En la primera parte de este blog, establecimos que la calidad de RCA suele ser la variable de mayor impacto una vez que se tiene una cobertura básica en cantidad, referenciamos investigación empírica de la industria para apoyar el argumento y discutimos una definición práctica de la calidad de RCA. En esta segunda parte, introduciremos un KPI cuantitativo para medir la calidad y discutiremos que con el apoyo de la IA, no tienes que elegir entre calidad y cantidad. Puedes obtener lo mejor de ambos mundos. 

El modelo operativo práctico: investigaciones por etapas más puntuación de calidad

Si deseas cobertura de aprendizaje y rigor, un sistema por etapas sigue siendo la estructura más defendible:

• Etapa 1: lesiones graves, eventos de alto potencial
  RCA transversal completo, mayor rigor, revisión por parte de liderazgo (IA copiloto con humanos en el proceso, potencialmente utilizar una metodología de RCA como el análisis multifuncional impulsado por IA de Haven) 

• Etapa 2: eventos registrables y de alta frecuencia
  Investigación estructurada con análisis causal simplificado (también IA copiloto con humanos en el proceso, potencialmente utilizar una metodología de RCA como Fishbone/6M, que también está impulsada por IA en Haven) 

• Etapa 3: casi accidentes y baja gravedad
  Revisiones de aprendizaje rápidas y captura de tendencias (automatizadas por IA para capturar el aprendizaje con revisiones al azar realizadas por humanos)

La clave es añadir una puerta de calidad: un rubrico ligero o estándar de revisión que impida que el trabajo de la Etapa 1 y Etapa 2 colapse en narrativas superficiales.

KPI de Puntuación de Calidad de RCA

Como establecimos en la Parte 1, la investigación industrial muestra que los programas de mejor rendimiento tienen una capacidad de investigación más fuerte, mejores métodos y un vínculo más sólido desde la investigación hasta la acción. 

Si deseas menos incidentes, el KPI no es el volumen o la tasa de “RCAs completados.” Esa métrica simplemente te dice qué tan rápido tu equipo puede producir informes.

Un programa de RCA de grado preventivo se comporta más como un embudo de conversión:

Evento significativo → investigado a la profundidad adecuada → produce controles sólidos → los controles se implementan → los controles son verificados como efectivos → disminuye la recurrencia

Así que el conjunto de KPI que deseas es uno que mide la calidad de conversión, no el rendimiento.

• Cobertura de profundidad correcta: porcentaje de eventos significativos investigados a la profundidad correcta

• Puntuación de Calidad de RCA: distribución, mediana, porcentaje por debajo de 55, porcentaje por encima de 85

• Índice de Fuerza de Acción Correctiva (CASI): mide las acciones contra la jerarquía de controles. Tendencia del porcentaje de acciones en ingeniería o eliminación, y porcentaje de RCAs con al menos una acción de 4 a 5, teniendo en cuenta su viabilidad y posible impacto (más fácil decirlo que hacerlo, busca un artículo futuro sobre cómo Haven AI ayuda aquí).

• Controles Implementados a Tiempo: porcentaje de controles implementados para la fecha de vencimiento, más tiempo hasta controlar

• 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 normalizados por exposición (aprovecha la IA combinada con mecanismos como el Gráfico de Conocimiento Industrial de Haven)

Cómo ayuda la IA: puntuación a gran escala con gobernanza humano en el proceso

Una vez que defines RQS y CASI, el siguiente desafío es la escala. Puntuar cada RCA manualmente puede convertirse en otra carga de trabajo.

Este es un caso de uso ideal para la IA como un "juez de primer paso":

• La IA hace la puntuación inicial según tu rubrico:

  • señales de integridad de la evidencia

  • indicadores de profundidad causal (condiciones latentes, análisis de barreras, factores humanos)

  • clase de fuerza de acción (CASI)

  • presencia y especificidad de planes de verificación
    
    

• Los humanos mantienen el control:

  • revisar una muestra estadísticamente significativa cada mes

  • rutas automáticas de RCAs de baja puntuación o alto riesgo para revisión obligatoria

  • calibrar el rubrico y la puntuación de IA a través de sesiones de revisión periódicas

Un modelo de gobernanza simple se ve así:

• IA puntúa el 100% de los RCAs de la Etapa 1 y Etapa 2

• Los humanos revisan:

  • 100% de los RCAs de la Etapa 1 por debajo de un umbral (por ejemplo, RQS <70)

  • todas las RCAs que involucran ciertos mecanismos (precursoras SIF, fallos en controles críticos)

  • una muestra aleatoria de 10% a 20% para aseguramiento de calidad y calibración

Este enfoque te brinda dos victorias a la vez:

• Consistencia: cada RCA es medida contra el mismo estándar

• Eficiencia: tus expertos dedican tiempo a entrenar y revisar altos riesgos, no a calificar cada documento

Y una vez que la puntuación es consistente, puedes finalmente gestionar el programa como un sistema de prevención:

• aumentar la cobertura donde más importa

• aumentar la tasa de conversión de investigaciones a controles sólidos

• y demostrar progreso con métricas ligadas a la recurrencia.

Dónde encaja la IA: escalando tanto la cantidad como la calidad de RCA

Este es exactamente el cuello de botella que las herramientas en la categoría de RCA impulsada 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 rigor, y necesitan más rigor sin reducir la velocidad a un paso de tortuga.

A un nivel práctico, estas herramientas se mapean directamente a las dos limitaciones que crean el compromiso entre calidad y cantidad: fricción en la investigación (tiempo) y variabilidad en la investigación (inconsistencia).

Aumentando el volumen eliminando la fricción en la investigación

Las herramientas RCA impulsadas por IA cada vez más apoyan capacidades como:

• declaraciones de testigos guiadas y estructuradas (en lugar de narrativas no estructuradas)

• recolección y organización de evidencia automatizada (fotos, documentos, registros, políticas)

• sintetización de cronogramas y reconstrucción de eventos

• redacción de resúmenes estandarizados de “qué sucedió” a partir de entradas de origen

Eso importa porque los mayores cuellos de botella que limitan la cobertura de RCA no son generalmente los pasos de “pensamiento”, son los pasos de procesamiento de documentos y datos:

• perseguir narrativas incompletas

• construir cronologías manualmente

• buscar artefactos en diferentes sistemas

• reescribir las mismas secciones del informe cada vez

Cuando reduces esa carga adicional, los equipos pueden investigar más eventos a la profundidad adecuada, no solo el 1% a 2% superior, sin colapsar inmediatamente bajo la carga de trabajo.

Mejorando la calidad a través de la consistencia y el soporte de razonamiento

La segunda limitación es la variabilidad. Incluso en programas maduros, la calidad de RCA puede variar drásticamente según quién lo ejecute, cuán apresurado esté y si el equipo tenía la evidencia correcta a mano.

Las herramientas RCA impulsadas por IA están cada vez más posicionadas para mejorar:

• consistencia en la investigación (preguntas estandarizadas y señales de integridad)

• rigor en el razonamiento causal (sacando a la luz contribuyentes latentes, fallas en barreras y factores humanos)

• vínculo de causas a controles (asegurando que las acciones correctivas se vinculen a los hallazgos causales)

• calidad de acciones correctivas (incentivando hacia controles de orden superior en lugar de solo entrenamientos)

• planificación de verificación (forzando verificaciones explícitas de efectividad en lugar de “cerrar y avanzar”)

Esto importa porque muchos de los “fracasos de calidad” son en realidad fallos de proceso:

• interrogatorio inconsistente

• factores contribuyentes perdidos

• vínculo débil entre causas y controles

• acciones correctivas que por defecto se dirigen a entrenamientos y recordatorios

• falta de verificación explícita de efectividad

Un copiloto de IA bien diseñado como Haven hace 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 necesitas elegir entre cantidad o calidad

Históricamente, los líderes de seguridad han sido forzados a un compromiso:

• Aumentar el volumen de RCA y aceptar investigaciones superficiales e inconsistentes, o

• Preservar la calidad de RCA y aceptar una cobertura mínima.

Con el apoyo de la IA, no necesitas elegir uno u otro.

Las ganancias de eficiencia de la IA apoyan el aumento en el volumen de investigaciones que puedes completar (y el porcentaje de incidentes de los cuales puedes aprender significativamente). Las capacidades de razonamiento de IA, consistencia y soporte en el procesamiento de datos mejoran significativamente la calidad fortaleciendo el análisis causal, estandarizando resultados y mejorando el vínculo de causas a acciones correctivas fuertes 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 a partir de incidentes:

• Stemn et al., calidad del informe de investigación y desempeño en seguridad (minería). (Springer)

• Stemn et al., marco de madurez en investigación (minería). (MDPI)

• Wachter & Yorio, características de la investigación de accidentes y desempeño en seguridad (más de 300 establecimientos). (ResearchGate)

• Jacobsson, Ek, & Akselsson, método de evaluación del ciclo de aprendizaje a partir de incidentes (industrias de proceso). (ScienceDirect)

• Drupsteen, Groeneweg, & Zwetsloot, cuellos de botella en el aprendizaje a partir de incidentes (etapa de evaluación). (PubMed)

Evidencia adyacente sobre los resultados de RCA y sostenibilidad:

• Hibbert et al., fuerza de recomendación y sostenibilidad. (OUP Academic)

• Martin-Delgado et al., revisión sistemática sobre si los RCAs reducen la recurrencia. (PMC)

Haven Safety AI:

• Descripción general de la plataforma Haven. (Haven Safety)

• anuncio de lanzamiento de Haven y módulos de la plataforma (havenSIGHT, havenEDGE, havenIMPACT). (Haven Launch)