← Volver al archivo
SAFEIA Sentinel Article

Investigación de cuasi accidentes: cómo usar IA para detectar patrones antes del daño

Latinoamérica · 2026-08-29

Ilustración editorial de SAFEIA sobre Investigación de cuasi accidentes: cómo usar IA para detectar patrones antes del daño, Latinoamérica
Imagen editorial de SAFEIA para explicar cuasi accidentes IA SST con enfoque de cumplimiento, evidencia e IA.

Artículo práctico para profesionales SST sobre cómo investigar cuasi accidentes con apoyo de IA, detectar señales repetidas, priorizar controles y fortalecer la mejora continua sin sustituir el criterio humano.

Resumen ejecutivo

Los cuasi accidentes no son “casi nada”: son señales tempranas de que un control falló, estuvo mal diseñado o ya no se está usando como se esperaba. Las fuentes consultadas coinciden en que investigar close calls, near misses o incidentes sin daño permite identificar debilidades del sistema y corregirlas antes de que haya lesión, daño material o interrupción operativa. ISO 45001 encuadra la investigación de incidentes y la mejora continua como parte del sistema de gestión; OSHA y CCOHS insisten en reportar, investigar y aprender de los cuasi accidentes; la OIT remarca que la digitalización y la IA pueden mejorar la detección y el monitoreo, pero exigen gobernanza, participación y criterio humano. (iso.org)

La oportunidad práctica no está en “automatizar la causa raíz”, sino en usar IA para ordenar grandes volúmenes de relatos, inspecciones, observaciones, permisos, fotos descritas y tendencias históricas; luego, el equipo SST valida patrones y decide controles. Esa combinación es especialmente útil cuando hay muchos reportes dispersos, repetición de hallazgos o poca disciplina documental. Está recomendación es una inferencia razonable a partir de las guías consultadas sobre incident reporting, leading indicators, investigation systems y digital OSH. (osha.gov)

Enlaces relacionados

FAQ

¿Cuasi accidente, near miss y close call son lo mismo?

En la práctica sí se usan como equivalentes para describir un evento sin lesión o daño, pero con potencial de haberlo causado. ISO 45001 incluye explícitamente el concepto de near-miss en su nota definitoria. (iso.org)

¿La IA reemplaza la investigación SST?

No. La IA sirve para clasificar, resumir, agrupar y detectar señales repetidas; la verificación de hechos, las causas y los controles sigue siendo humana. Está conclusión es una inferencia basada en que las guías oficiales enfatizan participación, seguimiento y aprendizaje, no delegación total del análisis. (osha.gov)

¿Qué dato mínimo conviene registrar en un cuasi accidente?

Descripción del hecho, tarea, hora, área, condición insegura, acto/decisión si aplica, barrera fallida, evidencia disponible y acción inmediata. Las plantillas de OSHA y las guías de investigación de incidentes apuntan a capturar el contexto suficiente para aprender y corregir. (osha.gov)

¿Qué indicador es más útil: cantidad de cuasi accidentes o patrones repetidos?

Para prevención real, los patrones repetidos suelen ser más útiles que el conteo bruto. OSHA destaca los leading indicators como medidas que revelan problemas potenciales antes del daño, y INSST ofrece control estadístico para seguir la siniestralidad y sus tendencias. (osha.gov)

¿Qué exige una implementación responsable de IA en SST?

Gobernanza de datos, anonimización cuando haya información sensible, validación del área SST, trazabilidad de cambios y revisión de sesgos o falsos positivos. La OIT subraya que la digitalización debe fortalecer, no comprometer, la seguridad y salud. (ilo.org)

CTA SAFEIA

Si hoy registras cuasi accidentes pero mañana sigues viendo los mismos, el problema no es el reporte: es la capacidad de convertirlo en patrón accionable. Detectar patrones de cuasi accidentes con SAFEIA ayuda a ordenar evidencia, comparar recurrencias y priorizar controles antes de que aparezca el daño.

Ejercicios prácticos con IA

Ejercicio 1: agrupar cuasi accidentes por patrón operativo

Objetivo: encontrar repeticiones en reportes sueltos y convertirlos en un mapa de causas probables.

Prompt:

"Actúa como analista SST. Revisa estos 12 reportes de cuasi accidente anonimizados y agrúpalos por patrón operativo, barrera fallida y control preventivo sugerido. Devuelve una tabla con: patrón, evidencias repetidas, hipótesis de causa, control prioritario y nivel de urgencia. No inventes datos y marca cualquier incertidumbre."

Datos necesarios:

reportes anonimizados, área, tarea, descripción del evento, barrera involucrada, acción inmediata, fecha aproximada.

Resultado esperado:

3 a 6 patrones claros, con controles priorizados y señales de recurrencia.

Verificación humana:

revisar cada agrupación con el líder SST y el supervisor del área; confirmar que la clasificación no ocultó contexto crítico.

Riesgo si se usa mal:

mezclar eventos distintos como si fueran el mismo patrón y tomar decisiones erróneas.

Ejercicio 2: resumir causas repetidas desde inspecciones y observaciones

Objetivo: extraer señales repetidas de inspecciones, observaciones preventivas y acciones cerradas o pendientes.

Prompt:

"Analiza esta lista de observaciones SST anonimizadas y detecta causas repetidas, barreras que fallan con frecuencia y oportunidades de control por jerarquía. Resume en lenguaje ejecutivo para comité SST y separa hechos observados de inferencias."

Datos necesarios:

observaciones de inspección, checklist, hallazgos de auditoría, acciones correctivas, estado de cierre.

Resultado esperado:

un resumen ejecutivo con 5 hallazgos recurrentes y 3 acciones de mayor impacto.

Verificación humana:

validar con evidencia física o documental y descartar duplicados o registros incompletos.

Riesgo si se usa mal:

confundir opiniones con hechos y sobredimensionar un hallazgo aislado.

Ejercicio 3: revisar si un permiso de trabajo realmente cerró la brecha del cuasi accidente

Objetivo: comprobar si el permiso, procedimiento o barrera documental atacó la causa del evento.

Prompt:

"Compara este cuasi accidente anonimizados con el permiso de trabajo, el procedimiento aplicable y el cierre de acción correctiva. Indica si la medida atacó la causa raíz, la causa inmediata o solo documentó el evento. Señala vacíos y sugiere mejoras concretas."

Datos necesarios:

cuasi accidente descrito sin datos personales, permiso de trabajo, procedimiento, evidencia de capacitación, acción correctiva cerrada.

Resultado esperado:

una matriz breve con brecha detectada, efecto esperado y mejora recomendada.

Verificación humana:

revisión del responsable del proceso y contraste con condiciones reales en campo.

Riesgo si se usa mal:

aprobar documentos “correctos en papel” que no corrigen la exposición real.

Ejercicio 4: convertir fotos descritas en hallazgos accionables sin exponer identidad

Objetivo: transformar descripciones de imágenes o capturas internas en hallazgos preventivos útiles.

Prompt:

"Usa está descripción anonimizadas de una foto de inspección para identificar peligros visibles, barreras ausentes, controles ineficaces y acciones inmediatas. No intentes identificar personas ni leer datos sensibles. Devuelve una lista priorizada de hallazgos."

Datos necesarios:

descripción textual de la imagen, contexto del área, tarea, condición observada.

Resultado esperado:

lista priorizada de hallazgos y controles inmediatos.

Verificación humana:

confirmar físicamente el hallazgo y registrar la evidencia en el sistema interno aprobado.

Riesgo si se usa mal:

subir fotos identificables o datos sensibles a herramientas públicas.

Continúa por mercado y cluster

SAFEIA conecta este tema con normativa, evidencias y decisiones operativas para LATAM y España.

Ver hub LatinoaméricaVer estrategia LATAM + España

Fuentes oficiales y regionales consultadas