En la primera parte de este artículo, establecimos que la calidad de los RCA suele ser la variable de mayor apalancamiento una vez que se tiene una cobertura base en cantidad, referenciamos investigación empírica de la industria para respaldar el argumento, y discutimos una definición práctica de la calidad de los RCA. En esta segunda parte, presentaremos un KPI cuantitativo para medir la calidad y discutiremos que, con el apoyo de la IA, no tiene que elegir entre calidad y cantidad. Puede obtener lo mejor de ambos mundos.
El modelo operativo práctico: investigaciones escalonadas más puntuación de calidad
Si quiere tanto cobertura de aprendizaje como rigor, un sistema escalonado sigue siendo la estructura más defendible:
- Nivel 1: lesiones graves, eventos de alto potencial. RCA completo interfuncional, mayor rigor, revisión de liderazgo (copiloto de IA con humano en el ciclo, potencialmente usando una metodología de RCA como el análisis multihilo impulsado por IA de Haven)
- Nivel 2: registrables y eventos de alta frecuencia. Investigación estructurada con análisis causal simplificado (también copiloto de IA con humano en el ciclo, potencialmente usando metodología de RCA como Espina de Pescado/6M, que también está impulsada por IA en Haven)
- Nivel 3: cuasi accidentes y baja gravedad. Revisiones de aprendizaje rápidas y captura de tendencias (automatizado por IA para capturar el aprendizaje con verificación puntual de humano en el ciclo)
La clave es agregar un control de calidad: una rúbrica ligera o estándar de revisión que evite que el trabajo de Nivel 1 y Nivel 2 colapse en narrativas superficiales.
KPI de Puntaje de Calidad de RCA
Como establecimos en la Parte 1, la investigación industrial muestra que los programas con mejor desempeño tienen una capacidad de investigación más sólida, mejores métodos, y una vinculación más fuerte entre la investigación y la acción.
Si quiere menos incidentes, el KPI no es el volumen o la tasa de "RCA completados". Esa métrica principalmente le indica qué tan rápido su equipo puede producir informes.
Un programa de RCA de nivel de prevención se comporta más como un embudo de conversión:
Evento significativo → investigado con la profundidad correcta → produce controles sólidos → los controles se implementan → los controles se verifican como efectivos → la recurrencia disminuye
Así que el conjunto de KPI que quiere es uno que mida la calidad de conversión, no el rendimiento.
- Cobertura de la Profundidad Correcta: porcentaje de eventos significativos investigados al nivel correcto
- Puntaje de Calidad de RCA: distribución, mediana, porcentaje por debajo de 55, porcentaje por encima de 85
- Índice de Solidez de Acciones Correctivas (CASI): mide las acciones contra la jerarquía de controles. Rastree el porcentaje de acciones en ingeniería o eliminación, y el porcentaje de RCA con al menos una acción de 4 a 5, teniendo en cuenta su viabilidad e impacto potencial (más fácil decirlo que hacerlo, busque un futuro artículo sobre cómo la IA de Haven ayuda aquí).
- Controles Implementados a Tiempo: porcentaje de controles implementados para la fecha límite, más el tiempo hasta el control
- Tasa de Efectividad de Verificación: porcentaje con planes de verificación, verificación completada, y verificada como efectiva
- Recurrencia por Mecanismo y Exposición: tasa de eventos repetidos para mecanismos específicos normalizada por exposición (aprovechando la IA combinada con mecanismos como el Gráfico de Conocimiento de la Industria de Haven)
Cómo ayuda la IA: puntuar a escala con gobernanza de humano en el ciclo
Una vez que defina el RQS y el CASI, el siguiente desafío es la escala. Puntuar cada RCA manualmente puede convertirse en otro pozo de carga de trabajo.
Este es un caso de uso ideal para la IA como "juez de primera pasada":
- La IA hace la puntuación inicial contra su rúbrica:
- Los humanos permanecen en control:
Un modelo de gobernanza simple se ve así:
- La IA puntúa el 100% de los RCA de Nivel 1 y Nivel 2
- Los humanos revisan:
Este enfoque le da dos ganancias a la vez:
- Consistencia: cada RCA se mide contra el mismo estándar
- Eficiencia: sus expertos dedican tiempo a la orientación y las revisiones de alto riesgo, no a calificar cada documento
Y una vez que la puntuación es consistente, finalmente puede gestionar el programa como un sistema de prevención:
- aumentar la cobertura donde importa
- aumentar la tasa de conversión de investigaciones a controles sólidos
- y demostrar el progreso con métricas vinculadas a la recurrencia.
Dónde encaja la IA: escalando tanto la cantidad como la calidad de los RCA
Este es exactamente el cuello de botella que las herramientas en la categoría de RCA impulsadas por IA están diseñadas para abordar, una categoría que Haven está ayudando a liderar: las organizaciones industriales modernas necesitan más cobertura de aprendizaje sin sacrificar el rigor, y necesitan más rigor sin ralentizarse a paso de tortuga.
A nivel práctico, estas herramientas se mapean directamente a las dos restricciones que crean la compensación entre calidad y cantidad: la fricción de la investigación (tiempo) y la variabilidad de la investigación (inconsistencia).
Aumentando el volumen al eliminar la fricción de la investigación
Las herramientas de RCA impulsadas por IA respaldan cada vez más capacidades como:
- declaraciones de testigos guiadas y estructuradas (en lugar de narrativas no estructuradas)
- recopilación y organización automatizada de evidencia (fotos, documentos, registros, políticas)
- síntesis de líneas de tiempo y reconstrucción de eventos
- redacción de resúmenes estandarizados de "qué sucedió" a partir de los insumos fuente
Eso importa porque los mayores sumideros de tiempo que limitan la cobertura de RCA generalmente no son los pasos de "pensamiento", son los pasos de procesamiento de documentos y datos:
- perseguir narrativas incompletas
- construir manualmente líneas de tiempo
- buscar artefactos en distintos sistemas
- reescribir las mismas secciones del informe cada vez
Cuando reduce esa carga, los equipos pueden investigar más eventos al nivel correcto, no solo el 1% al 2% superior, sin colapsar inmediatamente bajo la carga de trabajo.
Mejorando la calidad a través de la consistencia y el apoyo al razonamiento
La segunda restricción es la variabilidad. Incluso en programas maduros, la calidad de los RCA puede oscilar dramáticamente según quién lo dirigió, qué tan apresurado estaba, y si el equipo tenía la evidencia correcta a mano.
Las herramientas de RCA impulsadas por IA están cada vez más posicionadas para mejorar:
- la consistencia de la investigación (cuestionamiento estandarizado e indicaciones de integridad)
- el rigor del razonamiento causal (sacando a la luz contribuyentes latentes, fallas de barreras, y factores humanos)
- la vinculación de causas a controles (asegurando que las acciones correctivas se mapeen a los hallazgos causales)
- la calidad de las acciones correctivas (empujando hacia controles de orden superior en lugar de valores predeterminados de solo capacitación)
- la planificación de verificación (forzando verificaciones explícitas de efectividad en lugar de "cerrar y seguir adelante")
Esto importa porque muchas "fallas de calidad" son en realidad fallas de proceso:
- cuestionamiento inconsistente
- factores contribuyentes pasados por alto
- vinculación débil entre causas y controles
- acciones correctivas que recurren por defecto a la capacitación y los recordatorios
- falta de verificación explícita de efectividad
Un copiloto de IA bien diseñado como Haven hace que sea más difícil saltarse pasos, más fácil comparar con eventos previos similares, y más fácil aplicar una lógica causal y de control consistente entre investigadores y sitios.
Conclusión: con el apoyo de la IA, no necesita elegir cantidad o calidad
Históricamente, los líderes de seguridad se han visto obligados a una compensación:
- Aumentar el volumen de RCA y aceptar investigaciones superficiales e inconsistentes, o
- Preservar la calidad de los RCA y aceptar una cobertura mínima.
Con el apoyo de la IA, no necesita elegir uno u otro.
Las ganancias de eficiencia de la IA respaldan el aumento del volumen de investigaciones que puede completar (y el porcentaje de incidentes de los que puede aprender significativamente). Las capacidades de razonamiento de la IA, la consistencia, y el procesamiento de datos respaldan una mejora significativa de la calidad al fortalecer el análisis causal, estandarizar los resultados, y mejorar la vinculación de las causas a acciones correctivas sólidas y verificables.
Esa es la oportunidad: más aprendizaje, mejor aprendizaje, y un ciclo de prevención más ajustado.
Referencias y Lecturas Adicionales
Seguridad industrial y aprendizaje de incidentes:
- Stemn et al., calidad del informe de investigación y desempeño de seguridad (minería). (Springer)
- Stemn et al., marco de madurez de investigación (minería). (MDPI)
- Wachter y Yorio, características de investigación de accidentes y desempeño de seguridad organizacional (más de 300 establecimientos). (ResearchGate)
- Jacobsson, Ek, y Akselsson, método de evaluación del ciclo de aprendizaje de incidentes (industrias de procesos). (ScienceDirect)
- Drupsteen, Groeneweg, y Zwetsloot, cuellos de botella en el aprendizaje de incidentes (etapa de evaluación). (PubMed)
Evidencia adyacente sobre los resultados de RCA y la sostenibilidad:
- Hibbert et al., solidez de la recomendación y sostenibilidad. (OUP Academic)
- Martin-Delgado et al., revisión sistemática sobre si los RCA reducen la recurrencia. (PMC)
Haven Safety AI:
- Resumen de la plataforma Haven. (Haven Safety)
- Anuncio de lanzamiento de Haven y módulos de la plataforma (havenSIGHT, havenEDGE, havenIMPACT). (Lanzamiento de Haven)