by Joaquín Fdez. | 18/10/2025 | seguridad
En los últimos años, la digitalización y el auge de la inteligencia artificial han abierto nuevas expectativas en el campo de la seguridad industrial. Cada vez más empresas aspiran a “predecir” accidentes laborales del mismo modo en que los algoritmos anticipan la demanda del mercado o el fallo de una máquina. Sin embargo, cuando hablamos de Seguridad y de Accidentes , la predicción se convierte en un desafío estadístico y técnico bastante complejo.
1. Un fenómeno de baja frecuencia y alta variabilidad
Los accidentes laborales son, por naturaleza, eventos de baja frecuencia y origen multicausal. A diferencia de los procesos de producción o mantenimiento, los accidentes no responden a leyes deterministas, sino a la interacción imprevisible entre factores humanos, técnicos, organizativos y ambientales.
Por lo tanto, no siguen un patrón lineal ni estable, sino que dependen de múltiples contextos y de una combinación cambiante de causas, entre las que se incluyen:
- La interacción entre variables humanas tanto a nivel individual como colectivo y variables técnicas, organizativas y ambientales.
- La influencia de factores latentes, como la fatiga, la carga de trabajo, el clima, la cultura o el liderazgo.
Esto implica que las variables predictoras no son independientes ni estacionarias, es decir, cambian con el tiempo y con el contexto.
Por tanto, aunque un modelo pueda identificar correlaciones históricas, resulta poco probable que dichas relaciones se mantengan en el futuro.
En la actualidad, las organizaciones industriales presentan niveles de accidentabilidad bajos (en contraste con los estudios y análisis de Heinrich para determinar su famosa pirámide) , lo que hace que las bases de datos sean, paradójicamente, demasiado limpias como para generar modelos predictivos estables.
Desde la óptica estadística, estos entornos se caracterizan por un desequilibrio extremo de clases: muchos registros de cuasiaccidentes o incidentes con lesiones leves o muy leves frente a unos pocos eventos con daño grave o fatalidades.
El resultado es que los algoritmos de aprendizaje automático tienden a sobreajustarse a la clase mayoritaria (“cuasiaccidentes o incidentes muy leves”) para maximizar su precisión aparente, perdiendo capacidad discriminativa y generando predicciones poco significativas o falsas alarmas.
En consecuencia, los modelos pueden llegar a identificar patrones del pasado, pero tienen una capacidad muy limitada para anticipar los eventos del futuro, especialmente cuando las condiciones operativas, culturales o organizativas cambian.
2. La ilusión de las “crestas y valles”
En organizaciones con cientos o pocos miles de trabajadores y tasas bajas de siniestralidad, los indicadores de seguridad suelen mostrar fluctuaciones abruptas a lo largo del tiempo.
Un periodo o varios periods sin accidentes o con muy pocos accidentes leves puede parecer un gran avance en seguridad, mientras que un solo accidente grave puede interpretarse como un retroceso significativo de los niveles de seguridad.
Desde un punto de vista estadístico, estas variaciones son a menudo producto del azar.
Cuando la base de exposición (horas trabajadas o número de empleados) es reducida, cada accidente tiene un peso relativo muy alto, provocando grandes oscilaciones porcentuales que no reflejan necesariamente cambios reales en la gestión del riesgo.
En estas condiciones, un único evento adverso puede distorsionar la interpretación de las tendencias, del mismo modo que la ausencia prolongada de accidentes no garantiza niveles de seguridad elevados. La alta varianza en muestras pequeñas exige analizar los datos con cautela, utilizando promedios plurianuales, medias móviles o tasas ajustadas para evitar conclusiones basadas en ruido estadístico.
Incluso en organizaciones con grandes volúmenes de datos, la predicción exacta sigue siendo limitada, porque los accidentes emergen de sistemas humanos complejos, donde influyen la cultura, el contexto operativo y l condiciones cambiantes.
Por ello, los modelos predictivos solo tienen valor cuando se combinan con el juicio experto, capaz de interpretar los datos dentro de su contexto real.
3. La heterogeneidad cultural: un factor invisible pero decisivo
Otro obstáculo fundamental surge cuando la organización opera en múltiples países, culturas y plantas, cada una con su propia subcultura de seguridad.
Aunque las políticas corporativas sean idénticas, la manera en que los trabajadores perciben, comunican y responden al riesgo difiere drásticamente de un centro a otro.
Esto ocurre porque cada planta o región desarrolla con el tiempo un conjunto propio de valores, normas y prácticas informales que determinan cómo se entiende el cumplimiento, el liderazgo o la prioridad de la seguridad frente a la producción. Y esta diversidad no aparece solo entre países.
Incluso dentro de un mismo país, distintas plantas de una misma organización pueden presentar subculturas locales muy diferentes, influenciadas por su historia, origen industrial, perfiles de los trabajadores, antigüedad del centro, tipo de contrato predominante o entorno socioeconómico.
Estas subculturas internas condicionan la manera en que se asumen los riesgos, se cumplen los procedimientos, se evalúan los riesgos , se realizan las inspecciones de seguridad o se reportan los incidentes, afectando directamente a la fiabilidad de los datos y a la interpretación de los modelos predictivos.
4. El ruido que los modelos no ven
Desde una perspectiva estadística, la diversidad cultural entre centros genera lo que se denomina heterogeneidad no observada: diferencias sistemáticas entre grupos que no están reflejadas explícitamente en las variables del modelo.
Por ejemplo, dos plantas pueden tener igual número de empleados, tareas y equipos, pero tasas de accidente diferentes por su clima organizacional o estilo de liderazgo. Esa variabilidad no capturada genera ruido residual y reduce el poder predictivo de cualquier modelo.
Los modelos multivariante avanzados —como los modelos jerárquicos o multinivel— permiten incluir este “efecto planta” o “efecto país” como una variable aleatoria, mitigando parcialmente el sesgo.
Aun así, el desafío de fondo sigue siendo traducir lo cultural en datos: integrar encuestas de clima, análisis de lenguaje en reportes o indicadores de liderazgo visible para reflejar la realidad humana detrás de las cifras.
5. Datos dispersos, incompletos y de naturaleza heterogénea
ElEl desafío no se limita a la baja frecuencia de los accidentes, sino también a la fragmentación de los sistemas de información.
En las grandes organizaciones industriales, los datos relevantes para la seguridad se encuentran dispersos entre múltiples fuentes heterogéneas:
- Indicadores reactivos y proactivos
- Evaluaciones de riesgo y observaciones preventivas
- Reportes de incidentes y riesgos potenciales
- Registros de mantenimiento preventivo y correctivo
- Información de recursos humanos
- Encuestas de clima organizacional
- Datos meteorológicos
- Auditorías internas y externas
Integrar todo ese conocimiento en un modelo único exige un esfuerzo considerable: normalizar formatos, limpiar duplicados, vincular campos inconexos y resolver lagunas temporales.
Cada fuente usa lenguajes, criterios y frecuencias distintas, lo que convierte la integración en un proceso técnico y organizativo costoso.
Además, muchos registros carecen de la granularidad necesaria para el análisis predictivo: se dispone de datos agregados o incompletos, pero no de detalles críticos como la tarea específica, las condiciones del entorno o la exposición real del trabajador.
Sin esa resolución fina, los algoritmos no pueden captar los matices que explican por qué ocurren los accidentes.
A ello se suma un problema estructural de subregistro, condicionado por la cultura de cada país, planta o equipo. Este sesgo afecta la comparabilidad de los datos y distorsiona los análisis globales, generando aparentes diferencias de desempeño que, en realidad, responden a distintas prácticas de notificación.
En este contexto, el esfuerzo de consolidar, limpiar y armonizar los datos debe valorarse con una perspectiva de coste-beneficio.
Aunque la integración total es deseable, su impacto en la capacidad predictiva puede ser limitado si los datos originales no alcanzan la calidad, la consistencia y la granularidad necesarias. El reto no es solo técnico, sino estratégico: decidir hasta qué punto merece la pena invertir en precisión predictiva, cuando la variabilidad humana y contextual seguirá exigiendo la interpretación experta.
6. El papel de la Inteligencia Artificial en la predicción del riesgo.
La Inteligencia Artificial (IA) se ha convertido en una aliada prometedora para el análisis preventivo y la detección de patrones de riesgo, pero su papel debe entenderse con realismo.
La IA no puede predecir accidentes en sentido estricto, porque los accidentes no siguen leyes deterministas. Sin embargo, sí puede identificar contextos de vulnerabilidad, relaciones ocultas entre variables y señales tempranas de desviación.
Entre sus principales aplicaciones se incluyen:
- Detectar combinaciones de factores (turno, experiencia, temperatura, carga de trabajo) que incrementan la probabilidad de incidentes.
- Analizar textos de reportes mediante procesamiento de lenguaje natural (NLP) para identificar causas recurrentes o comportamientos emergentes.
- Priorizar áreas de riesgo a partir de la convergencia de indicadores proactivos.
En organizaciones con baja accidentabilidad, su mayor utilidad no está en la predicción exacta, sino en el análisis proactivo: entender qué condiciones se repiten antes de que algo ocurra.
No obstante, la IA siempre requerirá interpretación experta. Un algoritmo puede detectar correlaciones, pero solo un especialista en prevención puede interpretarlas correctamente y decidir si responden a un problema de formación, supervisión o carga operativa.
Por ello, la IA debe verse como una herramienta de apoyo, no como un sustituto del razonamiento humano.
Además, aplicar IA en seguridad implica gestionar riesgos propios:
- Sesgos de datos, cuando ciertos centros reportan más o menos.
- Modelos opacos, difíciles de explicar si se basan en redes neuronales profundas.
- Falsa confianza tecnológica, si la organización delega su criterio en el algoritmo.
- Consideraciones éticas y de privacidad, al trabajar con información de empleados.
En definitiva: la IA no podrá sustituir la experiencia, pero la puede potenciar. Y su verdadero valor reside en convertir grandes volúmenes de datos en conocimiento útil para la organización.
7. La ilusión de la predicción en organizaciones pequeñas
Cuando las organizaciones cuentan con solo unos cientos de trabajadores, hablar de predicción de la accidentabilidad se convierte en un ejercicio estadísticamente frágil y, en muchos casos, ilusorio.
El número de eventos anuales es tan bajo que cualquier accidente individual altera por completo la tendencia, creando una sensación de inestabilidad que no refleja la realidad operativa.
Los algoritmos de predicción —que requieren grandes volúmenes de datos para aprender patrones— no pueden funcionar correctamente con bases tan pequeñas. En lugar de identificar relaciones causales, lo que hacen es ajustarse al ruido, interpretando fluctuaciones aleatorias como si fueran señales significativas.
Esto conduce a resultados engañosos: el modelo puede mostrar precisión aparente sobre el pasado, pero fracasa completamente al proyectarse hacia el futuro.
Además, en estas organizaciones más reducidas, el contexto pesa más que el dato: una baja laboral, un cambio de jefe, un contrato temporal o una reparación improvisada pueden modificar por completo el nivel de exposición al riesgo. Son factores complejos de modelar con exactitud mediante técnicas algorítmicas.
Confiar en la salida de un modelo predictivo en organizaciones de tamaño limitado puede llevar a falsas conclusiones o decisiones preventivas mal orientadas.
En estos casos, la herramienta más valiosa no es la inteligencia artificial, sino la inteligencia colectiva: la experiencia combinada de supervisores, técnicos y trabajadores que conocen los procesos en detalle.
En otras palabras: en entornos pequeños, el algoritmo no predice el riesgo, solo lo interpreta mal.
8. Conclusión: el riesgo de creer más en el algoritmo que en la realidad
La idea de predecir accidentes laborales mediante modelos estadísticos o algoritmos de inteligencia artificial resulta seductora. Promete objetividad, precisión y control. Pero la realidad de la seguridad industrial es mucho más compleja.
Los accidentes surgen de la interacción imprevisible de múltiples variables heterogéneas: factores humanos, técnicos, culturales, organizativos y ambientales que rara vez se comportan de manera lineal.
A esto se suma que, en la mayoría de las organizaciones industriales, las muestras son reducidas —pocos cientos o pocos miles de trabajadores, pocos eventos por año—, lo que hace que las series de datos sean demasiado débiles como para sostener predicciones fiables.
En este contexto, cualquier accidente puntual puede alterar por completo una tendencia, y los algoritmos terminan aprendiendo del ruido.
Por eso, el futuro de la seguridad no pasa por reemplazar la experiencia, sino por amplificarla con información de calidad y sistemas que aprendan de la realidad.
En este sentido, nuestras herramientas como Asseguratte y Assenotify permiten estructurar y reportar datos operativos, incidentes y observaciones preventivas de forma sistemática.
Esa información, una vez consolidada, alimenta los modelos de aprendizaje y les da el contexto necesario para evolucionar, adaptarse y ofrecer conocimiento útil a quienes toman decisiones.
El verdadero peligro no está en usar la tecnología, sino en creer ciegamente en ella. La meta no debe ser adivinar el futuro, sino detectar contextos propensos al fallo y actuar de forma anticipada.
Bibliografía
Machine Learning for Occupational Accident Analysis: Applications, Challenges, and Future Directions
Autores: Obasi, I. C., Cheng, P., Varianou-Mikellidou, C., & Boustras, G.
Publicado en Safety Reports (Elsevier / ScienceDirect, 2025); https://doi.org/10.1016/j.jnlssr.2025.100250
Sánchez-Cantalejo, E., & Ocaña-Riola, R. (1999). Los modelos multinivel o la importancia de la jerarquía. Gaceta Sanitaria, 13(5), 391-398. https://doi.org/10.1016/S0213-9111(99)71390-7Gaceta Sanitaria
by Joaquín Fdez. | 02/03/2025 | seguridad
Cuando hablamos de Herbert W. Heinrich, es común que su legado se asocie directamente con su conocida Pirámide de Accidentes (300:29:1), donde se destaca la relación entre accidentes sin lesiones, lesiones menores y lesiones graves entre accidentes SIMILARES. Sin embargo, su verdadera aportación va mucho más allá de una simple proporción.
Solo a modo de ejemplo, vamos a recordar algunas de sus ideas clave , especialmente extraídas de su capítulo II “Basic Philosophy of Accident Prevention” en su libro “Industrial Accident Preventión ” en su edición del año 1941.
La prevención es ir más allá del Acto inseguro.
Heinrich destaca que la prevención de accidentes no debía centrarse únicamente en las condiciones del entorno, sino en comprender las razones detrás de los actos inseguros. Identificó cuatro causas principales: actitud impropia, falta de conocimiento o habilidad, defectos físicos y prácticas seguras difíciles o imposibles.
Proponía abordar estos factores mediante la revisión de ingeniería y la educación continua, con un enfoque proactivo en la instrucción, el cumplimiento de las normas y la disciplina coherente. Para él, era esencial buscar sistemáticamente las razones de los comportamientos inseguros y desarrollar acciones prácticas para su corrección, integrando tanto la ingeniería de seguridad como el desarrollo educativo para garantizar un entorno de trabajo más seguro.
Analogía Producción y Seguridad.
Heinrich destacaba que el control de la calidad y cantidad de la producción y la gestión de la frecuencia y severidad de los accidentes comparten un enfoque común. En muchos casos, la misma causa raíz que genera una falla de producción es también la responsable de un accidente laboral.
Esto refuerza su visión de que las prácticas inseguras y los errores operativos deben abordarse de manera integral, aplicando los mismos principios de control y mejora continua tanto en la producción como en la seguridad.
Roles y Responsabilidades en la Prevención de Accidentes.
En lo que se refiere a los roles, conviene destacar su visión ya en la década de los años 30 del siglo pasado:
- El Trabajador
- Tiene la responsabilidad activa de comunicar situaciones anómalas y condiciones inseguras a su mando intermedio.
- Debe colaborar con sus compañeros, asegurándose de que sus acciones no generen nuevas oportunidades de accidente.
- Aunque sin poder de decisión directa, su contribución en reuniones de seguridad y su compromiso diario tienen un impacto significativo
- La Alta Dirección:
- Más allá de proporcionar recursos y definir políticas de seguridad, la dirección debe establecer un claro compromiso con la prevención de accidentes.
- Heinrich destaca que la dirección tenía una responsabilidad directa en la creación de un entorno seguro, proporcionando el incentivo adecuado para que cada nivel de la organización se involucre activamente en la seguridad laboral.
- El Ingeniero de Seguridad:
- Según la visión de Heinrich, este profesional actúa como un representante de la dirección y forma parte del personal de gestión y supervisión.
- No solo realiza inspecciones periódicas y evaluaciones de riesgos, sino que también actúa como enlace directo entre la dirección y los trabajadores.
- Su rol incluye educar y entrenar a los empleados, así como participar activamente en las estrategias de mejora continua de la seguridad.
- El Capataz (mando intermedio): El Verdadero Hombre Clave
- Heinrich identificó al capataz o mando intermedio como el “Hombre Clave” de la seguridad industrial.
- Su influencia directa en el día a día de los empleados le otorga una capacidad única para detectar riesgos, instruir y corregir comportamientos inseguros de forma inmediata.
- Al ser una figura cercana y accesible, el capataz puede establecer una cultura de seguridad sólida, basada en la comunicación abierta y en el liderazgo, por ejemplo.
Como podemos observar sienta los principios de la integración de la seguridad en toda la estructura de la empresa, y poner el foco en la cadena de mando intermedia como elemento clave en base a su conocimiento práctico de tareas y trabajadores.
Conclusión.
El verdadero valor de las enseñanzas de Heinrich radica en su visión de la prevención de accidentes como un esfuerzo colectivo, donde cada nivel de la organización tiene un papel activo. Su enfoque proactivo, centrado en el potencial de los accidentes similares, sigue siendo una estrategia válida y efectiva en la gestión moderna de la seguridad.
Es momento de rescatar su verdadero legado y aplicar sus principios para construir una cultura de seguridad sostenible, donde cada accidente, sin importar su gravedad, se considere una oportunidad de aprendizaje y mejora continua.
Es posible que en el contexto actual la famosa pirámide de Heinrich (300:29:1 – en accidentes similares) no deba interpretarse literalmente o aplicarse sin un análisis crítico. Esta proporción se desarrolló en una época empresarial eminentemente reactiva hacia la seguridad, donde la investigación de incidentes se centraba principalmente en los accidentes graves y las lesiones importantes. Las empresas no contaban con la cultura de seguridad proactiva que se promueve hoy en día, lo que sin duda condicionó los datos y conclusiones de Heinrich.
Sin embargo, lo que realmente hace a Heinrich un visionario no es tanto la matemática de su pirámide, sino su capacidad para transmitir a las organizaciones de su tiempo que el verdadero éxito en la prevención de accidentes radicaba en la investigación de todos los accidentes, independientemente de si generaban lesiones o no.
Heinrich abogaba por un enfoque integral donde cada incidente, casi accidente o accidente menor era una oportunidad de aprendizaje. Su mensaje era claro: prevenir accidentes no significaba solo reaccionar ante las grandes catástrofes, sino desarrollar un sistema en el que cada desviación en la seguridad fuera analizada y sirviera para fortalecer la cultura de seguridad en la empresa.
El verdadero legado de Heinrich es su visión proactiva y su insistencia en que la seguridad laboral no es cuestión de azar, sino de gestión continua y mejora constante. Un enfoque que, sin duda, sigue siendo plenamente vigente y aplicable en el contexto de la seguridad moderna.
Si alguien tiene interés en su libro “Industrial Accident Preventión ” edición del año 1941, puede consultarlo en este enlace: https://archive.org/details/dli.ernet.14601/mode/2up
by Joaquín Fdez. | 29/12/2024 | seguridad, Herramientas de Gestión
La Regla de Martha o Martha´s Rule es una iniciativa de seguridad del paciente del NHS (Sistema de Salud del Reino Unido) y que proporciona a los pacientes, familiares y personal sanitario la posibilidad de solicitar revisiones de valoración del paciente por parte de un equipo de atención crítica del hospital en caso de observar deterioro de su evolución. En Australia existe un proceso similar que se denomina la Regla de Ryan.
¿Cómo surge esta iniciativa?
Esta regla fue implementada después de que Martha Mills, una niña inglesa de 13 años, falleciese en el hospital en 2021 por una sepsis, debido a que las preocupaciones de su familia sobre su deterioro no fueron atendidas mientras estaba hospitalizada por una lesión pancreática tras un accidente en bicicleta. En 2023, un médico forense concluyó que Martha probablemente habría sobrevivido si hubiera sido trasladada a cuidados intensivos a tiempo.
La iniciativa impulsada por el Departamento de Salud y el NHS , busca garantizar que las preocupaciones de pacientes, familias y cuidadores sean escuchadas y atendidas. Y pretende empoderar tanto a los pacientes y familiares como al personal sanitario para expresar inquietudes por el empeoramiento de los pacientes, incluso fuera de los canales oficiales, y solicitar apoyo adicional cuando sea necesario.
Los padres de Martha Mills ( ver este enlace), tuvieron una influencia fundamental en la creación e implementación de la Regla de Martha. Su activismo y campaña tras la muerte de su hija fueron clave para que se reconociera la necesidad de un cambio en los protocolos de seguridad del paciente.
Pilares en los que se basa la Regla de Martha.
La Regla de Martha se basa en tres pilares clave para garantizar que las preocupaciones sobre el deterioro sean atendidas:
- Evaluación diaria del paciente: Preguntar diariamente a los pacientes/familias sobre su estado para detectar posibles deterioros de manera sistemática y actuar en consecuencia.
- Acceso del personal sanitario o cuidadores a solicitar una revisión: Permitir al personal sanitario del sistema sanitario (cuidadores, personal de enfermería, etc..) solicitar revisiones por un equipo médico diferente si sus inquietudes sobre el deterioro del paciente no reciben respuesta, facilitando una rápida escalada fuera de los canales oficiales.
- Acceso de pacientes y familias a una revisión: Garantizar que pacientes, familias y cuidadores puedan solicitar una revisión si están preocupados por la evolución el estado del paciente. La información de cómo hacerlo debe ser claramente visible y accesible en todo el hospital.
No solo les da a los pacientes el derecho a pedir una segunda opinión, derecho que ya disponían, sino también el poder de solicitarla, es decir, permite contactar directamente a un equipo de revisión clínica independiente y pedirles que realicen una revisión de la condición del paciente si temen que corren el riesgo de deteriorarse rápidamente y sienten que el equipo que los atiende no escucha sus inquietudes.
¿Son aplicable estos Pilares en la práctica a la Seguridad en los entornos laborales?
La Regla de Martha, pensada para mejorar la seguridad del paciente en el ámbito hospitalario, ofrece principios clave que pueden ser adaptados para mejorar la seguridad en el ámbito laboral. Estos principios, centrados en la comunicación, el reporte proactivo y la mejora continua, son especialmente relevantes en entornos donde la existencia de riesgos críticos determinar unas necesidades específicas de protección de la operación y de los trabajadores.
¿Cómo podemos aplicarlos en la práctica real en los entornos laborales?
A continuación, explicamos como estos enfoques puede ayudarnos en la mejora de la seguridad:
- Rondas de seguridad enfocadas en la conversación con los trabajadores: Tal y como describe uno de los pilares de la Regla de Martha, sería importante integrar en las rondas diarias de seguridad conversaciones a través de preguntas abiertas a los trabajadores sobre la seguridad de su entorno y tareas que desarrollan, analizando conjuntamente con ellos posibles desviaciones de los procedimientos o deterioro de las medidas preventivas y de control.
- Fomentar el reporte y la evaluación proactiva: Al igual que la Regla de Martha incentiva a los pacientes a expresar sus preocupaciones, en el ámbito laboral es esencial promover que los empleados informen activamente sobre cualquier condición insegura o situación de riesgo. Esto incluye tanto incidentes ya ocurridos como riesgos potenciales percibidos. En este apartado la utilización de evaluaciones tipo Pre-Job, SLAM o 4 Ps, con la opción de rechazo o recuse de tarea puede ser una herramienta esencial.
- Establecer un sistema de revisión independiente: Así como la Regla de Martha ofrece y permite acceder a una vía para obtener una segunda opinión médica, los trabajadores cuando sientan que sus inquietudes en seguridad no son atendidas correctamente por sus supervisores, podrían contar con acceso a una revisión independiente de sus preocupaciones por parte de un equipo o individuo externo a su supervisor inmediato.
- Comunicación clara y accesible: La Regla de Martha requiere que la información sobre cómo solicitar una revisión sea claramente visible. En el entorno laboral, los procedimientos de seguridad y los canales de reporte deben ser igualmente claros, accesibles y bien publicitados. Los empleados deben saber exactamente a quién contactar y cómo hacerlo en caso de preocupaciones de seguridad, y activar esos sistemas de revisión independiente, sin miedo a represalias o rechazos.
- Capacitación continua: Tal como el personal hospitalario recibe formación para implementar la Regla de Martha, los empleados deben ser capacitados de manera regular sobre los riesgos laborales específicos y los procedimientos para reportar problemas de seguridad. Es crucial destacar la importancia de escuchar y actuar sobre las preocupaciones planteadas, y así deben hacerlo visible los supervisores y mandos intermedios.
- Empoderar a los empleados: La Regla de Martha busca empoderar a pacientes y familias para que sus inquietudes sean escuchadas. En el ámbito laboral, los empleados deben sentirse respaldados para reportar preocupaciones sin temor a represalias, y deben observar que sus informes resultan en acciones concretas que mejoran la seguridad.
- Registro y seguimiento de preocupaciones: Todas las inquietudes de seguridad deben ser registradas y monitoreadas de manera sistemática. Esto permite identificar patrones, tendencias y áreas que requieren mayor atención. El seguimiento eficaz refuerza la credibilidad del sistema y fomenta la confianza en el compromiso de la organización con la seguridad. Este punto es especialmente importante para el éxito de estos programas, se trata de que este tipo de reportes no queden en el aire y desincentiven la voluntad participación activa, con el riesgo al fracaso del programa.
Asseguratte es una aplicación móvil cuyo punto fuerte es el proceso de comunicación que existe detrás de cada actividad realizada con ella. Incorpora un módulo específico de SLAM o análisis preliminar de riesgos, que posibilita el rechazo de tareas si no son seguras activando un canal de comunicación específco, y otro módulo específico de Reportes o Notificaciones que activa unos circuitos automáticos de comunicación en base a lo que se reporta y dónde se reporta. Y especialmente dispone de modulos específicos en su panel web para monitorizar y realizar el seguimiento de todas estas comunicaciones.
Conclusión
La Regla de Martha reconoce que los errores humanos en diagnósticos médicos son una posibilidad inherente, no una excepción. En lugar de centrarse en culpar, se enfoca en aprender de estos errores para mejorar y fortalecer el sistema.
Establece procedimientos claros que permiten a pacientes, familiares y personal solicitar revisiones independientes, creando un mecanismo de seguridad adicional.
Este sistema de revisión funciona como una red de protección, diseñada para identificar y corregir errores antes de que se conviertan en situaciones críticas o irreversibles.
Y su efonque ofrece lecciones de aprendizaje totalmente escalables a otros ámbitos como el de la Seguidad Laboral o Industrial.
Nota: En mayo de 2024, el Servicio Nacional de Salud de Inglaterra anunció la implementación de la regla de Martha en 143 sitios piloto en todo el país , con planes de expandirse a todos los proveedores, incluidos los de salud comunitaria y mental, en los próximos años, según corresponda y sujeto a la financiación del gobierno. Esto es parte de un programa de trabajo más amplio para mejorar la gestión del deterioro, que incorpora trabajo para mejorar la prevención, la identificación, la intensificación y la respuesta al deterioro agudo.
Fuentes para consultar:
Web NHS: https://www.england.nhs.uk/patient-safety/marthas-rule/
BBC NEW WEB : Martha’s rule to be introduced in NHS hospitals from April, https://www.bbc.com/news/health-66705490
by Joaquín Fdez. | 26/10/2024 | Cultura Justa, Gestión, seguridad
En cualquier organización, el cumplimiento de las normas de seguridad es un factor, entre otros, necesario para poder garantizar un entorno seguro.
En este post nos vamos a centrar en un tipo de error específico relacionado con el cumplimiento de las normas, es decir, el error por no seguir un determinado procedimiento o protocolo correctamente o elegir una norma o un estándar equivocado, y el enfoque de cuándo aplicaremos la sanción o no la aplicaremos.
Dejaremos al margen las omisiones , lapsus o equivocaciones basadas en las habilidades o conocimiento del trabajador, y nos centraremos en el incumplimiento de normas e instrucciones de seguridad.
Como es sabido, los empresarios y sus representantes tienen la responsabilidad de proporcionar las medidas de seguridad necesarios, garantizar la formación adecuada y vigilar el cumplimiento de las normativas. Sin embargo, cuando se producen incumplimientos de las normas de seguridad, surge una pregunta clave: ¿Cómo se debe gestionar? ¿Se debe sancionar siempre al trabajador o es posible abordar estos errores bajo otro enfoque?.
Y en ese enfoque podría encuadrarse en lo que se denomina cultura justa, inicialmente desarrollado por James Reason en su libro de Managing the Risks of Organizational Accidents en 1997 y que posteriormente se aplicó al sector de la salud (David Marx) y ampiamene aplicado en la seguridad aérea.
¿Qué es la Cultura Justa?
La cultura justa es un concepto que promueve un equilibrio entre la responsabilidad individual , responsabilidad y aprendizaje organizacional.
Una de las ideas en las que se basa es que los errores, especialmente los no intencionales, pueden ser oportunidades para mejorar los procesos y las medidas preventivas, en lugar de culpar y sancionar automáticamente al trabajador. Sin embargo, también reconoce que existen conductas que requieren sanción, especialmente cuando esos errores son por mala fe o violaciones deliberadas.
No nos podemos olvidar tampoco que algunos de esos errores, e incluso violaciones, de los trabajadores también pueden ser inducidos por la propia organización y su sistema, siendo este aspecto frecuentemente olvidado en la propia gestión del error y búsqueda de responsabilidades.
Recordamos por otra parte que en el marco de la cultura justa , se pone especial énfasis en diferenciar “culpa” y “responsabilidad “. Son dos cosas diferentes, la culpa busca señalar a la persona como origen del problema, y la responsabilidad se enfoca en como vamos a controlar las acciones y las decisiones, cuando las cosas van bien y también cuando las cosas van mal.
La culpa busca castigo, mientras que la responsabilidad se centra en entender lo que salió mal, para aprender y mejorar.
Diferencia entre Errores No Intencionales y Conductas negligentes o intencional,
En este marco del Incumplimiento de normas, al margen de los sabotajes o daños intencionados que obviamente tendrían un tratamiento distinto incluso fuera de la propia organización, debemos distinguir los siguientes tipos de error:
- Errores No Intencionales: Son equivocaciones o fallos involuntarios que pueden ocurrir por una mala percepción, una creencia equivocada, o por una distracción, fatiga o falta de conocimiento.
- Errores Intencionales o Violaciones intencionales. Cuando un trabajador, de manera consciente, incumple las normas de seguridad, a sabiendas que lo está haciendo, y pone en riesgo su integridad física o la de los demás.
Como decíamos anteriormente, debemos determinar si esos errores o violaciones, podrían estar inducidos por la propia organización.
Criterios que se deberían seguir para resolver la duda de cuándo sancionar.
Previamente a la valoración de la sanción, debemos de tener en cuenta algunos aspectos:
- La inteligibilidad de las propias normas, es decir , si su redacción era compresible para el nivel del operador o trabajador, ello incluye la divulgación, y la verificación de la correcta compresión de las mimas.
- Si las normas en el contexto de ese error eran factibles, es decir, si serían posible si aplicación
- Y Como decíamos anteriormente, debemos determinar si esos errores o violaciones, podrían estar inducidos por la propia organización,
Además, desde un punto de vista legal , no todos los errores cometidos en el trabajo son sancionables. Para que una empresa pueda sancionar a un trabajador por un error desde un punto de vista legal, debe verificar:
- Tipicidad: Que el error esté claramente tipificado como falta en la normativa laboral y preventiva aplicable (Estatuto de los trabajadores -Artículos 54.2 y 58.1 – , convenios colectivos, etc..)
- Intencionalidad: Si hubo intención de causar daño o perjuicio,
- Buena Fe Contractual: Si se transgredió la confianza depositada por la empresa,
- Proporcionalidad: Que la sanción sea adecuada a la gravedad de la falta.
James Reason, un destacado psicólogo británico experto en seguridad organizacional y estudio de errores humanos, propone abordar los incumplimientos de normas aplicando dos pruebas: el Test de Sustitución y el Test de Previsión.
Estas herramientas ayudan a distinguir entre errores sistémicos y conductas individuales negligentes, permitiendo a las organizaciones gestionar los errores de manera justa y enfocarse en la mejora continua de sus sistemas y procesos.
Aplicando el Test de Sustitución.
El Test de Sustitución es una herramienta propuesta por James Reason que ayuda a las organizaciones a determinar si un error cometido por un empleado es consecuencia de factores sistémicos o de una conducta negligente o intencional.
Consiste en hacer la pregunta: “¿Habría actuado de la misma manera otra persona con habilidades, formación y experiencia similares, en las mismas circunstancias?”
Si la respuesta es sí, indica que el error probablemente se debe a condiciones laborales o procesos que necesitan ser mejorados.
Para aplicar el Test de Sustitución, se deben analizar factores como el contexto del error (condiciones de trabajo, presión de tiempo, complejidad de la tarea), la formación y experiencia del empleado, y circunstancias específicas como distracciones o el estado de salud del trabajador.
Si se determina que cualquier otro empleado podría haber cometido el mismo error bajo esas condiciones, la organización debe enfocarse en corregir los factores sistémicos, como mejorar la formación, ajustar las cargas de trabajo o actualizar los procedimientos.
Aplicando el Test de Previsión
James Reason previamente a la aplicación del test de Sustitución, propone el test de Previsión, que es una herramienta que ayuda a determinar si las acciones de un individuo que llevaron a un error o incidente eran previsibles para la organización.
Es decir, evalúa si la organización podría haber anticipado el error dadas las circunstancias y, por lo tanto, si podría haber implementado medidas preventivas.
La pregunta central del Test de Previsión es: “¿Fue razonablemente previsible que las condiciones existentes pudieran llevar a un empleado a cometer este error?”
Si la respuesta es sí, indica que el error era previsible y que la organización podría haber tomado medidas para evitarlo, como mejorar los sistemas, procedimientos o condiciones laborales.
Si la respuesta es no, sugiere que el error si podría ser resultado de una conducta atípica o negligente por parte del empleado, y recomienda aplicar para confirmar esa conducta negligente el test de sustitución, que hemos visto anteriormente.
En este punto es clave analizar dos aspectos muy interesantes:
- Patrones de Error: ¿Ha habido incidentes similares en el pasado? Esto puede indicar problemas sistémicos no resueltos.
- Informes de Riesgos: ¿Se han reportado “casi accidentes” o condiciones inseguras relacionadas?
Al enfocarse en la previsibilidad, las organizaciones pueden identificar y abordar los factores que contribuyen a los errores, fortaleciendo la seguridad y la eficiencia operativa.
La reiteración como elemento que puede determinar la intencionalidad.
La reiteración en el incumplimiento de una norma de seguridad podría llegar a considerarse como un error deliberado o una conducta intencional, siempre y cuando esta reiteración no esté inducida por el propio sistema o factores sistémicos dentro de la organización.
Cuando un trabajador incumple repetidamente una norma de seguridad, especialmente después de haber recibido formación, instrucciones claras y advertencias previas, se entiende que su comportamiento podría no ser resultado de un error no intencional, sino que también se puede valorar como una decisión consciente de no cumplir con las normas establecidas.
Debido a que la intencionalidad conlleva una alta carga de valoración subjetiva, resulta complicado determinarla.
Para evaluar la intencionalidad de un error en el ámbito laboral, es esencial considerar varios criterios clave:
- Advertencias Previas: Si un trabajador ha sido advertido verbalmente o por escrito sobre el incumplimiento de una norma y aun así persiste en su conducta, esto indica una falta de compromiso y respeto hacia las normas de seguridad.
- Formación Recibida: Haber recibido formación específica sobre los riesgos y las medidas preventivas refuerza la responsabilidad del trabajador. La repetición del incumplimiento sugiere que el trabajador está eligiendo ignorar esta información.
- Riesgo Conocido: Si el trabajador es consciente de las posibles consecuencias de su conducta y aun así la repite, se considera que está asumiendo deliberadamente el riesgo, lo que puede poner en peligro su seguridad y la de otros. Si las reglas son claras y el trabajador decidió no cumplirlas sin una justificación válida, esto sugiere intencionalidad.
Complementariamente, es conveniente considerar la motivación y posibles beneficios personales que el trabajador podría obtener al incumplir las normas, así como su actitud hacia la empresa y las políticas de seguridad.
Y por último es importante valorar la reacción del trabajador después del incidente; si muestra remordimiento y disposición a corregir el error, puede indicar falta de intención. Estos elementos de juicio permiten determinar si un error fue intencional o no, lo cual es fundamental para decidir si se deben aplicar medidas disciplinarias o enfocarse en el aprendizaje y la mejora de procesos.
Conclusión
La sanción por incumplimiento de las normas de seguridad y el fomento de la cultura justa no solo pueden coexistir, sino que deben hacerlo para crear un entorno de trabajo seguro y eficiente. Mientras que la cultura justa pone el énfasis en aprender de los errores y mejorar los procesos, las sanciones son una herramienta necesaria para garantizar la seguridad cuando los trabajadores persisten en conductas peligrosas.
Por lo tanto, La sanción debe considerarse como una herramienta más en nuestro proceso de crear una cultura organizacional donde la seguridad sea un valor fundamental. Sin embargo, es crucial no abusar de ella; las sanciones deben aplicarse de manera selectiva y justificada, en casos concretos y visibles para todos, siempre dentro de un marco de convivencia y aprendizaje continuo, es decir deben aplicarse después de un análisis justo.
Al utilizar las sanciones de esta manera, fomentamos una cultura justa que equilibra la responsabilidad individual con el la responsabilidad y el aprendizaje organizacional. Esto implica que las sanciones se aplican únicamente cuando hay conductas negligentes o intencionales que ponen en riesgo la seguridad, y no por errores no intencionales que pueden ser oportunidades para mejorar.
Además, al ser transparentes en la aplicación de sanciones y comunicar claramente las razones detrás de ellas, promovemos un entorno donde los trabajadores comprenden las expectativas y las consecuencias de sus acciones. Esto contribuye a que la seguridad no solo sea una norma, sino un valor compartido que guía el comportamiento diario de todos en la organización.
En resumen, la sanción, utilizada de forma justa y proporcional, es una herramienta eficaz para reforzar el valor de la seguridad, siempre que se integre en una estrategia más amplia de formación, comunicación abierta y mejora continua.
Fuente imagen cabecera: Pixabay (2014) Clker-Free-Vector-Images: https://pixabay.com/es/vectors/prisionero-g%C3%A1ngster-condenar-296515/
by Joaquín Fdez. | 13/10/2024 | Gestión, Digitalización y estandarización internacional, Herramientas de Gestión, seguridad
Las listas de verificación SLAM (Stop, Look, Assess, Manage), también llamadas Take5 , JAS (Job Safety Analysis) , o sencillamente listas de evaluaciones preliminares de tarea , son herramientas que bien utilizadas, pueden actuar como una primera barrera en la prevención de accidentes.
Su propósito es mitigar riesgos y garantizar que las tareas se realicen de forma controlada y segura. Sin embargo, la efectividad de estas listas no depende solo de su implementación técnica. También es crucial cómo los trabajadores y la línea de mando las perciben y utilizan.
Para entender mejor su impacto, podemos analizar el uso de estas listas a través de la teoría de los Sistemas 1 y 2 de Daniel Kahneman. Esta teoría explica cómo los seres humanos toman muchas de sus decisiones, y aunque reconoce que estos sistemas pueden o no reflejarse en nuestra neurobiología, pero no obstante pueden ser útiles para entender cómo pensamos.
Beneficios de las listas de verificación pre-tarea, en base a la teoría de la toma de decisiones de Daniel Kahenman.
La teoría de Kahneman explica que los seres humanos suelen usar dos sistemas diferentes para tomar decisiones. El Sistema 1 es rápido, instintivo y automático. Las personas lo utilizan en situaciones rutinarias o que no requieren mucha reflexión. Sin embargo, en situaciones relacionadas con tareas críticas, la toma de decisiones bajo el Sistema 1 puede llevar a tomar decisiones impulsivas incorrectas que aumenten el riesgo de accidentes.
Las listas de verificación actúan como una herramienta útil que obliga a los trabajadores a detenerse y evaluar reflexivamente el entorno y la tarea a comenzar. Esto ayuda a activar el Sistema 2, que es más racional y deliberado. Al utilizar este sistema, los trabajadores pueden analizar con más cuidado cada tarea, mejora su conciencia situacional, se reducen las decisiones impulsivas y la posibilidad de cometer errores.
Las listas de verificación pueden ser útiles porque impiden que los trabajadores caigan en la automatización instintiva del Sistema 1. En cambio, los fuerzan a adoptar una mentalidad analítica y consciente, asegurándose de que los detalles sean evaluados minuciosamente.
Retos para implementar esta herramienta.
A pesar de sus beneficios, las listas de verificación pre-tarea también presentan ciertos desafíos. Uno de los principales problemas es la tendencia de algunos trabajadores a completar las listas de manera mecánica. Esto sucede cuando las listas no se integran adecuadamente en el flujo de trabajo o no se les da la importancia que merecen. Los trabajadores pueden marcar las casillas sin prestar atención real a los riesgos, lo que resulta en una falsa sensación de seguridad. En estos casos, el Sistema 1 toma el control, y los trabajadores simplemente realizan las tareas de manera automática, sin reflexionar.
El desafío está en que, cuando se repiten tareas similares o hay presión de tiempo, es fácil que los empleados se relajen y no se tomen el tiempo necesario para analizar los riesgos. Las listas se convierten en un trámite que deben completar con rapidez, sin pensar realmente en su propósito. Esto es peligroso, ya que reduce la efectividad de las listas y aumenta el riesgo de accidentes.
Para contrarrestar esta tendencia, es crucial que la línea de mando juegue un papel activo en el proceso. La línea de mando debe alentar a los empleados a reflexionar y tomar conciencia de entorno y de la nueva tarea (Sistema 2) al completar las listas de verificación. Esto implica reflexionar sobre cada paso y asegurarse de que las listas no se completen de manera automática. Además, la personalización de las listas es fundamental. No todas las tareas son iguales, y las listas de verificación deben adaptarse al contexto específico de cada tarea. Esto ayuda a mantener a los empleados alerta y comprometidos con el proceso.
El papel de la línea de mando en el éxito de las listas de verificación
Para que las listas de verificación SLAM y pre-tarea sean realmente útiles, la línea de mando debe desempeñar un papel fundamental. No basta con distribuir las listas entre los empleados y esperar que las utilicen correctamente. Los supervisores y líderes deben tomar medidas activas para garantizar que las listas se usen de manera consciente y reflexiva, en lugar de un uso mecánico y automático.
1.- Fomentar la reflexión consciente
Un enfoque clave que la línea de mando debe adoptar es fomentar la autorreflexión consciente. Es fundamental crear un entorno donde se valore el tiempo dedicado a realizar una evaluación de riesgos detallada antes de comenzar una tarea. Esto implica reconocer a los empleados que completan las listas de verificación de manera cuidadosa y exhaustiva. Cuando los empleados ven que se les reconoce y premia por hacer un trabajo bien pensado, es más probable que activen su Sistema 2 y piensen críticamente en lugar de simplemente marcar casillas.
Además, fomentar la reflexión consciente ayuda a que los empleados adopten una actitud más analítica frente a los riesgos. Esto les permite desarrollar una mayor conciencia sobre su entorno (Conciencia situacional) y las tareas que están realizando, lo que contribuye a tomar decisiones más seguras en su trabajo.
2. Evitar el uso mecánico
La línea de mando debe estar atenta a los signos de que los empleados están completando las listas de verificación de manera mecánica o apresurada. Esto suele suceder cuando los trabajadores están bajo presión o sienten que las listas son un trámite innecesario. Para evitar esto, es importante realizar revisiones periódicas de las listas completadas y proporcionar retroalimentación constante sobre el uso y su calidad.
Los supervisores deben alentar a los empleados a tomarse el tiempo necesario para reflexionar sobre cada paso de la lista. Esto no solo mejora la calidad del proceso, sino que también ayuda a activar el llamado Sistema 2, lo que reduce el riesgo de errores y accidentes.
3. Predicar con el ejemplo
Otro aspecto importante es que los líderes y supervisores deben predicar con el ejemplo. No basta con decirle a los empleados que usen las listas de verificación de manera adecuada. Los líderes deben ser los primeros en utilizarlas correctamente y demostrar cómo deben completarse.
Esto no solo refuerza la importancia de las listas de verificación, sino que también sirve como incentivo para los trabajadores.
Adaptar las listas al contexto
La personalización de las listas de verificación es esencial para su efectividad. Las listas genéricas pueden fallar porque no abordan los riesgos específicos de una tarea o lugar de trabajo. Adaptar las listas al contexto específico de cada tarea ayuda a que los empleados vean su relevancia y entiendan la importancia de seguir cada paso.
Además, involucrar a los propios trabajadores en la creación y revisión de las listas de verificación refuerza este enfoque. Los empleados que están más familiarizados con los riesgos reales del trabajo pueden proporcionar información valiosa que mejora la relevancia y efectividad de las listas.
Integrar las listas de verificación en el flujo de trabajo
Para que las listas de verificación SLAM y pre-tarea sean vistas como herramientas útiles y no como una carga, es fundamental integrarlas de manera natural en el flujo de trabajo. Esto significa que las listas deben ser parte de los procedimientos diarios y no una tarea extra que los empleados sientan que deben cumplir.
Al integrar las listas en el flujo de trabajo diario, los empleados estarán más inclinados a considerarlas una parte esencial de su trabajo. Esto reduce la percepción de que las listas son un trámite burocrático y ayuda a que los trabajadores utilicen las listas de manera más consciente y reflexiva.
Adaptar las listas al entorno de trabajo.
Es crucial que las listas de verificación se ajusten a las particularidades del entorno de trabajo. Las listas genéricas suelen fracasar porque no abordan los riesgos específicos de una tarea o lugar. Adaptarlas al entorno permite que los empleados reconozcan la relevancia de cada punto, lo que aumenta la probabilidad de que activen su Sistema 2 y evalúen cuidadosamente cada paso.
Además, la adaptación de las listas puede incluir la revisión periódica de su contenido. A medida que las condiciones laborales cambian, también deben hacerlo las listas de verificación. Esto asegura que siempre estén actualizadas y sean relevantes para el entorno de trabajo actual.
Incluir la opción de rechazo de tarea en las listas de verificación.
Una medida clave para mejorar la efectividad de listas de evaluación pre-tarea es incluir la opción de rechazo de tarea. Esto permite a los trabajadores detener una actividad si perciben que no es segura. Darles la autoridad para tomar esta decisión es esencial para fomentar una cultura basada en la responsabilidad, compromiso y el análisis crítico.
Cuando los trabajadores tienen la opción de rechazar una tarea, se les incentiva a reflexionar más profundamente sobre los riesgos asociados. Esta opción activa el Sistema 2, promoviendo un análisis más deliberado y consciente de la situación. Al incluir esta opción en las listas de verificación, se envía un mensaje claro: la seguridad es importante y forma parte de los valores de la cultura de la organización, y ningún trabajo debe continuar si no se cumplen las condiciones de seguridad adecuadas.
Además, esta opción también refuerza la confianza entre la dirección y los empleados. Los trabajadores sienten que se les valora lo suficiente como para tomar decisiones críticas. Esto mejora el compromiso con las políticas de seguridad, haciendo que estas listas de verificación sean vistas como una herramienta verdaderamente útil.
Asseguratte , una herramienta digital que facilita la realización de evaluaciones preliminares de riesgos
Nuestra aplicación, Asseguratte, facilita la realización de evaluaciones preliminares de riesgos de manera ágil. Al digitalizar estos procesos, puedes crear tantas listas de verificación como tareas críticas haya en tu organización. Esto permite que cada lista se adapte a las necesidades específicas de cada trabajo.
El uso de la aplicación mejora significativamente la conciencia situacional de los trabajadores antes de iniciar cualquier tarea. Además, ofrece la ventaja de ser accesible desde cualquier dispositivo móvil, lo que agiliza el proceso de evaluación en cualquier momento y lugar.
La aplicación también incorpora funciones que permiten a los trabajadores rechazar tareas de manera ágil cuando no consideran que sean seguras. Al hacerlo, se activan comunicaciones inmediatas a los supervisores, asegurando una respuesta rápida y eficaz.
Gracias a las alertas automatizadas, los supervisores pueden monitorear en tiempo real el progreso de las evaluaciones. Esto no solo facilita el seguimiento, sino que también hace más visible el estado de cada tarea. Además, mejora el feedback a los trabajadores, proporcionando información más rápida y precisa , y fomenta la realización consciente y reflexiva de la herramienta. Ver vídeo.
Conclusión
Las listas de análisis pretarea son herramientas útiles para mejorar las condiciones de trabajo , y mejorar la autogestión de los trabajadores. Sin embargo, su éxito depende de cómo se implementen y utilicen. La teoría de los Sistemas 1 y 2 de Kahneman nos ayuda a entender el por qué de su utilización de manera consciente y analítica, en lugar de caer en la rutina de decisiones impulsivas en modo automático.
La línea de mando tiene un rol esencial en asegurar que las listas sean vistas como una parte integral del trabajo, adaptadas al contexto específico, y que se usen para mejorar la conciencia situacional en cada parea.
Fuente imagen: Pixabay (2021) : Dominoes, Game, Block image. Autor OleksandrPidvalnyi / https://pixabay.com/photos/dominoes-game-block-risk-success-6795407/
by Joaquín Fdez. | 26/08/2024 | seguridad, liderazgo
La inteligencia artificial (IA) y la conducción autónoma se están convirtiendo rápidamente en una parte integral de nuestras vidas. Con la promesa de vehículos sin conductor surgiendo en el horizonte, surge una cuestión ética fundamental: ¿cómo deben estos sistemas tomar decisiones en situaciones de vida o muerte?
Para abordar este complejo dilema, un equipo de investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrolló “The Moral Machine” (La Máquina Moral), un experimento masivo que explora cómo las personas de diferentes culturas alrededor del mundo toman decisiones éticas en el contexto de la conducción autónoma.
En el fondo es una adaptación del famoso experimento mental del dilema del tranvía al contexto de los vehículos autónomos.
¿Qué es “The Moral Machine”?
“The Moral Machine” es una plataforma en línea diseñada para simular dilemas morales que un vehículo autónomo podría enfrentar. La premisa básica es sencilla pero provocadora: el participante se encuentra en la posición de decidir qué acción debería tomar un coche autónomo en situaciones en las que no todas las vidas pueden salvarse.
Por ejemplo, si el coche autónomo debe optar por atropellar a un grupo de peatones o sacrificar a los pasajeros en el vehículo para evitarlo.
El experimento presenta a los participantes con una serie de escenarios en los que deben elegir entre dos resultados negativos, lo que se conoce como un dilema moral.
Los resultados se recogen para analizar cómo las personas valoran la vida de diferentes individuos en función de factores como la edad, el género, el estatus social y, en algunos casos, incluso si se trata de humanos o animales.
Resultados y Análisis del Experimento
El experimento del MIT recopiló respuestas de millones de personas en 233 países y territorios, lo que lo convierte en uno de los estudios más grandes y diversos sobre la toma de decisiones morales.
Los resultados revelaron patrones fascinantes que destacan las diferencias culturales en la ética y la moral.
1. La Preferencia por la Juventud:
A nivel global, una tendencia clara fue la preferencia por salvar a los jóvenes sobre los ancianos. Este patrón se observó de manera consistente, aunque con variaciones regionales.
Los países con culturas más individualistas son más propensos a salvar a los jóvenes, es conocido como en las sociedades orientales y africanas tienen una profunda tradición de respeto por los ancianos, sin embargo en las sociedades occidentales , más individualistas, la preferencia por la juventud puede estar más alineada la idea de que la juventud representa la oportunidad de vivir una vida completa y autónoma.
En base a ello, en general los paises Asiaticos como China y Japón es más probable que salven a los ancianos que a los jovenes, al contrario que en paises como ocidentales, como Francia, Canadá,Grecia, etc..
¿Es éticamente aceptable programar un coche para que prefiera salvar a un niño sobre un anciano?.
Otra característica de los países con culturas mas individualistas es la tendencia a salvar más vidas. ¿Debería un coche autónomo sacrificar a su único pasajero para salvar a un grupo de peatones?
2. La Influencia del Género y el Estatus Social:
En muchas culturas, hubo una ligera preferencia por salvar a las mujeres en lugar de a los hombres. Además, el estatus social de los individuos también influyó en las decisiones, con personas en roles de alto estatus (por ejemplo, médicos) a menudo siendo favorecidas.
3. Las Variaciones Culturales:
Uno de los hallazgos más interesantes fue cómo la cultura influye en las decisiones morales. En países como Japón y China, hubo una mayor tendencia a sacrificar a los peatones en lugar de a los pasajeros, reflejando posiblemente un mayor énfasis en la responsabilidad colectiva y la deferencia a las reglas.
En contraste, en países de América del Norte y Europa, se observó una mayor inclinación a salvar a los peatones, reflejando un enfoque en la protección de los más vulnerables.
Implicaciones para la IA y la conducción Autónoma
Los resultados de “The Moral Machine” plantean preguntas cruciales para el desarrollo de la IA en la conducción autónoma. Si las preferencias morales varían significativamente entre culturas, se plantean las siguientes cuestiones:
- ¿cómo deben los ingenieros programar estos sistemas?
- ¿Deben los vehículos autónomos tener en cuenta las normas culturales de cada país en el que operan, o se debería establecer un estándar ético global?
Estos dilemas subrayan la necesidad de un enfoque multidisciplinario en el desarrollo de la IA, uno que no solo considere la tecnología, sino también la ética, la sociología y la antropología.
Conclusión
“The Moral Machine” del MIT no solo nos ofrece una visión de cómo las personas toman decisiones morales en situaciones límite, sino que también destaca la complejidad de desarrollar sistemas autónomos que puedan operar de manera ética en un mundo diverso.
La influencia de la cultura en la toma de decisiones es un factor crucial que no puede ser ignorado en la búsqueda de soluciones globales para la inteligencia artificial y la conducción autónoma.
El reto ahora es cómo integrar estas diferencias culturales en tecnologías que están destinadas a operar en un mundo cada vez más interconectado y diverso.
Con la conclusión del estudio sobre la ética en coches autónomos puede establecerse también un paralelismo con la seguridad laboral, al demostrar cómo la influencia cultural en la toma de decisiones , especialmente ante tareas de elevado de riesgos.
En un entorno laboral, la percepción del riesgo y la aversión al mismo pueden variar considerablemente según la cultura de los trabajadores. Comprender estas diferencias culturales puede permitir a las empresas diseñar protocolos de seguridad más efectivos y personalizados, alineados con las actitudes y valores específicos de los trabajadores y sus grupos sociales. En definitiva un sistema de gestión de la seguridad que es efectivo en un centro de trabajo en Europa, puede que en un pais asiatico no lo sea , y viceversa.
Puedes participar en la plataforma de Moral Machine desde este enlace: https://www.moralmachine.net/hl/es
Bibliografía:
- Awad, E., Dsouza, S., Kim, R. et al. The Moral Machine experiment. Nature 563, 59–64 (2018). https://doi.org/10.1038/s41586-018-0637-6
- Fotografía: OpenAI. (2024). Imagen generada con inteligencia artificial por DALL-E en ChatGPT. OpenAI.
