Las organizaciones han pasado décadas mejorando cómo se reportan, investigan, documentan y rastrean los incidentes. Las plataformas EHS han facilitado la estandarización de flujos de trabajo, la asignación de investigaciones, la gestión de acciones correctivas y el mantenimiento de registros en operaciones cada vez más complejas.

Pero una pregunta importante ha sido sorprendentemente difícil de responder a escala: ¿Qué tan buena fue la investigación?

Una investigación puede completarse a tiempo, incluir todos los campos requeridos y avanzar exitosamente a través de un flujo de aprobación, mientras aún le falta evidencia importante, pasa por alto factores causales, llega a conclusiones que no están completamente respaldadas, o recomienda acciones correctivas que no abordan las condiciones subyacentes que produjeron el evento.

Esa distinción importa porque el valor de una investigación no está determinado por si el informe se completó. Está determinado por si la organización aprendió las lecciones correctas del evento y las tradujo en una reducción de riesgo significativa.

Hoy presentamos HavenASSURE, una nueva capacidad dentro de Haven Safety AI diseñada para ayudar a las organizaciones a evaluar y mejorar sistemáticamente la calidad de las investigaciones de incidentes completadas.

La calidad de las investigaciones es difícil de gestionar a escala

La mayoría de las organizaciones de seguridad maduras ya cuentan con alguna forma de aseguramiento de calidad de investigaciones. Los líderes de seguridad experimentados revisan los eventos principales, los equipos de investigación realizan revisiones entre pares, los grupos corporativos de EHS realizan auditorías, y algunas organizaciones muestrean periódicamente las investigaciones completadas para evaluar la consistencia y el rigor.

Estos enfoques son valiosos, pero también están limitados por el tiempo y la experiencia. Un profesional de seguridad senior puede realizar una revisión detallada de un puñado de investigaciones cada mes. No puede aplicar realistamente ese mismo nivel de escrutinio a cientos o miles de investigaciones distribuidas entre sitios, unidades de negocio, contratistas y geografías.

Como resultado, la calidad de las investigaciones puede variar sustancialmente dependiendo de quién realizó la investigación, cuánto tiempo estuvo disponible, qué evidencia se recopiló y cuánta experiencia aportó el investigador al proceso.

Eso crea un punto ciego importante. Las organizaciones pueden medir cuántas investigaciones se completaron, con qué rapidez se cerraron y si se asignaron acciones correctivas, mientras tienen mucha menos visibilidad sobre si el análisis subyacente fue realmente completo y defendible.

HavenASSURE está diseñado para ayudar a cerrar esa brecha, haciendo que la calidad de las investigaciones sea algo que las organizaciones puedan evaluar de manera más consistente y a mucha mayor escala.

Por qué simplemente pedirle a la IA que "califique" una investigación no es suficiente

La IA generativa crea una oportunidad obvia para la revisión de investigaciones. Dele a un modelo de lenguaje grande un informe de investigación y pregúntele si es bueno, y puede producir una evaluación plausible casi de inmediato.

Pero en el trabajo crítico para la seguridad, una respuesta plausible no es necesariamente una respuesta útil.

Un modelo de IA genérico no sabe inherentemente cómo una organización particular espera que se realicen las investigaciones. Puede no comprender la metodología de investigación de la empresa, la evidencia requerida, los procedimientos internos, el entorno de controles, la terminología o las expectativas para el análisis causal y las acciones correctivas. Tampoco comprende inherentemente cómo se relacionan entre sí los peligros específicos, las tareas, los controles, el equipo, los modos de falla y los factores causales dentro de un evento.

Sin ese contexto, la IA corre el riesgo de convertirse en un juez arbitrario de la investigación en lugar de una herramienta útil de aseguramiento de calidad.

HavenASSURE adopta un enfoque diferente. En lugar de depender únicamente del conocimiento general contenido en un modelo fundacional, ASSURE fundamenta su análisis en el gráfico de conocimiento de seguridad estructurado de Haven y en los propios requisitos de investigación y contexto operativo de la organización.

El gráfico de conocimiento de Haven conecta los conceptos que importan en las investigaciones de seguridad, incluyendo peligros, exposiciones, controles, tareas, equipos, modos de falla, factores causales, procedimientos, acciones correctivas y eventos previos. Esto le da a la IA un modelo de dominio estructurado sobre el cual puede razonar, en lugar de tratar una investigación como simplemente otro fragmento de texto.

Las organizaciones pueden entonces incorporar sus propios estándares, procedimientos, metodologías y requisitos de investigación en ese contexto. La evaluación resultante, por lo tanto, no se basa simplemente en si un modelo de IA cree que una investigación "se ve bien". Se basa en si la investigación está completa y bien respaldada dada la evidencia disponible, el conocimiento de seguridad relevante y los estándares con los que esa organización espera que se realicen sus investigaciones.

Qué evalúa HavenASSURE

HavenASSURE actúa como una capa adicional de aseguramiento de calidad sobre las investigaciones completadas. Revisa el registro de la investigación y busca áreas que merezcan un escrutinio adicional antes de que la investigación se finalice o sus hallazgos se incorporen al aprendizaje organizacional más amplio.

Dependiendo de la investigación y los requisitos de la organización, esto puede incluir evaluar la integridad de la evidencia, identificar contradicciones no resueltas, evaluar la integridad de la línea de tiempo, buscar factores causales que puedan haberse pasado por alto, examinar si las conclusiones de causa raíz están adecuadamente respaldadas, y evaluar si las acciones correctivas abordan lógicamente las causas identificadas.

ASSURE también puede examinar áreas como la cobertura de testigos, los procedimientos, la capacitación, el EPP, el equipo, las condiciones ambientales, los factores humanos y la solidez de las acciones correctivas en relación con la Jerarquía de Controles.

El objetivo no es que la IA reemplace al investigador o tome la decisión final de seguridad. El objetivo es darles a los investigadores y líderes de seguridad otra revisión estructurada e informada por evidencia del trabajo, para que puedan decidir si se necesita investigación, evidencia, análisis o acción correctiva adicional.

Esta distinción es importante. En el trabajo de seguridad de alta consecuencia, el juicio profesional y la responsabilidad deben permanecer con las personas responsables de la investigación. La IA es más útil cuando mejora la información disponible para esos profesionales y les ayuda a aplicar mayor rigor y consistencia a las decisiones que toman.

De muestrear investigaciones a asegurar investigaciones

Una de las oportunidades más significativas de este enfoque es la escala.

Históricamente, las revisiones detalladas de calidad de investigaciones a menudo se han reservado para los incidentes más graves o se han realizado sobre una muestra de investigaciones completadas, porque los revisores experimentados son un recurso escaso. La IA cambia esa limitación.

En lugar de pedirle a los profesionales de seguridad senior que revisen manualmente cada investigación, las organizaciones pueden usar ASSURE como una primera capa de evaluación de calidad en un porcentaje mucho mayor de su cartera de investigaciones. Los expertos humanos pueden entonces enfocar su atención donde agrega más valor: revisar vacíos significativos, resolver hallazgos ambiguos, capacitar a los investigadores y examinar de cerca los eventos de mayor riesgo.

Esto crea la oportunidad de pasar del muestreo periódico de calidad hacia un modelo mucho más sistemático de aseguramiento de investigaciones.

También les da a las organizaciones una manera de comenzar a medir la calidad de las investigaciones en sí misma. Con el tiempo, los líderes de seguridad pueden identificar dónde ciertos equipos de investigación tienen consistentemente un buen desempeño, dónde ocurren frecuentemente vacíos de evidencia, qué factores causales se pasan por alto rutinariamente, o dónde las acciones correctivas caen repetidamente hacia el extremo más débil de la Jerarquía de Controles.

La calidad de las investigaciones puede convertirse en algo que las organizaciones gestionan y mejoran activamente, en lugar de algo que infieren de los informes completados.

Mejores investigaciones crean mejor aprendizaje organizacional

Hay una razón más amplia por la que creemos que el aseguramiento de investigaciones importa.

Cada investigación completada contribuye, formal o informalmente, al conocimiento institucional de una organización. Los hallazgos de las investigaciones influyen en las acciones correctivas, los procedimientos, la capacitación, las evaluaciones de riesgo, las decisiones de liderazgo y, eventualmente, en cómo la organización comprende los patrones entre incidentes.

Si las investigaciones subyacentes están incompletas o sus conclusiones son débiles, esas debilidades se propagan al sistema de aprendizaje.

Un factor causal pasado por alto puede llevar a una acción correctiva ineficaz. Una conclusión no respaldada puede convertirse en una explicación aceptada para eventos similares. Una investigación débil puede agruparse con cientos de otras investigaciones e influir en el análisis de tendencias o en sistemas de IA emergentes que asumen que los registros subyacentes son precisos.

A medida que las organizaciones utilizan cada vez más la IA para identificar patrones en grandes volúmenes de información de seguridad, la calidad de la información que ingresa a ese sistema de aprendizaje se vuelve aún más importante.

Por eso vemos el aseguramiento de calidad de investigaciones como una parte natural de la arquitectura de aprendizaje más amplia de Haven. Haven ayuda a las organizaciones a capturar evidencia más rica, realizar investigaciones más rigurosas, evaluar la calidad de esas investigaciones y luego conectar lo que se aprendió entre incidentes, sitios y unidades de negocio.

En ese modelo, ASSURE cumple un papel importante entre la investigación y el aprendizaje organizacional. Antes de que una investigación contribuya a lo que la organización cree saber, ASSURE ayuda a determinar si el análisis detrás de esas conclusiones es suficientemente completo, consistente y bien respaldado.

Construyendo un ciclo de aprendizaje más sólido

Hemos argumentado consistentemente que la verdadera oportunidad para la IA en seguridad va mucho más allá de hacer que el trabajo administrativo existente sea más rápido. La mayor oportunidad es ayudar a las organizaciones a mejorar la calidad y consistencia de cómo investigan, razonan, aprenden y, en última instancia, previenen la recurrencia.

HavenASSURE extiende esa filosofía hacia el aseguramiento de calidad de investigaciones.

Al combinar el razonamiento de IA, el conocimiento de seguridad estructurado, los requisitos de investigación específicos de la empresa y la evidencia contenida en cada evento, las organizaciones pueden aplicar un nivel de revisión de calidad que históricamente ha sido difícil de lograr de manera consistente a escala empresarial.

El resultado no es que la IA reemplace el juicio humano. Es la IA ayudando a los profesionales de seguridad a aplicar ese juicio con mejor contexto, mayor consistencia e información más completa.

Y, en última instancia, de eso se trata la calidad de las investigaciones: asegurarse de que las lecciones que una organización lleva hacia adelante sean lecciones en las que puede confiar.