QHSE : la hype IA est visible, mais la vraie révolution a commencé
Les tableaux de bord HSE permettent souvent de visualiser avec précision ce qui s’est déjà passé. Ils donnent une lecture du passé : accidents, presque-accidents, observations, indicateurs, plans d’action.
Ils répondent plus rarement à une question essentielle : où se situe le prochain risque ? Voilà le vrai dilemme.
On parle beaucoup de ChatGPT, mais la révolution SST n’est pas dans les jolis textes. Elle est dans l’analyse qui alerte, priorise, prouve et déclenche l’action. Dans cet article, vous allez comprendre ce que l’intelligence artificielle générative peut, et ne peut pas faire, pourquoi l’intelligence artificielle décisionnelle change la donne, et comment passer, enfin, à une prévention pilotable, intégrée à une véritable logique de gestion QHSE.
En 2000, la bulle Internet a explosé. Beaucoup ont conclu : « Vous voyez, c’était une mode. » Et ils sont retournés à leur business as usual. Erreur. La hype était bien morte, mais la transformation portée par Internet a gagné. Aujourd’hui, nous revivons la même scène. Le bruit autour de ChatGPT et consorts va retomber. Mais la révolution, elle, est déjà là : l’IA analytique et décisionnelle, celle qui transforme des données en actions, et des actions en accidents évités.
C’est là que se joue le vrai sujet SST.
Aujourd’hui, certaines organisations envisagent d’intégrer des IA génératives dans leurs documents HSE pour aller plus vite : générer des contenus, reformuler des procédures, synthétiser des informations. Ces usages sont utiles, mais ils ne suffisent pas à piloter la prévention.
L’Intelligence Artificielle est partout, oui : dans les emails, les présentations, les outils. Les génératives comme ChatGPT, Claude, Mistral, Copilot ou encore Gemini, celles qui écrivent vite, reformulent, résument, celles qui « font propre ».
Mais en Santé Sécurité au Travail, la vraie bascule ne se joue pas dans la qualité d’un paragraphe. Elle se joue dans l’analyse, dans la capacité à détecter une dérive avant qu’elle ne devienne un accident, à objectiver un risque, à prouver qu’une action marche, à prioriser sans biais, à centraliser les informations et transformer un signal faible en plan d’action concret, traçable et auditable.
C’est moins spectaculaire, mais c’est décisif. Et c’est précisément là que se situe Cikaba, seule société du secteur QHSE labellisée France 2030 : Nous assumons une posture simple : la prévention ne doit plus être un sport de conviction. Elle doit devenir une discipline de données et de preuve.
Nous assumons une posture simple : la prévention ne doit plus être un sport de conviction. Elle doit devenir une discipline de données et de preuve. Depuis 2019, en partenariat avec le CNRS et des laboratoires de mathématiques parmi les plus réputés, nos équipes développent une IA 100 % française, verticalisée, analytique et décisionnelle, dédiée à la compréhension et à l’anticipation des risques professionnels.
Derrière l’engouement pour ces technologies génératives, une transformation beaucoup plus profonde est en train de se généraliser, elle est déjà là.
Alors ne passez pas à côté.
- Il ne faut pas confondre « écrire vite » et « prévenir mieux » : en SST, l’écart est immense.
- La valeur durable, c’est l’analyse prédictive et la preuve d’impact, pas la rédaction.
- France 2030 + CNRS + IA française : la prévention entre dans une autre catégorie.
Deux intelligences artificielles, deux promesses, et deux réalités
L’IA générative, vous la connaissez déjà : elle parle bien, elle écrit vite. Elle donne l’impression de maîtriser. Elle peut rendre une procédure plus claire, préparer une trame de causerie, reformuler un retour d’expérience, faire de la veille réglementaire. Elle fait gagner du temps, surtout quand les équipes sont sous l’eau.
Cependant, elle a une limite structurelle : elle produit du texte plausible.
C’est d’ailleurs sa définition : l’IA générative, celle qui fait la hype et dont tout le monde parle, s’appelle en réalité LLM, Large Language Model. C’est un programme informatique nourri de suffisamment d’exemples pour être capable de reconnaître, d’interpréter et de reproduire le langage humain, ou d’autres types de données complexes, donc de produire du texte plausible.
En Santé Sécurité au Travail, le « plausible » n’est pas un standard acceptable. On pilote une entreprise en se basant sur des faits, des preuves, des enchaînements causaux, des signaux faibles et des tendances.
C’est là que l’IA analytique et décisionnelle change tout. Elle ne cherche pas à « sonner humain ». Elle cherche à comprendre, anticiper, prioriser, recommander, puis à rendre ces recommandations auditables.
Elle traite les données comme un système vivant : accidents, presque-accidents, observations, contextes opérationnels, activité, absentéisme… et elle aide à passer de l’information à la décision.
En résumé, un LLM, c’est un excellent rédacteur alors qu’une IA décisionnelle, c’est un radar. Le premier aide à mieux dire. Le second aide à mieux voir, et à agir avant que ça ne frappe.
C’est pour cela que confier ses données HSE à un LLM généraliste, c’est prendre le risque d’avoir un texte de recommandations plausibles et de vraies recommandations sécurité.
C’est le cœur du sujet.
En résumé : L’IA générative est utile pour écrire, expliquer, faire de la veille. Elle n’est pas faite pour décider. La SST a besoin de traçabilité et de robustesse : l’IA décisionnelle est conçue pour cela. Pensez « radar + workflow », pas « assistant qui rédige ».
Pourquoi un LLM ne suffit pas, même s’il répond “bien” ?
Dans la réalité du terrain, la prévention est un système dynamique : multi-sites, multi-métiers, multi-contraintes. Les environnements évoluent, les équipes changent, les rythmes d’activité varient. Une période calme peut masquer une dérive lente, et les signaux faibles ne deviennent visibles qu’à condition d’être correctement détectés.
Un LLM peut commenter un tableau ou reformuler les informations fournies. Mais il n’est pas conçu pour analyser des séries temporelles, intégrer des variables exogènes, gérer le bruit statistique ou produire une alerte explicable.
Une Intelligence Artificielle décisionnelle répond à cet enjeu : passer du constat à l’action, dans un véritable système de pilotage. La question devient alors opérationnelle : qui valide, qui agit, qui suit ? Comment mesure-t-on l’efficacité ? Comment l’information est-elle réinjectée dans le DUERP ou généralisée à d’autres sites ?
Enfin, l’incertitude doit être clairement gérée. En sécurité, il faut distinguer ce qui est certain, probable, incomplet ou à vérifier. Dans l’assistance à l’arbre des causes, l’IA doit signaler les relations fragiles et imposer une validation humaine.
À retenir
- Un outil utile doit croiser données, tendances et contexte.
- Une réponse n’a de valeur que si elle devient une action suivie, mesurée et traçable.
- L’incertitude doit être identifiée, affichée et validée pour ne pas devenir un facteur de risque.
La bascule : passer d’une prévention réactive à une prévention prédictive et prouvée.
Aujourd’hui, beaucoup d’entreprises ont déjà digitalisé une partie de leur SST : formulaires, plans d’action, audits, reporting. C’est utile, mais il y a un plafond, et celui-ci est frustrant. Même les organisations les plus sérieuses restent confrontées à des angles morts, parce que tout n’est pas identifié, pas bien évalué, ou même imaginé.
L’IA Cikaba a été conçue pour attaquer ces angles morts, en exploitant les données que les entreprises accumulent et n’arrivent pas à traiter, justement parce que c’est complexe et chronophage. Observations terrain, rapports d’incidents, situations à risque, non-conformité, données RH… elle permet d’automatiser l’analyse de ces données, de relier les points et de détecter proactivement les situations cachées avant l’accident.
Techniquement, cela se traduit par des briques très concrètes : détection automatique de ruptures sur des séries temporelles, pour alerter dès qu’un indicateur décroche ; requalification de la gravité en temps réel, avec analyse de la criticité. La gravité déclarée est souvent biaisée, sans mauvaise intention, simplement par manque d’information au moment de la saisie ; filtrage du bruit, parce que les données terrain sont imparfaites ; prédiction multivariée, parce que la réalité est multivariée ; et, point crucial, explicabilité par facteurs contributifs, pour comprendre pourquoi l’assistant intelligent recommande d’agir ici plutôt que là.
Ce n’est pas de la magie, c’est une méthode. Et quand elle est bien intégrée au process, elle crée un avantage immédiat : on cesse de courir après l’accident pour commencer à courir avant lui.
Cikaba : du labo au terrain, sans perdre la rigueur
Depuis 2016, nous développons des solutions qui redéfinissent la prévention en entreprise, en aidant à identifier des causes profondes, à anticiper les risques, et à transformer des prédictions en actions concrètes.
Et ce n’est pas un projet à petite échelle, nous opérons à grande échelle : 1 600 sites clients, 2 500 000 utilisateurs par an, sur 3 continents.
« Making Safety Smart » : Notre posture est claire : rendre la prévention plus intelligente, en digitalisant les processus QHSE tout en impliquant les équipes au plus près du terrain.
Diagnostiquer avant de prescrire
Il y a un réflexe très humain en SST : on agit vite. On ajoute une consigne, une procédure… Parfois ça marche. Souvent, ça rassure, mais ça n’attaque pas la vraie cause.
C’est pour cela que nous avons construit dIAgnostic, qui part d’un principe plus exigeant, mais beaucoup plus rentable : d’abord comprendre ce qui se passe vraiment dans vos données, puis décider. Concrètement, on commence par identifier les données disponibles et évaluer leur richesse. S’il en manque, on outille. Puis on les prétraite et on les structure. Ensuite, l’analyse par algorithmes IA vise à identifier les causes profondes, les tendances, les risques émergents et les secteurs prioritaires.
Sur le terrain, cette approche permet de sortir d’une lecture uniquement comportementale des événements. Elle aide à identifier ce qui relève réellement du système de travail : organisation, activité, environnement, moyens disponibles, conditions d’intervention, récurrence des situations.
C’est souvent là que se situent les causes les plus importantes à traiter.
RTI : la remontée terrain qui ne dort plus, et qui devient une action mesurable
Dans beaucoup d’usines, le terrain remonte déjà énormément d’informations, le problème reste la centralisation des données, et le traitement de celles-ci. RTI (notre outil de Remontées Terrain Intelligentes), a été conçu pour transformer chaque remontée terrain, qu’il s’agisse d’un risque, d’une observation sécurité ou d’une idée d’amélioration, en levier d’action.
Il analyse, propose des recommandations concrètes, puis, une fois validées, ces recommandations deviennent des plans d’action suivis en temps réel. Ce point « validation puis plan d’action » n’est pas un détail. C’est la frontière entre une IA qui conseille et une IA qui fait vraiment bouger la réalité.
RTI est pensé pour accélérer la décision et optimiser les interventions, en intégrant directement l’IA dans le workflow de prévention. La colonne vertébrale, c’est la capacité à rendre exploitables des retours terrain souvent inexploités, parce que leur traitement est complexe et chronophage. Et c’est là que l’IA décisionnelle fait une différence nette, surtout quand elle combine séries temporelles, variables de contexte et explicabilité.
Concrètement, une remontée terrain saisie en fin de poste ne doit plus finir dans une boîte mail ou dans un tableau oublié. Elle doit pouvoir être qualifiée, priorisée, reliée à d’autres signaux et transformée en action lorsque cela est nécessaire. C’est simple et ça change tout.
Analyse d’accident et arbre des causes assisté : quand l’IA transforme la rapidité en rigueur
Après un accident, on n’a pas le luxe de l’à-peu-près. Pourtant, tout le monde l’a vu : l’analyse est parfois faite « vite », parce qu’il faut clôturer, parce que le temps manque, parce que l’énergie retombe. Résultat : on rate la cause racine. On traite le symptôme. Et on recommence.
L’analyse d’accident n’est pas du reporting. C’est un processus méthodique qui doit identifier les causes racines, produire des preuves exploitables, et alimenter la prévention a priori, notamment le DUERP et les actions multi-sites.
Cikaba intègre l’arbre des causes selon le formalisme INRS dans un workflow digital où l’IA joue un rôle d’assistant structurant, jamais décisionnaire. C’est une position saine, et volontairement exigeante.
Concrètement, l’IA Cikaba commence par extraire uniquement des faits objectivables, en distinguant état et variation, puis en les rattachant à un domaine. Elle propose un arbre initial et pose des questions de challenge pour combler les manques, avant validation humaine. Voici un exemple : Une préparatrice de commande tombe, parce qu’il n’y a pas de marchepied. L’IA génère un arbre initial, identifie l’absence de marchepied, questionne l’accès, l’éclairage, les consignes, puis pousse l’équipe à vérifier s’il existait d’autres moyens d’accès ou si des travaux ont modifié la zone. Une fois validé, tout est exploitable pour le DUERP.
L’enjeu est clair : l’IA doit faire gagner du temps sans réduire la rigueur de l’enquête. Elle structure, questionne et met en évidence les incertitudes, mais la décision reste entre les mains des équipes.
À retenir :
- L’IA doit structurer l’enquête, pas décider à la place de l’équipe.
- Auditabilité = faits objectivables + preuves + incertitude + versioning.
- Un arbre des causes utile nourrit directement le DUERP et la prévention multi-sites.
- La vitesse n’a de valeur que si elle augmente la rigueur.
Pourquoi la vague est massive et ne repartira pas.
On pourrait croire que l’IA QHSE est un effet de mode, un buzz de plus. Ce serait se tromper. La vague est massive parce que le contexte a changé, profondément.
D’abord, les données existent, mais elles débordent les équipes. Accidents, incidents, observations, audits, formations, plans d’action, sous-traitants… le volume est depuis longtemps supérieur à la capacité humaine de traitement.
Le niveau d’exigence monte, on ne demande plus seulement “des actions”. On demande une priorisation, un suivi, des preuves d’efficacité, une capacité à justifier. Et sans outils analytiques, cela devient vite une impasse.
Il y a aussi ce phénomène bien connu : après des années d’efforts, certains indicateurs stagnent. Pas par manque de volonté, mais parce que les angles morts restent invisibles. L’IA décisionnelle sert précisément à éclairer ces zones grises.
Enfin, la prévention est de plus en plus vue comme un levier de performance. Moins d’accidents, c’est moins d’arrêts, moins de désorganisation, moins de pertes d’argent cachées. Et, surtout, plus de confiance sur le terrain.
IA en QHSE : partir des usages, pas de la technologie
Intégrer l’IA à la QHSE ne nécessite pas de transformer entièrement son organisation. Il faut surtout éviter deux écueils : déployer une solution qui ne s’intègre à aucun processus, ou attendre une maturité parfaite des données pour agir. La bonne approche consiste à avancer progressivement. D’abord, évaluer la qualité, la complétude et la cohérence des données. Si elles ne sont pas exploitables, améliorer la collecte avant d’aller plus loin.
Ensuite, choisir un cas d’usage à forte valeur ajoutée : diagnostic des risques, remontées terrain intelligentes, arbre des causes assisté. L’objectif est simple : démarrer sur un périmètre concret, prouver la valeur, puis élargir. La gouvernance doit être posée dès le départ : humain dans la boucle, traçabilité, gestion de l’incertitude, conformité, respect du RGPD. L’IA structure, l’humain décide, et chaque recommandation reste auditable.
Enfin, mesurer l’impact réel : évolution du risque, criticité, gravité, temps HSE libéré, pertinence des actions. Sinon, c’est faire de l’IA sans faire progresser la prévention.
Conclusion : la question n’est pas « quelle IA » mais « quel résultat »
On peut continuer à courir après les événements, à produire des reportings parfaits, à faire des plans d’action qui s’empilent, à espérer que « cette fois » l’organisation retiendra. Il est possible de changer de posture. L’IA générative a ouvert une porte. Elle a démocratisé l’idée qu’un outil peut aider. Très bien.
En Santé Sécurité au Travail, la valeur durable se trouve ailleurs : dans une IA analytique et décisionnelle, capable de détecter, prioriser, recommander, prouver, et transformer la prévention en système pilotable. Chez Cikaba, c’est notre cap depuis des années. Une IA française, verticale, bâtie avec la recherche, pensée pour le réel, intégrée aux workflows, orientée résultats.
La révolution arrive massivement parce que les risques évoluent plus vite que les méthodes traditionnelles, et parce que les entreprises n’ont plus le choix : elles ont besoin d’une prévention plus intelligente, plus réactive, plus prouvée. Elle est déjà là.
Alors, oui, la question finale reste la plus simple : Voulez-vous utiliser l’IA pour écrire mieux… ou pour éviter l’accident de demain ?
Les enseignements clés :
- En SST, une IA utile se juge au prochain accident évité, pas au texte produit.
- La prévention moderne = anticipation + preuve + workflow, pas reporting + intuition.
- La question n’est pas “IA ou pas IA”. C’est “où est votre angle mort, et qui le voit ?”
Pour aller plus loin sur les critères de choix d’un outil QHSE, consultez notre page dédiée à la solution IA QHSE.
