Como a IA Analisa Relatórios de Quase-Acidentes para Prevenir Lesões Graves
Um relatório de quase-acidente chega à caixa de entrada do gestor de segurança: uma peça de cantoneira caiu 3 andares de um pavimento aberto e aterrissou a 1,2 metros de um trabalhador abaixo. O gestor de segurança analisa, emite um lembrete sobre proteção contra objetos suspensos e arquiva. Três semanas depois, um quase-acidente semelhante em outro andar do mesmo projeto. Dois meses depois, um objeto em queda realmente atinge um trabalhador em um projeto do outro lado da cidade. O padrão era visível nos dados, mas ninguém conectou os pontos até alguém se machucar.
O Problema do Volume
Grandes empresas de construção geram milhares de relatórios de quase-acidentes por ano. Uma empreiteira com 20 projetos ativos pode receber de 50 a 100 relatórios de quase-acidentes por semana durante o pico de atividade. Cada relatório é revisado pelo responsável de segurança do projeto, e relatórios significativos são escalados. Mas os padrões que abrangem múltiplos projetos, múltiplos períodos de tempo e múltiplos autores de relatórios são quase impossíveis de detectar por um único revisor humano.
O volume é, na verdade, um indicador positivo. Empresas com culturas de segurança fortes reportam mais quase-acidentes porque seus trabalhadores são treinados para documentá-los. Uma alta taxa de relato de quase-acidentes é um indicador antecedente de maturidade em segurança. Mas o valor desses relatórios depende de alguém os analisar sistematicamente em busca de padrões.
Uma empresa nacional de construção com 8.000 funcionários implementou análise de texto por IA em sua base de dados de quase-acidentes com mais de 12.000 relatórios ao longo de três anos. A IA identificou 34 agrupamentos de padrões distintos que não haviam sido sinalizados pelo processo de revisão manual. Sete desses agrupamentos representavam condições recorrentes que posteriormente resultaram em lesões reais. Em cada caso, o padrão era visível nos dados de quase-acidentes meses antes da lesão ocorrer.
Como a Análise de Texto por IA Funciona em Relatórios de Segurança
Relatórios de quase-acidentes são tipicamente descrições em texto livre escritas por trabalhadores de campo ou supervisores. Eles variam enormemente em detalhe, qualidade de escrita e terminologia. Um trabalhador escreve que uma tábua caiu do andaime. Outro escreve que madeira caiu da plataforma do andaime. Um terceiro escreve que uma viga foi deslocada da superfície de trabalho temporária. Os três estão descrevendo essencialmente o mesmo perigo, mas uma busca por palavras-chave não os conectaria.
Modelos de processamento de linguagem natural compreendem o significado semântico do texto em vez de apenas corresponder palavras-chave. Eles identificam que os três relatórios descrevem a mesma categoria de perigo: queda de objetos de superfícies de trabalho temporárias elevadas. Eles também podem extrair fatores contribuintes mencionados na narrativa: condições de vento, plataformas de trabalho superlotadas, rodapés inadequados e armazenamento de material não fixado.
A IA agrupa relatórios semelhantes em clusters e rastreia a frequência dos clusters ao longo do tempo. Um cluster de relatórios sobre queda de objetos de andaimes que está crescendo em frequência sinaliza um risco emergente. Um cluster sobre riscos de tropeço por cabos elétricos que aparece consistentemente em todos os projetos indica um problema sistêmico com práticas de gestão de cabos, em vez de um problema específico de um projeto.
Conectando Relatórios Entre Projetos
Uma das capacidades mais valiosas é a detecção de padrões entre projetos. Um quase-acidente envolvendo uma retroescavadeira atingindo uma tubulação de gás não sinalizada no Projeto A, combinado com um quase-acidente sobre localizações incompletas de utilidades no Projeto B, e um relatório sobre marcações de utilidades desbotadas no Projeto C, formam um padrão que sugere que o processo de verificação de localização de utilidades da empresa tem uma falha.
Esse tipo de análise entre projetos é essencialmente impossível por meio de revisão manual. Cada responsável de segurança do projeto vê apenas seus próprios relatórios. A equipe corporativa de segurança recebe resumos, mas normalmente não lê cada relatório em detalhe. A IA lê cada relatório, compreende o conteúdo e faz conexões que nenhum revisor humano individual faria porque nenhum humano individual tem visibilidade sobre o conjunto completo de dados.
Empresas que utilizam análises de segurança na construção impulsionadas por IA estão descobrindo que os insights entre projetos frequentemente levam a melhorias de segurança mais impactantes do que as revisões individuais de incidentes. Alterar um processo em toda a empresa com base em um padrão encontrado em 8 projetos previne mais lesões do que abordar um único incidente em um único projeto.
Previsão de Gravidade a Partir das Características de Quase-Acidentes
Nem todos os quase-acidentes carregam o mesmo potencial de dano grave. Um martelo que cai de 1,2 metros tem um potencial de gravidade diferente de um martelo que cai de 12 metros. Modelos de IA podem avaliar a gravidade potencial de eventos de quase-acidente com base nas características descritas no relatório: altura da queda, massa do objeto, proximidade dos trabalhadores, energia envolvida e tipo de perigo.
Essa pontuação de gravidade ajuda as equipes de segurança a priorizar sua resposta. Um padrão de alta frequência e baixa gravidade, como tropeços menores em extensões elétricas, pode justificar uma mudança de procedimento. Um padrão de baixa frequência e alta gravidade, como falhas em conexões estruturais, pode justificar uma revisão de engenharia imediata e uma potencial ordem de paralisação de trabalho, mesmo que existam apenas 2 ou 3 relatórios.
A pontuação de gravidade não é precisa, porque os relatórios de quase-acidentes frequentemente carecem do detalhe necessário para um cálculo exato de gravidade. Mas fornece diferenciação suficiente para ajudar os gestores de segurança a alocar seu tempo limitado nos padrões com maior probabilidade de resultar em lesão grave ou fatalidade se continuarem sem controle.
Melhorando a Qualidade dos Relatórios
Um benefício inesperado da análise de quase-acidentes por IA é a melhoria na qualidade dos relatórios. Quando a IA identifica que certas informações estão faltando nos relatórios, como a altura de uma queda, a atividade específica sendo realizada ou as condições climáticas, a equipe de segurança pode fornecer feedback aos relatores sobre quais detalhes são importantes. Com o tempo, a qualidade dos relatórios melhora, o que por sua vez melhora a capacidade da IA de encontrar padrões.
Algumas plataformas fornecem feedback em tempo real aos trabalhadores que preenchem relatórios de quase-acidentes em seus celulares. Enquanto o trabalhador digita a descrição, a IA solicita detalhes ausentes: qual era a altura aproximada, quantos trabalhadores estavam na área, a área estava isolada. Esse formato de relatório guiado captura dados mais úteis sem exigir que o trabalhador preencha formulários extensos.
Resistência Organizacional
A implementação da análise de quase-acidentes por IA às vezes encontra resistência da equipe de segurança no nível do projeto, que sente que seu julgamento está sendo questionado por uma máquina. O enquadramento importa. A IA não está questionando a resposta do responsável de segurança do projeto a relatórios individuais. Ela está analisando os dados agregados para encontrar padrões que nenhum revisor individual poderia detectar porque os padrões abrangem muitos relatórios ao longo de muito tempo.
Compartilhar as histórias de sucesso ajuda. Quando a IA identifica um padrão que leva a uma melhoria significativa de segurança, documentar esse caso e compartilhá-lo em toda a organização demonstra o valor em termos concretos. Os responsáveis de segurança que inicialmente resistiram frequentemente se tornam os maiores defensores quando veem a IA revelar um padrão sobre o qual tinham uma intuição, mas não conseguiam provar apenas com os dados.
O objetivo não é automatizar a gestão de segurança. O objetivo é dar aos profissionais de segurança melhores ferramentas para o reconhecimento de padrões que é essencial para prevenir incidentes graves. Os dados de quase-acidentes que as empresas de construção já estão coletando contêm inteligência acionável. A IA é a forma prática de extraí-la em escala.