AI in QHSE: waar levert het vandaag echt waarde op?
AI is overal.
Vrijwel elke softwareleverancier voegt vandaag ergens “AI-powered” aan zijn website toe. Soms is dat terecht. Soms gaat het in werkelijkheid niet veel verder dan een chatbot die tekst kan samenvatten.
Voor QHSE is dat te beperkt.
Organisaties beschikken vandaag al over enorme hoeveelheden informatie: audits, inspecties, incidenten, bijna-ongevallen, risicoanalyses, corrigerende maatregelen, KPI’s, klachten, leveranciersbeoordelingen, onderhoudsgegevens, documenten en managementinformatie.
De echte vraag is dus niet of AI een tekst kan schrijven.
De vraag is wat AI met al die bestaande informatie kan doen om QHSE beter, sneller en vooral bruikbaarder te maken.
Daar zit volgens mij de echte meerwaarde.
AI moet een concreet probleem oplossen
QHSE-teams hebben meestal geen gebrek aan informatie.
Ze hebben vooral te weinig tijd om alles grondig te analyseren.
Een preventieadviseur heeft honderden inspectieresultaten. Quality heeft auditbevindingen en klachten. Operations registreert storingen en onderhoud. HR beschikt over opleidingsgegevens. Management verwacht KPI’s, trends en een degelijke directiebeoordeling.
De informatie is er dus vaak al.
Het probleem is dat ze verspreid zit over verschillende processen en dat er veel tijd nodig is om er betekenis uit te halen.
Daar kan AI echt helpen.
Niet door automatisch beslissingen te nemen, maar door informatie sneller te verwerken, patronen te herkennen, afwijkingen zichtbaar te maken en relevante informatie naar boven te halen.
AI heeft in QHSE weinig waarde als ze alleen tekst genereert. Ze wordt interessant wanneer ze informatie omzet in iets waar je onmiddellijk mee verder kunt.
Gebruik de data die al in je managementsysteem zit
Veel organisaties kijken naar AI alsof ze eerst nieuwe data moeten verzamelen.
Dat is niet noodzakelijk zo.
Een goed digitaal QHSE-platform bevat vandaag al jaren aan informatie. Denk aan:
- auditresultaten;
- inspecties;
- incidenten en near misses;
- corrigerende maatregelen;
- oorzakenanalyses;
- KPI’s en doelstellingen;
- klachten;
- leveranciersbeoordelingen;
- risicoanalyses;
- opleidingen;
- onderhoud en technische controles.
Elk van die gegevensbronnen afzonderlijk is nuttig. Maar de echte meerwaarde ontstaat wanneer je verbanden tussen die gegevens begint te zien.
Een bepaald type incident kan bijvoorbeeld vaker voorkomen op een locatie waar ook inspecties slechter scoren. Een leverancier kan regelmatig klachten veroorzaken én tegelijk veel corrigerende maatregelen genereren. Een KPI kan beginnen afwijken terwijl in hetzelfde proces meer auditbevindingen worden vastgesteld.
Een mens kan dat uiteraard ook analyseren.
Maar hoe groter de hoeveelheid data, hoe moeilijker het wordt om alle verbanden consequent te zien.
Daar wordt AI interessant: niet als vervanging van expertise, maar als extra analysekracht boven op data die al beschikbaar is.
Een directiebeoordeling hoeft geen jaarlijkse zoektocht naar cijfers te zijn
De directiebeoordeling is daar een goed voorbeeld van.
De meeste organisaties beschikken in principe over alle informatie die nodig is voor een directiebeoordeling. Auditresultaten, KPI’s, klachten, incidenten, acties, wijzigingen, leveranciersprestaties en doelstellingen zijn ergens beschikbaar.
Alleen moet iemand ze nog verzamelen.
En vervolgens vergelijken met vorig jaar.
En trends zoeken.
En afwijkingen verklaren.
En er uiteindelijk een bruikbare managementsamenvatting van maken.
Dat is veel voorbereidend werk.
AI kan een groot deel daarvan ondersteunen door beschikbare data automatisch te analyseren, belangrijke wijzigingen te signaleren, trends samen te vatten en onderwerpen naar voren te schuiven die aandacht verdienen.
Niet om de directiebeoordeling automatisch “af te handelen”.
Dat zou het doel voorbijschieten.
De waarde zit erin dat management en QHSE-verantwoordelijken minder tijd verliezen aan het verzamelen van informatie en meer tijd kunnen besteden aan de echte vragen:
Wat valt op? Waarom gebeurt dit? Waar moeten we ingrijpen? En wat willen we verbeteren?
Beeldherkenning kan audits en inspecties ondersteunen
Tijdens audits en inspecties worden vandaag steeds meer foto’s gemaakt.
Dat is logisch. Een foto geeft vaak meer context dan een lange omschrijving.
AI kan die beelden mee analyseren.
Denk bijvoorbeeld aan:
- ontbrekende of beschadigde afschermingen;
- geblokkeerde doorgangen;
- foutieve opslag;
- ontbrekende PBM’s;
- lekkages;
- beschadigde installaties;
- afwijkende situaties op de werkvloer.
Dat betekent niet dat AI zelfstandig bepaalt of iets conform of niet-conform is.
De context blijft belangrijk.
Een foto toont misschien een ontbrekende afscherming, maar niet noodzakelijk of de machine op dat moment buiten dienst is. AI kan een potentieel probleem herkennen, maar kent niet automatisch de volledige situatie.
Daarom zie ik beeldherkenning vooral als ondersteuning van de auditor of inspecteur.
AI kan iets signaleren dat extra aandacht verdient. De auditor beoordeelt vervolgens of het werkelijk een vaststelling is.
De auditor beoordeelt. AI ondersteunt.
Van incidentanalyse naar vroegere signalen
Bij incidenten gebeurt vandaag meestal een analyse nadat iets is gebeurd.
Dat blijft noodzakelijk.
Maar als je voldoende historische gegevens hebt, kun je ook beginnen kijken naar patronen vóór er een ernstig incident plaatsvindt.
AI kan gegevens uit incidenten, bijna-ongevallen, inspecties, risicoanalyses en corrigerende maatregelen combineren en zoeken naar verbanden die niet onmiddellijk zichtbaar zijn.
Bijvoorbeeld:
- een stijgend aantal near misses op een bepaalde locatie;
- dezelfde oorzaak die terugkomt in verschillende incidenten;
- bepaalde activiteiten waarbij opvallend veel afwijkingen worden geregistreerd;
- een combinatie van inspectieresultaten en incidentdata die op een hoger risico kan wijzen;
- bepaalde tijdstippen of omstandigheden waarin incidenten vaker voorkomen.
Dat betekent uiteraard niet dat AI kan voorspellen dat morgen om 14.30 uur een incident zal gebeuren.
Zo werkt risico niet.
Maar AI kan wel aangeven dat bepaalde signalen samen wijzen op een verhoogde kans of een negatieve evolutie.
Dat geeft de organisatie de mogelijkheid om vroeger te kijken wat er aan de hand is en preventief in te grijpen.
Dan gebruik je incidentdata niet alleen om achteraf te leren, maar ook om sneller te zien waar het mogelijk fout begint te lopen.
Hetzelfde principe geldt voor predictief onderhoud
Predictief onderhoud is eigenlijk dezelfde logica, maar toegepast op installaties en assets.
Veel onderhoud wordt vandaag uitgevoerd:
- nadat iets defect is;
- of preventief volgens een vaste frequentie.
Beide hebben hun plaats.
Maar wanneer voldoende historische gegevens beschikbaar zijn, kan AI patronen herkennen die wijzen op een verhoogde kans op storing.
Denk aan combinaties van:
- storingshistoriek;
- eerdere onderhoudsinterventies;
- inspectieresultaten;
- meetwaarden;
- draaiuren;
- conditiedata;
- terugkerende defecten.
AI kan bijvoorbeeld aangeven dat een bepaald type installatie onder bepaalde omstandigheden vaker problemen begint te vertonen.
Dat wil opnieuw niet zeggen dat het systeem autonoom beslist om een installatie stil te leggen.
De technische verantwoordelijke beoordeelt de informatie en bepaalt welke actie nodig is.
Maar het verschil is belangrijk.
Je gaat van:
“de machine is stuk, dus we moeten ingrijpen”
naar:
“de data toont dat de kans op een probleem toeneemt, laten we dit nu bekijken.”
Dat kan operationeel een groot verschil maken.
AI kan ook saaie documentanalyse versnellen
Niet elke AI-toepassing hoeft spectaculair te zijn.
Sommige van de nuttigste toepassingen zijn net vrij eenvoudig.
Neem veiligheidsinformatiebladen.
Een SDS of VIB kan tientallen pagina’s bevatten. Een QHSE-medewerker heeft vaak maar een beperkt deel van die informatie nodig: gevarenclassificatie, H-zinnen, PBM’s, opslagvoorwaarden, eerste hulp, brandbestrijding, blootstellingslimieten enzovoort.
AI kan relevante gegevens uit dergelijke documenten halen, structureren en ter controle aanbieden.
Hetzelfde geldt voor andere documenten:
- auditrapporten;
- certificaten;
- technische fiches;
- leveranciersdocumentatie;
- wettelijke documenten;
- procedures.
Daar hoeft niemand uren informatie uit documenten over te typen als software dat voorbereidende werk kan doen.
Laat mensen beoordelen. Laat software het repetitieve werk doen.
Auditdata wordt veel waardevoller als je over audits heen kijkt
Een auditrapport bekijken is relatief eenvoudig.
Honderden auditrapporten analyseren is iets anders.
Daar kan AI patronen herkennen die je bij individuele audits gemakkelijk mist.
Bijvoorbeeld:
- dezelfde vaststelling op verschillende vestigingen;
- bepaalde clausules die vaak problemen geven;
- afdelingen waar acties systematisch langer openstaan;
- terugkerende oorzaken;
- processen waar bevindingen jaar na jaar terugkomen.
Dat is veel interessanter dan alleen maar vragen:
“Hoeveel non-conformiteiten hadden we dit jaar?”
De betere vraag is:
“Wat vertellen al die vaststellingen samen over ons managementsysteem?”
Dat is exact het soort analyse waar AI sterk in kan worden.
Human validation is geen detail
Eén punt moet wel duidelijk zijn.
AI kan analyseren, samenvatten, classificeren, verbanden leggen en voorstellen doen.
Maar QHSE gaat over context.
Over risico.
Over wetgeving.
Over normen.
Over technische situaties.
En uiteindelijk vaak over beslissingen die gevolgen hebben voor mensen, installaties of de organisatie.
Daarom hoort menselijke validatie standaard in het proces.
Een AI-gegenereerde auditbevinding moet door de auditor worden beoordeeld. Een AI-samenvatting voor de directiebeoordeling moet worden gevalideerd. Informatie uit een veiligheidsinformatieblad moet gecontroleerd worden. Een voorspeld risico moet door een bevoegde persoon worden beoordeeld.
De logica moet dus zijn:
data → AI-analyse → voorstel of inzicht → human validation → actie
Niet:
data → AI → automatische beslissing
Dat onderscheid is belangrijk.
AI kan het voorbereidende werk sterk versnellen. De uiteindelijke beoordeling blijft bij de bevoegde persoon.
AI moet in de workflow zitten, niet ernaast
Er is nog een belangrijk verschil.
Je kunt QHSE-data exporteren, in een losse AI-tool stoppen, een analyse vragen en het resultaat vervolgens opnieuw ergens opslaan.
Dat werkt.
Maar het is geen geïntegreerd proces.
De echte meerwaarde ontstaat wanneer AI rechtstreeks deel uitmaakt van de workflow waarin de gegevens ontstaan.
Een audit wordt uitgevoerd in Phronesys. De vaststellingen zitten daar al. De acties zitten daar. De historiek zit daar. De foto’s zitten daar.
Waarom zou je die informatie dan eerst naar een ander systeem moeten brengen?
Hetzelfde geldt voor Management Review, incidentanalyse, KPI’s of documenten.
AI wordt veel krachtiger wanneer ze begrijpt in welk proces de informatie thuishoort en de gebruiker daar meteen mee verder kan.
Een door AI gesignaleerd patroon moet bijvoorbeeld meteen kunnen leiden tot verdere analyse of een actie. Een voorgestelde auditbevinding moet door de auditor kunnen worden aangepast en gevalideerd. Een analyse voor Management Review moet gekoppeld blijven aan de onderliggende data.
Dan wordt AI onderdeel van het managementsysteem in plaats van een tool ernaast.
De grootste winst is uiteindelijk tijd
Ik zie AI niet als vervanger van QHSE-professionals.
Daar geloof ik niet in.
Maar ik geloof wel dat veel QHSE-professionals vandaag nog te veel tijd verliezen aan werk waar hun expertise nauwelijks voor nodig is.
Gegevens verzamelen. Tabellen samenstellen. Rapporten samenvatten. Documenten uitlezen. Informatie vergelijken. Openstaande acties zoeken. Trends handmatig samenbrengen.
Dat zijn uren die niet worden besteed aan:
- risico’s beoordelen;
- oorzaken begrijpen;
- medewerkers ondersteunen;
- processen verbeteren;
- management adviseren;
- maatregelen opvolgen.
Daar zit voor mij de echte businesscase.
Niet minder QHSE. Wel minder administratie rond QHSE.
En daardoor net meer tijd voor analyse, preventie en verbetering.
Conclusie
Voor QHSE hoeft AI geen futuristisch verhaal te zijn.
Veel van de data die we nodig hebben, is vandaag al beschikbaar.
De volgende stap is die informatie beter gebruiken.
AI kan helpen om audits sneller te analyseren, Management Reviews voor te bereiden, documenten te verwerken, beelden te beoordelen, patronen in incidenten te herkennen en onderhoud voorspelbaarder te maken.
Maar telkens met dezelfde basisprincipes:
gebruik betrouwbare data, integreer AI in het bestaande proces en laat de bevoegde persoon de uiteindelijke beoordeling maken.
Dan wordt AI geen gimmick.
Dan wordt het gewoon een volgende stap in de digitalisering van QHSE.
Niet omdat AI alles beter weet. Wel omdat ze ons kan helpen sneller te zien waar we aandacht aan moeten besteden.
Eén AI-strategie. Geïntegreerd in Phronesys.
Phronesys brengt AI rechtstreeks naar de processen waar ze waarde kan creëren: van audits en documentanalyse tot directiebeoordeling, patroonherkenning en verdere opvolging.
Altijd met één belangrijk uitgangspunt: AI ondersteunt. De mens valideert.