Les organisations ont passé des décennies à améliorer la façon dont les incidents sont signalés, enquêtés, documentés et suivis. Les plateformes EHS ont facilité la standardisation des flux de travail, l'attribution des enquêtes, la gestion des actions correctives et le maintien des dossiers à travers des opérations de plus en plus complexes.

Mais une question importante est demeurée étonnamment difficile à répondre à grande échelle : À quel point l'enquête était-elle bonne?

Une enquête peut être complétée à temps, inclure tous les champs requis et progresser avec succès à travers un flux d'approbation, tout en manquant de preuve importante, en négligeant des facteurs causaux, en arrivant à des conclusions qui ne sont pas entièrement appuyées, ou en recommandant des actions correctives qui n'abordent pas les conditions sous-jacentes qui ont produit l'événement.

Cette distinction importe parce que la valeur d'une enquête n'est pas déterminée par le fait que le rapport ait été complété. Elle est déterminée par le fait que l'organisation ait appris les bonnes leçons de l'événement et les ait traduites en une réduction significative du risque.

Aujourd'hui, nous présentons HavenASSURE, une nouvelle capacité au sein de Haven Safety AI conçue pour aider les organisations à évaluer et améliorer systématiquement la qualité des enquêtes d'incidents complétées.

La qualité des enquêtes est difficile à gérer à grande échelle

La plupart des organisations de sécurité matures ont déjà une certaine forme d'assurance qualité des enquêtes. Les dirigeants de sécurité chevronnés révisent les événements majeurs, les équipes d'enquête effectuent des révisions par les pairs, les groupes EHS corporatifs réalisent des audits, et certaines organisations échantillonnent périodiquement les enquêtes complétées pour évaluer la constance et la rigueur.

Ces approches sont précieuses, mais elles sont aussi limitées par le temps et l'expertise. Un professionnel de sécurité chevronné peut réaliser une révision détaillée d'une poignée d'enquêtes chaque mois. Il ne peut pas appliquer réalistement ce même niveau de rigueur à des centaines ou des milliers d'enquêtes réparties à travers les sites, unités d'affaires, contractants et régions.

En conséquence, la qualité des enquêtes peut varier substantiellement selon qui a mené l'enquête, combien de temps était disponible, quelle preuve a été recueillie, et combien d'expérience l'enquêteur a apportée au processus.

Cela crée un angle mort important. Les organisations peuvent mesurer combien d'enquêtes ont été complétées, à quelle vitesse elles ont été closes, et si des actions correctives ont été assignées, tout en ayant beaucoup moins de visibilité sur le fait que l'analyse sous-jacente était réellement complète et défendable.

HavenASSURE est conçu pour aider à combler cet écart en rendant la qualité des enquêtes quelque chose que les organisations peuvent évaluer plus constamment et à une bien plus grande échelle.

Pourquoi simplement demander à l'IA de "noter" une enquête ne suffit pas

L'IA générative crée une occasion évidente pour la révision d'enquêtes. Donnez à un grand modèle de langage un rapport d'enquête et demandez-lui s'il est bon, et il peut produire une évaluation plausible presque immédiatement.

Mais dans un travail critique pour la sécurité, une réponse plausible n'est pas nécessairement une réponse utile.

Un modèle d'IA générique ne sait pas intrinsèquement comment une organisation particulière s'attend à ce que les enquêtes soient menées. Il peut ne pas comprendre la méthodologie d'enquête de l'entreprise, la preuve requise, les procédures internes, l'environnement de contrôle, la terminologie, ou les attentes en matière d'analyse causale et d'actions correctives. Il ne comprend pas non plus intrinsèquement comment les dangers, tâches, contrôles, équipements, modes de défaillance et facteurs causaux spécifiques au sein d'un événement se rapportent les uns aux autres.

Sans ce contexte, l'IA risque de devenir un juge arbitraire de l'enquête plutôt qu'un outil d'assurance qualité utile.

HavenASSURE adopte une approche différente. Plutôt que de s'appuyer uniquement sur le savoir général contenu dans un modèle fondamental, ASSURE fonde son analyse sur le graphe de connaissances de sécurité structuré de Haven et les propres exigences d'enquête et contexte opérationnel de l'organisation.

Le graphe de connaissances de Haven relie les concepts qui importent dans les enquêtes de sécurité, incluant les dangers, expositions, contrôles, tâches, équipements, modes de défaillance, facteurs causaux, procédures, actions correctives et événements antérieurs. Cela donne à l'IA un modèle de domaine structuré sur lequel elle peut raisonner plutôt que de traiter une enquête comme simplement un autre morceau de texte.

Les organisations peuvent ensuite superposer leurs propres normes d'enquête, procédures, méthodologies et exigences à ce contexte. L'évaluation résultante n'est donc pas simplement basée sur le fait qu'un modèle d'IA croit qu'une enquête "semble bonne". Elle est basée sur le fait que l'enquête soit complète et bien appuyée compte tenu de la preuve disponible, du savoir de sécurité pertinent et des normes selon lesquelles cette organisation s'attend à ce que ses enquêtes soient menées.

Ce qu'évalue HavenASSURE

HavenASSURE agit comme une couche d'assurance qualité additionnelle sur les enquêtes complétées. Il examine le dossier d'enquête et cherche des domaines qui méritent un examen additionnel avant que l'enquête ne soit finalisée ou que ses constats ne soient intégrés dans l'apprentissage organisationnel plus large.

Selon l'enquête et les exigences de l'organisation, cela peut inclure l'évaluation de la complétude de la preuve, l'identification de contradictions non résolues, l'évaluation de l'intégrité de la chronologie, la recherche de facteurs causaux qui auraient pu être négligés, l'examen du fait que les conclusions de cause fondamentale sont adéquatement appuyées, et l'évaluation du fait que les actions correctives répondent logiquement aux causes identifiées.

ASSURE peut également examiner des domaines comme la couverture des témoins, les procédures, la formation, l'EPI, l'équipement, les conditions environnementales, les facteurs humains, et la solidité des actions correctives par rapport à la Hiérarchie des Contrôles.

L'objectif n'est pas de faire en sorte que l'IA remplace l'enquêteur ou prenne la décision finale de sécurité. L'objectif est de donner aux enquêteurs et dirigeants de sécurité une autre révision structurée et fondée sur la preuve du travail, afin qu'ils puissent décider si une enquête, preuve, analyse ou action corrective additionnelle est nécessaire.

Cette distinction est importante. Dans le travail de sécurité à haute conséquence, le jugement professionnel et la responsabilité devraient demeurer avec les personnes responsables de l'enquête. L'IA est la plus utile lorsqu'elle améliore l'information disponible pour ces professionnels et les aide à appliquer une plus grande rigueur et constance aux décisions qu'ils prennent.

De l'échantillonnage des enquêtes à l'assurance des enquêtes

Une des occasions les plus significatives avec cette approche est l'échelle.

Historiquement, les révisions détaillées de qualité des enquêtes ont souvent été réservées aux incidents les plus graves ou effectuées sur un échantillon d'enquêtes complétées parce que les réviseurs chevronnés sont une ressource rare. L'IA change cette contrainte.

Plutôt que de demander aux professionnels de sécurité chevronnés de réviser manuellement chaque enquête, les organisations peuvent utiliser ASSURE comme une première couche d'évaluation de qualité à travers un pourcentage beaucoup plus large de leur portefeuille d'enquêtes. Les experts humains peuvent ensuite concentrer leur attention là où elle ajoute le plus de valeur : réviser les lacunes significatives, résoudre les constats ambigus, encadrer les enquêteurs et scruter les événements à plus haut risque.

Cela crée l'occasion de passer d'un échantillonnage périodique de qualité vers un modèle beaucoup plus systématique d'assurance des enquêtes.

Cela donne aussi aux organisations une façon de commencer à mesurer la qualité des enquêtes elle-même. Au fil du temps, les dirigeants de sécurité peuvent identifier où certaines équipes d'enquête performent constamment bien, où les lacunes de preuve surviennent fréquemment, quels facteurs causaux sont couramment manqués, ou où les actions correctives penchent régulièrement vers l'extrémité plus faible de la Hiérarchie des Contrôles.

La qualité des enquêtes peut devenir quelque chose que les organisations gèrent et améliorent activement plutôt que quelque chose qu'elles déduisent des rapports complétés.

De meilleures enquêtes créent un meilleur apprentissage organisationnel

Il y a une raison plus large pour laquelle nous croyons que l'assurance des enquêtes importe.

Chaque enquête complétée contribue, formellement ou informellement, au savoir institutionnel d'une organisation. Les constats d'enquête influencent les actions correctives, les procédures, la formation, les évaluations de risque, les décisions de direction, et éventuellement la façon dont l'organisation comprend les tendances à travers les incidents.

Si les enquêtes sous-jacentes sont incomplètes ou leurs conclusions sont faibles, ces faiblesses se propagent dans le système d'apprentissage.

Un facteur causal négligé peut mener à une action corrective inefficace. Une conclusion non appuyée peut devenir une explication acceptée pour des événements similaires. Une enquête faible peut être regroupée avec des centaines d'autres enquêtes et influencer l'analyse de tendances ou les systèmes d'IA émergents qui présument que les dossiers sous-jacents sont exacts.

À mesure que les organisations utilisent de plus en plus l'IA pour identifier des tendances à travers de grands volumes d'information de sécurité, la qualité de l'information entrant dans ce système d'apprentissage devient encore plus importante.

C'est pourquoi nous voyons l'assurance qualité des enquêtes comme une partie naturelle de l'architecture d'apprentissage plus large de Haven. Haven aide les organisations à capturer une preuve plus riche, à mener des enquêtes plus rigoureuses, à évaluer la qualité de ces enquêtes, puis à relier ce qui a été appris à travers les incidents, sites et unités d'affaires.

Dans ce modèle, ASSURE remplit un rôle important entre l'enquête et l'apprentissage organisationnel. Avant qu'une enquête ne contribue à ce que l'organisation croit savoir, ASSURE aide à déterminer si l'analyse derrière ces conclusions est suffisamment complète, constante et bien appuyée.

Construire un cycle d'apprentissage plus solide

Nous avons constamment soutenu que la véritable occasion pour l'IA en sécurité va bien au-delà de rendre le travail administratif existant plus rapide. La plus grande occasion est d'aider les organisations à améliorer la qualité et la constance de la façon dont elles enquêtent, raisonnent, apprennent et, ultimement, préviennent la récurrence.

HavenASSURE étend cette philosophie à l'assurance qualité des enquêtes.

En combinant le raisonnement de l'IA, le savoir de sécurité structuré, les exigences d'enquête propres à l'entreprise et la preuve contenue dans chaque événement, les organisations peuvent appliquer un niveau de révision de qualité qui a historiquement été difficile à atteindre constamment à l'échelle de l'entreprise.

Le résultat n'est pas l'IA remplaçant le jugement humain. C'est l'IA aidant les professionnels de sécurité à appliquer ce jugement avec un meilleur contexte, une plus grande constance et une information plus complète.

Et ultimement, c'est ce dont devrait traiter la qualité des enquêtes : s'assurer que les leçons qu'une organisation porte vers l'avant sont des leçons en lesquelles elle peut avoir confiance.