Artikel

AI in het preventiewerk: menselijke controle moet fouten kunnen vinden

Een AI-assistent die een ongevalsmelding aanvult, een oorzakenanalyse voorbereidt of corrigerende maatregelen voorstelt, kan de preventieadviseur heel wat werk besparen. Maar wie controleert of de uitkomst klopt? Een nieuwe gids van softwareleverancier Benchmark Gensuite biedt een bruikbaar stappenplan voor AI in het preventiewerk. De zwakke plek zit in het vangnet: AI doet het voorbereidende werk, waarna een mens de uitkomst valideert. Die laatste stap biedt minder zekerheid dan vaak wordt aangenomen.

Begin bij het werkproces, niet bij de software

In de gids Operationalizing AI in EHS beschrijft Benchmark Gensuite hoe organisaties AI kunnen inzetten voor veiligheid, gezondheid en milieu, internationaal aangeduid als EHS.

De toepassingen zijn ingedeeld volgens vier taken. AI kan helpen om informatie vollediger vast te leggen (capture), dossiers sneller te begrijpen (understand), acties voor te bereiden (act) en patronen in gegevens te herkennen (learn). De gids beschrijft daarnaast vijf ontwikkelingsstadia, van eenvoudigere gegevensinvoer tot AI-systemen die verschillende processen coördineren en nieuwe risico’s signaleren.

Het beheer van arbeidsongevallen is volgens de leverancier een geschikt vertrekpunt. Melden, onderzoeken, maatregelen bepalen en opvolgen vormen samen een proces waarin veel informatie wordt verwerkt.

De voorgestelde aanpak is herkenbaar voor preventieadviseurs. Breng eerst het bestaande werkproces in kaart. Zoek waar informatie verloren gaat, controles vertragen of opvolging blijft liggen. Onderzoek vervolgens of AI daar iets kan verbeteren en bepaal vooraf hoe het resultaat wordt beoordeeld. Dat lijkt sterk op de logica van een risicoanalyse bij de invoering van een nieuw arbeidsmiddel of een nieuwe werkmethode.

Wel verdient de aard van de publicatie enige aandacht. Benchmark Gensuite verkoopt zelf software voor EHS-beheer. De gids steunt op de praktijkervaring die het bedrijf zegt te hebben opgebouwd, maar bevat geen vergelijkende evaluaties of gemeten effecten. Het stappenplan is bruikbaar als werkkader, niet als bewijs dat AI de veiligheid verbetert.

Een menselijke eindbeslissing garandeert geen betere uitkomst

De gids benadrukt dat mensen verantwoordelijk blijven voor beslissingen. AI mag informatie verzamelen, samenvatten en voorstellen formuleren, maar een medewerker moet de output beoordelen. Die afspraak klinkt verstandig. Alleen blijkt uit onderzoek dat de samenwerking tussen mens en AI niet automatisch betere resultaten oplevert.

Michelle Vaccaro en collega’s van het MIT onderzochten dit in een meta-analyse in Nature Human Behaviour uit 2024. Ze bundelden 106 experimenten waarin de prestaties van mensen alleen, AI alleen en de combinatie van beide werden vergeleken.

Gemiddeld presteerde de combinatie beter dan de mens alleen, maar slechter dan de beste van beide afzonderlijk. Vooral bij beslissingstaken waren de resultaten ongunstig. Bij taken waarbij mensen en AI samen inhoud creëerden, was het beeld gunstiger. Ook de onderlinge deskundigheid bleek belangrijk. Wanneer mensen zelfstandig beter presteerden dan AI, leverde de samenwerking gemiddeld winst op. Was AI zelfstandig sterker, dan verlaagde de menselijke tussenkomst gemiddeld de prestaties tegenover AI alleen. In meer dan 95 procent van de onderzochte mens-AI-opstellingen nam een mens de eindbeslissing na input van AI. Dat lijkt op het validatiemodel uit de EHS-gids.

De experimenten verschilden wel sterk in opzet, deelnemers en taken. Ze onderzochten niet specifiek het Belgische preventiewerk. De resultaten bewijzen dus niet dat menselijke validatie bij een ongevalsonderzoek contraproductief is. Ze tonen wel dat de aanwezigheid van een menselijke eindcontrole geen garantie vormt voor een betere beslissing.

Lees ook: Wanneer presteert samenwerking tussen mens en AI optimaal?

Wie valideert, moet de fout kunnen herkennen

De voorbeelden uit de gids maken duidelijk waarom de aard van de controle zo belangrijk is.

Neem een werknemer die met AI een ongevalsmelding opstelt. Het systeem kan helpen om de beschrijving te structureren en ontbrekende informatie op te vragen. De werknemer kent de gebeurtenis uit eigen ervaring en kan beoordelen of de tekst daarmee overeenstemt. Dat is een gunstige taakverdeling, al blijft ook die controle vatbaar voor fouten. Bij een complexe milieuvergunning ligt dat anders. AI kan verplichtingen uit tientallen pagina’s halen en daar opvolgacties van maken. Een EHS-professional moet die vervolgens valideren.

Wie alleen de AI-samenvatting leest, kan moeilijk vaststellen welke verplichtingen ontbreken. De controleur moet de oorspronkelijke vergunning raadplegen, de relevante bepalingen begrijpen en voldoende tijd hebben om ze te vergelijken met de voorgestelde acties.

Hetzelfde geldt voor een oorzakenanalyse van een arbeidsongeval. Een AI-systeem kan mogelijke oorzaken voorstellen, maar kent niet noodzakelijk alle omstandigheden op de werkvloer. Ontbrekende informatie of een onjuiste veronderstelling kan de analyse een verkeerde richting uitsturen.

De praktische vraag is daarom welke kennis, informatie en bevoegdheid de menselijke controleur heeft om fouten te herkennen. En of daarvoor voldoende tijd beschikbaar is. Een handtekening onder een AI-gegenereerd verslag vertelt daar weinig over.

Sneller werken is nog geen betere preventie

Benchmark Gensuite stelt voor om AI op drie niveaus te beoordelen: het gebruik van de technologie, de verbetering van het werkproces en de operationele impact. Dat is een verstandig onderscheid. Veelvuldig gebruik bewijst niet dat een toepassing nuttig is. Een snellere ongevalsmelding levert evenmin automatisch een beter ongevalsonderzoek op.

Bij operationele impact noemt de gids onder meer sneller zicht op risico’s, betere opvolging, voorbereiding op audits en organisatorisch leren. Minder arbeidsongevallen of minder gezondheidsschade behoren niet tot de expliciete meetpunten. Daar is een goede reden voor. Ernstige ongevallen komen gelukkig weinig voor, waardoor het moeilijk is om een daling rechtstreeks aan één softwaretoepassing toe te schrijven.

Toch blijft het uiteindelijke preventiedoel belangrijk. Voor een proefproject kan men daarom beter vooraf vastleggen welke tussenliggende resultaten voldoende aanwijzingen voor verbetering opleveren. Denk aan vollediger ongevalsmeldingen, minder gemiste oorzaken of een betere uitvoering van corrigerende maatregelen.

Ook de interpretatie van de cijfers vraagt aandacht. Wanneer AI het melden gemakkelijker maakt, kunnen meer werknemers incidenten en bijna-ongevallen registreren. Het aantal geregistreerde voorvallen stijgt dan mogelijk, terwijl de feitelijke veiligheidssituatie niet verslechterd is.

Bespreek dat vooraf met de directie en het CPBW. Anders kan een verbeterde meldcultuur ten onrechte als een verslechtering van de veiligheid worden gelezen.

Lees ook: Tussen algoritme en arbeid: wat AI betekent voor preventie (volgens het Britse HSE)

Ook de invoering van AI vraagt een risicoanalyse

Wie AI in een preventieproces invoert, verandert mogelijk de manier waarop werknemers informatie aanbrengen, dossiers worden beoordeeld en beslissingen tot stand komen.

Artikel II.7-3 van de Codex over het welzijn op het werk voorziet voorafgaand advies van het CPBW over de planning en invoering van nieuwe technologieën voor hun gevolgen voor het welzijn. Daarbij geldt de wettelijke uitzondering voor gevolgen waarvoor een collectieve arbeidsovereenkomst gelijkwaardige waarborgen biedt. Wanneer een AI-toepassing de ongevalsmelding of het onderzoek wezenlijk verandert, hoort de impact op het welzijn dus al bij de voorbereiding van een proefproject op tafel te komen.

Ook gegevensbescherming verdient aandacht. Een ongevalsmelding kan informatie over de gezondheid van een werknemer bevatten. Zulke persoonsgegevens genieten bijzondere bescherming onder de AVG.

Vooraf moet vastliggen welke gegevens in de AI-toepassing terechtkomen, wie toegang krijgt en onder welke voorwaarden ze worden verwerkt. Identificeerbare letselgegevens zomaar invoeren in een algemene chatbot is geen aanvaardbare werkwijze.

Daarnaast stelt de Europese AI-verordening eisen aan AI-geletterdheid. Die verplichting geldt sinds 2 februari 2025. Door de Digital Omnibus-wijziging, die op 27 juli 2026 in werking trad, moeten organisaties maatregelen nemen om de AI-geletterdheid van hun personeel te ondersteunen, zonder voor ieder individu een bepaald niveau te moeten garanderen.

De gids adviseert terecht om opleiding te koppelen aan concrete werkprocessen. Wie AI bij ongevalsonderzoek gebruikt, moet leren welke fouten het systeem kan maken, hoe die worden opgespoord en wanneer een eigen beoordeling noodzakelijk blijft.

Lees ook: AI: De algoritmische blinde vlek in de psychosociale risicoanalyse

Test ook of de menselijke controle werkt

Begin met één afgebakend proces, bijvoorbeeld de melding en analyse van arbeidsongevallen en bijna-ongevallen. Breng eerst de bestaande werkwijze in kaart. Bepaal vervolgens welke taken AI kan ondersteunen, wie de resultaten beoordeelt en welke oorspronkelijke informatie daarvoor beschikbaar moet zijn.

Een proefproject zou ook de kwaliteit van de menselijke controle moeten toetsen. Vergelijk bijvoorbeeld voor een beperkte reeks dossiers de volledigheid, juistheid en opvolging met en zonder AI-ondersteuning. Registreer welke fouten de controleurs ontdekken en welke onopgemerkt blijven. Zo wordt zichtbaar of de toepassing werkelijk iets verbetert en of de extra controle de verwachte tijdwinst niet volledig tenietdoet.

Benchmark Gensuite wil vooral overbodige wrijving uit werkprocessen halen. Bij dubbele gegevensinvoer en administratieve vertragingen valt daar veel voor te zeggen. Maar een rem werkt nu eenmaal door wrijving. Wie de tijd voor een echte inhoudelijke controle uit het proces haalt, houdt misschien nog een handtekening over, maar geen werkend vangnet.

Elke week één mail met een persoonlijk essay en de artikels van die week.