AI가 아차사고 보고를 분석해 중대 재해를 예방하는 방법

안전 관리자의 받은편지함에 아차사고 보고서가 도착합니다: 앵글 아이언 한 조각이 개방된 데크에서 3층 높이로 떨어져 아래에 있던 작업자로부터 약 1.2미터 떨어진 곳에 착지했습니다. 안전 관리자는 이를 검토하고, 머리 위 보호에 대한 주의사항을 전달한 후 보고서를 보관합니다. 3주 후, 같은 프로젝트의 다른 층에서 유사한 아차사고가 발생합니다. 2개월 후, 도시 반대편 프로젝트에서 낙하물이 실제로 작업자를 타격합니다. 패턴은 데이터에서 확인할 수 있었지만, 누군가 다칠 때까지 아무도 그 점들을 연결하지 못했습니다.

데이터 양의 문제

대형 건설 회사는 연간 수천 건의 아차사고 보고서를 생성합니다. 20개의 활성 프로젝트를 보유한 시공사는 성수기에 주당 50~100건의 아차사고 보고서를 받을 수 있습니다. 각 보고서는 프로젝트 안전 담당자가 검토하며, 중요한 보고서는 상위로 보고됩니다. 그러나 여러 프로젝트, 여러 기간, 여러 보고서 작성자에 걸쳐 나타나는 패턴은 단일 검토자가 감지하기 거의 불가능합니다.

보고서의 양이 많다는 것은 사실 긍정적인 지표입니다. 강한 안전 문화를 가진 회사는 작업자들이 아차사고를 문서화하도록 교육받았기 때문에 더 많은 아차사고를 보고합니다. 높은 아차사고 보고율은 안전 성숙도의 선행 지표입니다. 하지만 이러한 보고서의 가치는 누군가가 체계적으로 패턴을 분석하느냐에 달려 있습니다.

직원 8,000명 규모의 전국적 건설 회사가 3년에 걸친 12,000건 이상의 아차사고 보고서 데이터베이스에 AI 텍스트 분석을 도입했습니다. AI는 수동 검토 과정에서 발견되지 않았던 34개의 뚜렷한 패턴 클러스터를 식별했습니다. 이 중 7개 클러스터는 이후 실제 부상으로 이어진 반복적 상황을 나타내고 있었습니다. 각 사례에서 패턴은 부상이 발생하기 수개월 전에 아차사고 데이터에서 이미 확인 가능했습니다.

AI 텍스트 분석이 안전 보고서에서 작동하는 방식

아차사고 보고서는 일반적으로 현장 작업자나 감독자가 작성하는 자유 형식의 텍스트 설명입니다. 세부 사항, 작성 품질, 용어 사용에서 매우 큰 차이를 보입니다. 한 작업자는 비계에서 판자가 떨어졌다고 씁니다. 다른 작업자는 비계 플랫폼에서 목재가 떨어졌다고 씁니다. 세 번째 작업자는 임시 작업면에서 투바이포가 이탈했다고 씁니다. 세 가지 모두 본질적으로 같은 위험을 설명하고 있지만, 키워드 검색으로는 이들을 연결할 수 없습니다.

자연어 처리 모델은 단순히 키워드를 매칭하는 것이 아니라 텍스트의 의미론적 뜻을 이해합니다. 세 보고서 모두 같은 범주의 위험, 즉 높은 곳의 임시 작업면에서의 낙하물을 설명하고 있음을 식별합니다. 또한 서술에서 언급된 기여 요인도 추출할 수 있습니다: 바람 상태, 과밀한 작업 플랫폼, 부적절한 발끝막이판, 고정되지 않은 자재 보관 등입니다.

AI는 유사한 보고서를 클러스터로 그룹화하고 시간에 따른 클러스터 빈도를 추적합니다. 비계에서의 낙하물에 대한 보고서 클러스터가 빈도가 증가하고 있다면 이는 새로운 위험이 부상하고 있다는 신호입니다. 전기 코드로 인한 걸림 위험에 대한 클러스터가 모든 프로젝트에서 일관되게 나타난다면, 이는 프로젝트별 문제가 아니라 코드 관리 관행의 체계적 문제를 나타냅니다.

프로젝트 간 보고서 연결

가장 가치 있는 기능 중 하나는 프로젝트 간 패턴 감지입니다. 프로젝트 A에서 백호가 표시되지 않은 가스관을 타격한 아차사고, 프로젝트 B에서 불완전한 지하매설물 탐사에 대한 아차사고, 프로젝트 C에서 퇴색된 지하매설물 표시에 대한 보고서가 결합되면, 회사의 지하매설물 위치 확인 프로세스에 결함이 있음을 시사하는 패턴을 형성합니다.

이러한 종류의 프로젝트 간 분석은 수동 검토로는 사실상 불가능합니다. 각 프로젝트 안전 담당자는 자신의 보고서만 봅니다. 본사 안전팀은 요약본을 받지만 일반적으로 모든 보고서를 상세히 읽지는 않습니다. AI는 모든 보고서를 읽고, 내용을 이해하며, 단일 검토자가 전체 데이터셋에 대한 가시성을 갖고 있지 않기 때문에 할 수 없는 연결을 만들어냅니다.

AI 기반 건설 안전 분석을 사용하는 기업들은 프로젝트 간 인사이트가 개별 사고 검토보다 더 영향력 있는 안전 개선으로 이어지는 경우가 많다는 것을 발견하고 있습니다. 8개 프로젝트에서 발견된 패턴을 기반으로 회사 전체 프로세스를 변경하면, 단일 프로젝트의 단일 사고를 처리하는 것보다 더 많은 부상을 예방할 수 있습니다.

아차사고 특성을 통한 심각도 예측

모든 아차사고가 동일한 심각한 피해 가능성을 가지고 있는 것은 아닙니다. 1.2미터 높이에서 떨어진 망치와 12미터 높이에서 떨어진 망치는 심각도 잠재력이 다릅니다. AI 모델은 보고서에 기술된 특성을 기반으로 아차사고의 잠재적 심각도를 평가할 수 있습니다: 낙하 높이, 물체 질량, 작업자 근접도, 관련 에너지, 위험 유형 등입니다.

이 심각도 점수는 안전팀이 대응 우선순위를 정하는 데 도움이 됩니다. 연장 코드에 걸리는 경미한 걸림과 같은 고빈도, 저심각도 패턴은 절차 변경이 필요할 수 있습니다. 구조 연결부 파손과 같은 저빈도, 고심각도 패턴은 보고서가 2~3건밖에 없더라도 즉각적인 엔지니어링 검토와 잠재적 작업 중지 명령이 필요할 수 있습니다.

심각도 점수는 정확하지 않습니다. 아차사고 보고서에는 정확한 심각도 계산에 필요한 세부 정보가 부족한 경우가 많기 때문입니다. 그러나 안전 관리자가 제한된 시간을 방치할 경우 심각한 부상이나 사망으로 이어질 가능성이 가장 높은 패턴에 할당할 수 있도록 충분한 차별화를 제공합니다.

보고 품질 향상

AI 아차사고 분석의 예상치 못한 이점은 보고 품질의 향상입니다. AI가 보고서에서 특정 정보가 누락되어 있음을 식별하면—예를 들어 낙하 높이, 수행 중이던 특정 작업, 기상 조건 등—안전팀은 보고자에게 어떤 세부 사항이 중요한지 피드백을 제공할 수 있습니다. 시간이 지남에 따라 보고 품질이 향상되고, 이는 다시 AI의 패턴 발견 능력을 더욱 향상시킵니다.

일부 플랫폼은 작업자가 휴대폰으로 아차사고 보고서를 작성할 때 실시간 피드백을 제공합니다. 작업자가 설명을 입력하면 AI가 누락된 세부 사항을 요청합니다: 대략적인 높이는 얼마였는지, 해당 구역에 몇 명의 작업자가 있었는지, 해당 구역이 바리케이드로 차단되어 있었는지. 이 안내식 보고 형식은 작업자가 긴 양식을 작성하지 않고도 더 유용한 데이터를 수집합니다.

조직적 저항

AI 아차사고 분석 도입은 때때로 자신의 판단이 기계에 의해 의문시되고 있다고 느끼는 프로젝트 수준 안전 담당자의 저항에 부딪힙니다. 프레이밍이 중요합니다. AI는 개별 보고서에 대한 프로젝트 안전 담당자의 대응을 재검토하는 것이 아닙니다. 너무 많은 보고서가 너무 긴 기간에 걸쳐 있어 개별 검토자가 감지할 수 없는 패턴을 찾기 위해 집계 데이터를 분석하는 것입니다.

성공 사례를 공유하는 것이 도움이 됩니다. AI가 의미 있는 안전 개선으로 이어지는 패턴을 식별하면, 그 사례를 문서화하고 조직 전체에 공유하면 구체적인 용어로 가치를 입증할 수 있습니다. 처음에 저항했던 안전 담당자들은 AI가 자신이 직감적으로 느꼈지만 데이터만으로는 증명할 수 없었던 패턴을 표면화하는 것을 보면 종종 가장 강력한 옹호자가 됩니다.

목표는 안전 관리를 자동화하는 것이 아닙니다. 목표는 심각한 사고를 예방하는 데 필수적인 패턴 인식을 위해 안전 전문가에게 더 나은 도구를 제공하는 것입니다. 건설 회사가 이미 수집하고 있는 아차사고 데이터에는 실행 가능한 인텔리전스가 포함되어 있습니다. AI는 이를 대규모로 추출하는 실용적인 방법입니다.