Les dirigeants de sécurité industrielle connaissent déjà la vérité inconfortable sur l'analyse de cause fondamentale (ACR) : vous ne pouvez pas la faire pour tout. Les enquêtes complètes prennent du temps, de la coordination et de l'expertise, et les vraies opérations ne s'arrêtent pas pour que nous puissions mener des analyses parfaites.
Selon notre recherche, les organisations rapportent effectuer des ACR complètes sur environ 1% à 2% des incidents. Les sources accessibles au public montrent des taux similairement bas.
Les opérations à haut risque génèrent un flux constant d'événements : quasi-accidents, cas de premiers soins, dommages à l'équipement, perturbations de processus, rejets environnementaux, échappées de qualité, et l'occasionnel précurseur à haut potentiel qui aurait pu être catastrophique. Si vous essayez de faire une ACR complète sur tout, le système s'effondre sous son propre poids. Si vous ne faites l'ACR que sur le premier niveau, vous risquez de manquer les signaux faibles et de répéter le même patron d'événement jusqu'à ce qu'il produise finalement une blessure grave ou un décès.
Si vous voulez moins d'incidents au prochain trimestre et à la prochaine année, devriez-vous pousser pour plus d'ACR, ou de meilleures ACR?
Notre revue de la preuve et de la recherche suggère une direction claire : les deux comptent, mais la qualité de l'ACR est habituellement la variable à plus haut levier une fois que vous avez une couverture de référence.
La bonne nouvelle est qu'avec l'aide de l'IA moderne, vous n'avez pas à choisir l'un ou l'autre.
Dans cet article en deux parties, nous examinerons d'abord ce que nous avons appris de la recherche sur le sujet, puis nous proposerons un cadre pour mesurer la qualité des ACR et discuterons de comment les plateformes d'IA comme Haven Safety AI peuvent être un multiplicateur de force dans le processus.
Les ACR ne réduisent les incidents que lorsqu'elles se traduisent en contrôles plus solides
Une ACR n'est pas précieuse parce qu'un rapport existe. Elle n'est précieuse que lorsqu'elle produit de façon fiable la prévention :
- Qualité de la capture de preuve (faits, conditions, chronologie, contexte)
- Qualité du raisonnement causal (contributeurs systémiques, pas seulement le dernier acte dangereux)
- Solidité des actions correctives (contrôles qui réduisent réellement l'exposition)
- Mise en œuvre et vérification (le correctif s'est-il produit, et a-t-il fonctionné)
Lorsque n'importe quel maillon de cette chaîne est faible, la récurrence est prévisible.
C'est pourquoi "plus d'ACR" peut sembler être du progrès mais ne se reflète pas toujours dans les tendances d'incidents. La quantité augmente les occasions d'apprendre. La qualité détermine le taux de conversion de l'effort d'enquête en réduction de risque durable.
Ce que la preuve en sécurité industrielle montre réellement
La recherche quantitative directe sur "la qualité des ACR versus les résultats d'incidents" dans des contextes industriels n'est pas massive, mais il existe des signaux significatifs.
1) La qualité et la maturité de l'enquête sont corrélées à un meilleur rendement de sécurité dans les mines
Dans les grandes mines d'or du Ghana, des chercheurs ont évalué la qualité des rapports d'enquête d'incidents en utilisant un outil structuré, puis ont examiné comment ces éléments de qualité se rapportaient aux taux d'incidence de blessures. Ils ont trouvé que les mines différaient significativement en qualité de rapport, et que les taux d'incidence de blessures étaient négativement corrélés à certains éléments de l'évaluation de qualité. (Springer)
Une étude connexe a développé un cadre de maturité d'enquête d'incidents (basé sur la littérature et des entrevues d'enquêteurs à travers plusieurs mines) pour caractériser à quoi ressemblent les "enquêtes matures" en pratique, explicitement parce que le lien entre la pratique d'enquête et le rendement de sécurité avait été peu étudié. (MDPI)
Constat : même dans un environnement opérationnel à haute variabilité, "la qualité avec laquelle les enquêtes sont menées" montre une association significative avec le rendement de sécurité.
2) Les caractéristiques du programme liées au contenu et à la participation de l'enquête comptent plus que la vitesse
Wachter et Yorio ont sondé plus de 300 établissements sur leurs programmes d'enquête d'accidents et exploré les relations avec les résultats de blessures et maladies. Leurs constats sont particulièrement pertinents au débat "qualité vs quantité" :
- Ils ont observé que le temps pour amorcer une enquête semblait moins important que le focus de contenu de l'enquête et qui la mène.
- Les programmes avec un focus sur l'erreur humaine et une approche d'équipe ou basée sur les employés étaient souvent associés à des taux de blessures et maladies plus bas (avec la mise en garde importante que les caractéristiques d'enquête n'expliquaient qu'une portion modeste de la variance des taux d'accidents). (ResearchGate)
Constat : les parties d'un programme d'enquête qui ressemblent à des "intrants de qualité" (qui participe, ce que l'enquête examine) sont fortement impliquées, tandis qu'une mesure pure de débit (vitesse) n'est pas l'histoire principale.
3) "Apprendre des incidents" est la partie la plus importante d'une enquête
Les organisations de sécurité industrielle placent souvent leurs meilleures personnes sur l'analyse causale, puis sous-investissent dans le travail en aval : la prise de décision, la mise en œuvre, et le suivi.
Dans la recherche de l'industrie des procédés, Jacobsson, Ek et Akselsson décrivent un cycle d'apprentissage qui inclut le rapport, l'analyse, la décision, la mise en œuvre et le suivi, et proposent des façons d'évaluer l'efficacité à travers toutes les étapes, pas seulement l'étape d'analyse. (ScienceDirect)
Drupsteen, Groeneweg et Zwetsloot soutiennent de façon similaire que les organisations échouent fréquemment à apprendre des événements passés et présentent un modèle pour identifier les goulots d'étranglement. Dans leur travail, le potentiel d'apprentissage était limité, particulièrement à l'étape d'évaluation, et l'amélioration nécessite de l'attention à l'ensemble complet des étapes du processus d'apprentissage. (PubMed)
Constat : Même une excellente analyse ne réduira pas le volume d'incidents si les actions sont faibles, tardives, non vérifiées, ou non institutionnalisées.
La preuve connexe renforce le mécanisme : la solidité et la durabilité des actions sont le problème
Bien que notre focus ici soit la sécurité industrielle, le secteur de la santé possède un corpus plus large de recherche sur "la qualité des résultats d'ACR" qui aide à valider le mécanisme qui nous importe : les recommandations et le suivi.
- Une revue systématique a conclu que l'ACR peut être utile pour identifier les causes contributives, mais que traduire l'ACR en prévention efficace de la récurrence n'est pas systématiquement atteint. (PMC)
- Une étude observationnelle des ACR a codé la solidité des recommandations et examiné l'efficacité perçue et la durabilité, soulignant que la qualité des recommandations varie et est mesurable. (OUP Academic)
Vous n'avez pas besoin de présumer que la santé est "la même chose" que la sécurité industrielle pour apprendre de cela. Le point commun est structurel : les enquêtes génèrent des recommandations, et les recommandations ne réduisent la récurrence que lorsqu'elles sont solides, mises en œuvre et maintenues.
Ce que signifie "la qualité de l'ACR" en sécurité industrielle (une définition pratique)
Une "ACR de haute qualité" ne consiste pas à produire un rapport plus long. Il s'agit de produire un modèle causal plus défendable et des contrôles plus solides. La qualité est par nature multidimensionnelle. Les ACR de haute qualité livrent constamment :
- Compréhension claire de ce qui s'est passé : L'événement est bien défini, les limites incluent les contributeurs systémiques (équipement, procédures, supervision, maintenance, interfaces de contractants).
- Rigueur de preuve et d'analyse : La preuve est traçable; la chronologie est crédible; les lacunes sont explicitement signalées; le raisonnement est structuré (pas intuitif).
- Focus sur les systèmes et facteurs humains : L'analyse dépasse "l'erreur du travailleur" pour inclure la conception, la charge de travail, la supervision, les systèmes de formation, et les faiblesses du système de gestion.
- Actions correctives solides : Les contrôles s'alignent sur la hiérarchie des contrôles (ingénierie et élimination lorsque faisable, sans se rabattre par défaut sur le recyclage et la communication).
- Plan de mise en œuvre et responsabilité : Les responsables, dates d'échéance, ressources et dépendances sont explicites.
- Vérification et apprentissage : Le correctif est vérifié pour son efficacité; la récurrence est surveillée; les leçons sont intégrées dans les normes et la formation.
Dans cette première partie, nous avons établi que la qualité de l'ACR est habituellement la variable à plus haut levier une fois que vous avez une couverture de référence sur la quantité, nous avons référencé la recherche empirique de l'industrie pour appuyer l'argument, et nous avons discuté d'une définition pratique de la qualité de l'ACR.
Dans la Partie 2, nous présenterons un ICP quantitatif pour mesurer la qualité et discuterons de comment, avec le soutien de l'IA, vous n'avez pas à choisir entre qualité et quantité. Vous pouvez obtenir le meilleur des deux mondes.