QHSE, prévention et IA : Peut-on vraiment anticiper les accidents du travail ?

À l’occasion de la publication de nos travaux dans la prestigieuse revue Journal Safety Research, retour sur une avancée majeure : transformer les données terrain en intelligence opérationnelle pour anticiper les accidents, renforcer la prévention et faire entrer le QHSE dans une nouvelle ère pilotée par l’IA.

Découvrez les travaux de Cikaba publiés dans le Journal of Safety Research.

Ce que notre R&D, publiée dans le Journal of Safety Research, change concrètement

Pendant des décennies, la sécurité au travail a fonctionné sur une logique simple : analyser ce qui s’est passé… pour éviter que cela ne se reproduise.

Un accident survient, on enquête.
On identifie les causes, on met en place des actions correctives.
Puis on passe au suivant.

C’est une approche nécessaire. Mais elle a une limite évidente : elle intervient toujours trop tard. Aujourd’hui, une autre question émerge plus ambitieuse, plus exigeante :

Et si, on pouvait anticiper les accidents avant qu’ils n’arrivent ?

Chez Cikaba, cette question n’est pas théorique. Depuis 2019, elle fait l’objet de travaux de recherche avancés, menés en collaboration avec des institutions académiques de premier plan, et dont les dernières avancées ont été récemment publiés dans le Journal of Safety Research, une revue scientifique internationale de référence dans le domaine.

Notre point de départ : le paradoxe de la sécurité QHSE

Chaque année, les chiffres restent dramatiquement élevés : des centaines de milliers d’accidents, des vies impactées, des organisations fragilisées. Et ce malgré des efforts considérables en matière de prévention .

Pourquoi ?

Parce que la plupart des outils utilisés aujourd’hui reposent sur ce que l’on appelle des indicateurs retardés. En clair le nombre d’accidents, les taux de fréquence, le nombre de jours d’arrêt. Autant de métriques utiles… mais qui décrivent uniquement le passé.

Piloter la prévention jusqu’à présent, c’était comme comme conduire une voiture en regardant uniquement le rétroviseur.

Le vrai levier : les signaux faibles du terrain

À l’inverse, les organisations disposent déjà d’une mine d’or : les données issues du terrain : inspections de sécurité, situations dangereuses, remontées collaborateurs, actions correctives… Ces informations sont précieuses car elles captent ce que l’on appelle des signaux faibles : des indices avant-coureurs d’un risque. 

Le problème, c’est qu’elles sont rarement exploitées à leur plein potentiel. Elles sont collectées, stockées, parfois analysées, mais rarement utilisées pour prédire.

C’est précisément là que Cikaba intervient.

Transformer des inspections en capacité d’anticipation avec l’IA

L’innovation développée repose sur une idée forte : utiliser les données d’inspection pour anticiper les accidents à court terme.

Concrètement,nos chercheurs ont conçu un cadre capable de :

• analyser les données issues du terrain
• détecter des patterns invisibles à l’œil humain
• estimer, pour chaque jour, la probabilité d’un accident
• traduire ces probabilités en un niveau de risque simple à interpréter

Le résultat n’est pas un rapport complexe réservé aux data scientists. C’est un signal clair, comme “Attention, cette semaine est à risque” ou “Ces jours nécessitent une vigilance particulière.”

Une approche scientifique, pas un effet d’annonce

Ce qui rend cette avancée crédible et différenciante, c’est sa rigueur. On ne parle pas ici d’un algorithme isolé ou d’une expérimentation marketing. Le travail repose sur :

Une modélisation avancée

Les accidents sont modélisés comme des événements dans le temps, permettant de capter leur dynamique et leur évolution.

Une comparaison de multiples approches

Différents modèles de machine learning ont été testés et comparés :

• modèles statistiques classiques
• arbres de décision
• méthodes de boosting
• réseaux de neurones

L’objectif : ne pas dépendre d’une technologie unique, mais valider la robustesse du cadre global .

Une validation réaliste

Les performances sont évaluées dans des conditions proches du réel, avec des données chronologiques, sans biais. Autrement dit : notre modèle est conçu pour fonctionner en production, pas seulement en laboratoire.

Une collaboration académique de haut niveau

Lauréat des projets d’investissement d’avenir 2030, ce projet s’inscrit dans un environnement scientifique exigeant : Il a été mené en collaboration avec le Laboratoire de Mathématiques Blaise Pascal (CNRS – Université Clermont Auvergne) et un membre de l’Institut Universitaire de France (IUF)

Ces institutions regroupent des chercheurs reconnus en mathématiques, statistiques et machine learning. Ce partenariat garantit une chose essentielle : la solidité scientifique de l’approche.

L’Ia Cikaba : des résultats concrets pour tous les QHSE

Les conclusions de l’étude sont sans équivoque. Le modèle permet :

• d’identifier les périodes où les accidents sont les plus probables
• de transformer des données complexes en décisions opérationnelles
• de surpasser les approches traditionnelles basées sur des règles simples

Un point clé ressort particulièrement : l’analyse à l’échelle de la semaine est la plus pertinente.

Pourquoi ? Parce qu’elle permet :

• de lisser les fluctuations quotidiennes
• de s’aligner avec les cycles opérationnels des entreprises
• de donner un horizon d’action réaliste aux équipes

Avec Cikaba, passez aussi de la prédiction à l’action

La vraie valeur ne réside pas uniquement dans la prédiction. Elle réside dans ce qu’elle permet de faire. Avec ce type de modèle, les équipes HSE peuvent :

• prioriser leurs interventions
• cibler les inspections
• organiser des briefings sécurité au bon moment
• allouer les ressources là où le risque est le plus élevé

On ne parle plus de prévention générique. On parle de prévention ciblée, dynamique, pilotée par la donnée.

Une innovation déjà intégrée dans CIKABA RTI

Cette avancée scientifique n’est pas restée théorique.

Elle est au cœur de notre solution RTI (Remontée Terrain Intelligente) : RTI permet d’exploiter en continu les données terrain pour :

• générer des scores de risque
• identifier les périodes critiques
• accompagner les décisions opérationnelles

Autrement dit, ce que notre recherche démontre… Cikaba l’applique.

explore.cikaba.com/guide-remontees-terrain-ia-outil

Ce que cela change profondément

Au-delà de la technologie, les travaux de recherche menées depuis 2019 par Cikaba sont un changement de paradigme.

On passe du constat à l’anticipation. La sécurité ne se limite plus à analyser le passé.

On valorise enfin les données terrain. Les inspections deviennent un levier stratégique.

On rend la prévention pilotable. Les décisions s’appuient sur des signaux objectifs.

On crédibilise l’IA en sécurité. Avec une base scientifique solide, validée et publiée.

Avec Cikaba, l’IA QHSE devient un avantage compétitif

Dans un marché où beaucoup parlent d’IA, peu peuvent démontrer :

• une publication scientifique reconnue
• une collaboration avec des institutions comme le CNRS
• une traduction concrète dans un produit utilisé sur le terrain

C’est précisément ce qui distingue l’approche de Cikaba.

Vers une sécurité augmentée par la donnée

Ce travail ouvre des perspectives importantes :

• meilleure exploitation du texte des inspections
• modèles encore plus précis
• adaptation aux spécificités de chaque site
• intégration dans les routines opérationnelles

Mais surtout, il confirme une tendance de fond : la sécurité au travail entre dans une ère data-driven.

En conclusion

Pendant longtemps, les accidents ont été considérés comme difficiles à anticiper. Aujourd’hui, ce n’est plus le cas. Grâce à la combinaison de :

• données terrain
• méthodes statistiques avancées
• intelligence artificielle
• rigueur scientifique

il devient possible de détecter les périodes à risque avant qu’elles ne se matérialisent. Et c’est exactement ce que démontre notre travail, publié dans le Journal of Safety Research.

---