Os locais industriais são tipicamente desenhados para eficiência de produção, com a gestão de tráfego adicionada depois. O resultado são rotas de empilhadeira e caminhos de pedestres que se cruzam porque não havia nenhum plano mestre para os separar, barreiras que param no lugar errado porque o layout de armazenamento mudou desde que foram instaladas, e pontos de cruzamento que toda a gente no local sabe que são de alto risco mas que ninguém mudou porque "sempre foi assim".
O dado que pode mudar isto não é o próximo incidente. É o padrão de quase-acidentes antes de o incidente ocorrer.
O que os dados de câmera por IA revelam que o relatório em papel não revela
Um programa de relatório de quase-acidente baseado em papel revela o que os trabalhadores escolheram reportar — normalmente os eventos mais sérios ou os mais recentes. A maioria dos quase-acidentes nunca são reportados, particularmente os que se tornam habituais: "Sim, os empilhadores sempre vêm por ali rápido. Aprendi a ficar atento."
Os dados de câmera por IA revelam a distribuição completa de quase-acidentes. Cada conflito de veículo-pedestre que a câmera detetou — independentemente de qualquer pessoa o ter reportado — aparece como uma entrada de dados com carimbo de data/hora, câmera e localização.
Acumulados durante semanas, estes dados produzem um mapa de calor de quase-acidente que é qualitativamente diferente de qualquer coisa que o relatório voluntário pudesse produzir. O padrão que emerge não é "um incidente numa esquina de corredor", mas "quarenta e sete conflitos próximos nesta esquina de corredor nas últimas seis semanas, concentrados entre as 10h00 e as 12h00 e entre as 15h00 e as 16h30."
Usando dados de quase-acidente para priorizar intervenções de engenharia
A intervenção mais valiosa em qualquer programa de segurança é a intervenção de engenharia — mudar o ambiente físico para tornar o comportamento inseguro impossível em vez de meramente proibido.
O mapa de calor de quase-acidente de câmera diz-lhe onde investir em intervenção de engenharia:
- Hotspot de esquina de corredor: Instale espelhos convexos, barreiras de separação ou reoriente a rota de empilhadeira para eliminar o ponto cego.
- Hotspot de porta de docas de carga: Instale um sistema de semáforo para a interface de veículo-pedestre ou redesenhe o acesso pedonal para eliminar o conflito.
- Hotspot de corredor de pátio: Instale calçadas físicas separadas, barreiras de controlo de acesso ou redesenhe as rotas de empilhadeira para eliminar o cruzamento ao nível do solo.
O processo
Recolher dados de linha de base: Executar o monitoramento de câmera sem anunciar intervenções por quatro a seis semanas para estabelecer a frequência de quase-acidente de linha de base e a distribuição de hotspots.
Mapear hotspots: Produzir o mapa de calor de quase-acidente que mostra onde os conflitos se concentram, em que hora e com que frequência.
Priorizar intervenções: Classificar os hotspots por frequência e gravidade de risco. Identificar as intervenções de engenharia de custo mais baixo e maior impacto.
Implementar e medir: Implementar intervenções e medir a redução da frequência de quase-acidente. Isto cria o ciclo de evidências que apoia o caso de negócios para a intervenção seguinte.
Este é o dado que o processo de melhoria de segurança foi sempre suposto usar. É apenas o primeiro sistema de câmera por IA que torna economicamente viável recolhê-lo.

