックを提供します。作業員が説明を入力すると、AIが不足している詳細を促します。おおよその高さはどのくらいか、エリアに何人の作業員がいたか、エリアはバリケードで囲まれていたかなどです。このガイド付き報告形式は、作業員に長いフォームの記入を求めることなく、より有用なデータを収集します。

組織的な抵抗

AIによるヒヤリハット分析の導入は、自分の判断が機械に疑問視されていると感じる現場レベルの安全スタッフからの抵抗に遭うことがあります。伝え方が重要です。AIは現場安全担当者の個別報告への対応を批判しているのではありません。個々のレビュアーでは検出できないパターンを見つけるために集約データを分析しているのです。パターンがあまりにも多くの報告にまたがり、あまりにも長い期間に及ぶため、個人では検出不可能なのです。

成功事例の共有が効果的です。AIがパターンを特定し、それが意味のある安全改善につながった場合、そのケースを文書化して組織全体で共有することで、具体的な形で価値を示すことができます。当初抵抗していた安全担当者が、AIが自分が直感的に感じていたがデータだけでは証明できなかったパターンを浮き彫りにするのを見て、最も強力な推進者になることがよくあります。

目標は安全管理を自動化することではありません。目標は、重大事故の防止に不可欠なパターン認識のために、安全専門家により優れたツールを提供することです。建設会社がすでに収集しているヒヤリハットデータには、実行可能なインテリジェンスが含まれています。AIは、それを大規模に抽出するための実用的な方法です。