As taxas de incidentes são o dado de segurança que os conselhos mais frequentemente pedem. São também os dados de segurança que menos contribuem para a prevenção, porque chegam depois de os incidentes já terem ocorrido. Se a sua organização teve zero incidentes registáveis no último trimestre, isso diz-lhe que não foi forçada a reportar nenhum incidente. Não diz-lhe que não vai ter um próximo mês.
Os indicadores antecipados — dados que predizem incidentes antes de ocorrerem — são o que os gestores de segurança querem mas raramente têm. Aqui está como os dados de quase-acidente de câmera por IA preenchem essa lacuna.
O problema com os dados de quase-acidente por relatório voluntário
A maioria das organizações têm sistemas de relatório de quase-acidente. A maioria experimenta sub-relatório crónico.
O sub-relatório de quase-acidente não é principalmente uma questão cultural — embora a cultura importe. É principalmente uma questão de atrito. Reportar um quase-acidente exige que um trabalhador pare, preencha um formulário, submeta-o, e confie que a organização vai usá-lo construtivamente em vez de procurar culpados. Nas condições de qualquer turno de trabalho ocupado, a maioria dos quase-acidentes nunca são reportados.
O resultado é que os dados de quase-acidente de relatório voluntário subestimam sistematicamente a frequência de quase-acidente por um fator de 100 a 300 vezes comparado com os quase-acidentes reais que ocorrem.
O que os dados de câmera por IA fornecem
Um sistema de monitoramento de câmera por IA regista quase-acidentes automaticamente, sem nenhuma ação do trabalhador. Cada conflito de veículo-pedestre que aciona um alerta — independentemente de se os trabalhadores envolvidos o relataram — é uma entrada no registo de quase-acidentes com carimbo de data/hora, câmera e categoria.
Para uma frota offshore, isso representou a diferença entre receber relatórios de quase-acidente esporádicos e ter um conjunto de dados de quase-acidente de 18.000 eventos diariamente com carimbos completos. A qualidade dos dados de segurança muda fundamentalmente quando o relatório é automático em vez de voluntário.
O que os dados de quase-acidente revelam que as taxas de incidentes não revelam
Concentração espacial: Os dados de câmera mostram onde os quase-acidentes se concentram. A esquina de corredor que vê doze conflitos de veículo-pedestre por semana está a dizer-lhe que o layout precisa de mudança — não aguardando que um desses doze conflitos resulte em contacto.
Concentração de turno: Os dados de câmera mostram quando os quase-acidentes se concentram. Se a maioria das violações de EPI acontece durante o terceiro turno ou na última hora antes do fim do turno, isso é um dado de programação e supervisão.
Concentração de comportamento: Os dados de câmera mostram que tipos de comportamento são mais frequentes. Se a maior categoria de quase-acidentes é o uso de telemóvel perto de maquinaria em movimento, esse é o comportamento que merece intervenção focada.
Como apresentar dados de quase-acidente ao conselho
O conselho quer ver tendências, não apenas números instantâneos. Apresente:
- Frequência de quase-acidente por categoria ao longo do tempo (mostrando tendências de melhoria)
- Frequência de quase-acidente por local e turno (identificando onde a melhoria é mais necessária)
- Correlação entre deteção de quase-acidente e mudanças de controlo (mostrando que os controlos estão a funcionar)
Estes são os indicadores antecipados que mostram ao conselho que a organização está a gerir o risco antes de os incidentes ocorrerem — e que os controles implementados estão a fazer diferença mensurável.
