AI phân tích báo cáo cận sự cố tại nhà máy Thái Lan: triển khai và nghiệm thu

Triển khai AI phân tích báo cáo cận sự cố (near-miss), tức dùng AI tạo sinh để dịch, tóm tắt và phân loại báo cáo, là phương án thường được nhắc tới khi chúng tôi nghe những chia sẻ như sau từ cán bộ an toàn (จป.), trưởng phòng hành chính và an toàn vệ sinh lao động hay giám đốc nhà máy tại các nhà máy vốn Nhật Bản ở Thái Lan: “Báo cáo cận sự cố được gửi lên bằng giấy viết tiếng Thái hoặc qua LINE. Chỉ riêng việc đọc, dịch sang tiếng Nhật, phân loại, nhập vào sổ theo dõi và tổng hợp thành báo cáo tháng đã đủ kín việc. Chúng tôi có tổng hợp số liệu, nhưng không theo dõi được đến mức biện pháp đối phó đã thực sự được hoàn tất hay chưa.”

Xin nêu kết luận trước. Việc phân tích cận sự cố bằng AI có mang lại kết quả hay không, điều đó không được quyết định bởi “độ chính xác phân loại của AI”. Nó được quyết định bởi “báo cáo có dễ gửi hơn để số lượng tăng lên, và thời gian cho tới khi biện pháp được giao và được hoàn tất có ngắn lại hay không”. Dù phân loại và tổng hợp nhanh đến đâu, nếu người phụ trách, thời hạn và việc xác nhận hoàn thành của biện pháp không vận hành, tai nạn sẽ không giảm.

Khi triển khai, có 5 việc cần quyết định: (1) kênh tiếp nhận báo cáo, (2) phạm vi giao cho AI, (3) tạo “đáp án đúng” cho phân loại như thế nào, (4) giao việc và xác nhận hoàn thành biện pháp, (5) cách xử lý thông tin cá nhân và báo cáo pháp định. Nếu quyết định theo đúng thứ tự này, việc chọn sản phẩm, RFP và nghiệm thu sẽ ít bị lệch hướng.

Lưu ý rằng số lượng báo cáo, thời gian xử lý, chi phí nhân công, chi phí, tổn thất do tai nạn và số năm hoàn vốn của nhà máy xuất hiện trong bài đều là giá trị tính toán và giá trị giả định (giá trị tạm đặt) do chính bài viết này đưa ra, dựa trên nhà máy mô hình trình bày ở phần sau. Đây không phải mức trung bình ngành hay số liệu khảo sát. Giá của nhà cung cấp cũng không được dùng trong tính toán. Hãy đọc chúng như một “khuôn mẫu tính toán” để thay bằng số liệu thực tế và báo giá của chính công ty bạn.

Vì sao triển khai AI phân tích báo cáo cận sự cố đang được đặt ra tại các nhà máy Thái Lan

Bốn bức tường: giấy, LINE, đa ngôn ngữ và báo cáo tháng

Tại các nhà máy vốn Nhật Bản ở Thái Lan, phần lớn báo cáo cận sự cố được gửi lên bằng tiếng Thái. Có báo cáo viết tay trên mẫu giấy, có báo cáo do tổ trưởng gửi qua LINE kèm ảnh và vài câu ngắn, có báo cáo được kể bằng lời rồi cán bộ an toàn viết hộ. Hình thức lẫn mức độ chi tiết đều không thống nhất. Tùy nhà máy, còn có cả báo cáo bằng các ngôn ngữ khác, chẳng hạn tiếng mẹ đẻ của người lao động đến từ các nước lân cận.

Để biến những báo cáo này thành dạng mà cấp quản lý người Nhật đọc được, phải có người đọc từng báo cáo, nắm ý, chuyển sang tiếng Nhật, phân loại theo dạng tai nạn hoặc địa điểm, rồi nhập vào sổ theo dõi. Cuối tháng, lại phải đếm số lượng, vẽ biểu đồ và tổng hợp thành báo cáo tháng. Phần lớn thời gian của cán bộ an toàn bị tiêu vào việc “đọc, dịch, phân loại, đếm”, và không còn thời gian cho việc quan trọng nhất là “suy nghĩ xem chỗ nào nguy hiểm, đưa ra biện pháp và xác nhận biện pháp đã được hoàn tất”.

Khó hơn nữa là số lượng càng tăng thì việc xử lý càng không theo kịp. Lẽ ra cận sự cố được thu thập càng nhiều thì càng dễ thấy nguy hiểm nằm ở đâu, nhưng nhìn từ phía người xử lý, số lượng tăng cũng có nghĩa là gánh nặng tăng. Kết quả là, một cách vô thức, tâm lý “ít báo cáo thì đỡ việc” hình thành, và kênh tiếp nhận báo cáo dần bị thu hẹp. Giá trị của việc dùng AI để giảm công sức dịch, tóm tắt và phân loại nằm chính ở đây.

Vì sao cần thu thập cận sự cố

Trang “Shokuba no Anzen Site” (trang thông tin an toàn nơi làm việc) của Bộ Y tế, Lao động và Phúc lợi Nhật Bản giải thích rằng hoạt động cận sự cố là hoạt động lấy những trải nghiệm “giật mình, thót tim” làm chất liệu để gắn với việc phòng ngừa tai nạn, và là một phương pháp hiệu quả để nắm bắt các yếu tố nguy hiểm, có hại. Đồng thời, trang này cũng cho rằng vì báo cáo cận sự cố “không phải là điều vẻ vang” đối với người báo cáo, nên nếu không đặt ra và thực hiện thỏa thuận không đổ lỗi cho người lao động, chế độ này sẽ không duy trì được lâu. Kể cả khi người lao động không làm đúng quy trình, cũng nên coi đó là cơ hội để xem xét lại quy trình; và nếu chia sẻ rộng rãi các trường hợp cải tiến qua bản tin nội bộ, sẽ giúp nhân rộng sang các bộ phận khác và nâng cao ý thức.

Trong bối cảnh cận sự cố, quy luật Heinrich thường được nhắc tới. Phần giải thích thuật ngữ trên cùng trang giới thiệu quy luật do Heinrich, một kỹ sư an toàn của một công ty bảo hiểm thiệt hại tại Mỹ, công bố, với tỷ lệ: trong 330 vụ tai nạn do cùng một người gây ra, có 1 vụ là tai nạn nghiêm trọng, 29 lần là thương tích nhẹ và 300 lần là tai nạn không gây thương tích. Tuy nhiên, cũng phần giải thích đó nhắc tới việc chính Heinrich từng nói tỷ lệ này khác nhau giữa công việc lắp dựng kết cấu thép và nhân viên văn phòng, và kết luận rằng điều quan trọng không phải là con số tỷ lệ, mà là việc có rất nhiều yếu tố nguy hiểm, có hại.

Tỷ lệ này cũng có những phê phán. Safety+Health, tạp chí ngành của Hội đồng An toàn Quốc gia Hoa Kỳ (NSC), giới thiệu phê phán của Fred A. Manuele: các hồ sơ gốc không còn tồn tại nên bên thứ ba không thể kiểm chứng; tỷ lệ đã được sửa đổi qua các lần tái bản mà không có giải thích; và nếu đứng trên tiền đề “phần lớn tai nạn là do hành vi không an toàn” thì biện pháp sẽ hướng vào người lao động thay vì hệ thống công việc. Hợp lý nhất là tiếp nhận tỷ lệ này như một quy luật kinh nghiệm được giới thiệu. Không thể dùng nó làm công cụ tính toán kiểu giảm bao nhiêu vụ cận sự cố thì giảm được bao nhiêu vụ tai nạn nghiêm trọng.

Trong bài viết này, mục đích của việc phân tích cận sự cố bằng AI cũng không đặt ở “giảm số lượng”. Mục đích là sớm biết nguy hiểm nằm ở đâu, đưa ra biện pháp và xác nhận biện pháp đó đã được hoàn tất.

Chuyển động 2025-2026: AI tạo báo cáo từ video, AI đọc toàn bộ báo cáo

Trong lĩnh vực cận sự cố × AI, có thể thấy hai dòng chuyển động lớn (cách sắp xếp thành hai dòng này là của bài viết này).

Dòng thứ nhất là dòng tìm ra “cận sự cố chưa được báo cáo” từ video và cảm biến. Ngày 25 tháng 3 năm 2026, NEC và Sumitomo Heavy Industries công bố hợp tác phát triển một hệ thống trích xuất cận sự cố từ video camera và thông tin cảm biến gắn trên máy đào thủy lực, rồi dùng AI tạo sinh để tự động tạo báo cáo tóm tắt diễn biến sự việc. Hai công ty cho biết đã hoàn tất thử nghiệm kỹ thuật vào tháng 9 năm 2025, và đặt mục tiêu phát triển kỹ thuật và kiểm chứng thương mại hóa trong năm tài chính 2026, đưa vào ứng dụng thực tế trong năm tài chính 2027. Đây là kế hoạch tại thời điểm công bố, chưa phải sản phẩm đã thương mại hóa. Đối tượng cũng là video của máy xây dựng, không phải cơ chế phân loại văn bản báo cáo của nhà máy. Tại triển lãm xây dựng và trắc địa tháng 6 năm 2026, hệ thống được giới thiệu với tên “chức năng tự động phát hiện cận sự cố và tạo báo cáo HAW (tên tạm thời)”, và theo đưa tin, bối cảnh là vấn đề báo cáo cận sự cố khó được gửi lên tại công trường thi công. Cách tiếp cận dùng camera trong nhà máy để phát hiện tình huống nguy hiểm đã được trình bày trong bài camera AI quản lý an toàn.

Dòng thứ hai là dòng đọc toàn bộ báo cáo dạng văn bản do con người viết để phân loại và tóm tắt. Nomura Research Institute (NRI) công bố một giải pháp dùng xử lý ngôn ngữ tự nhiên để trích xuất và cấu trúc hóa các yếu tố liên quan tới cận sự cố từ báo cáo công việc, và nêu một trường hợp đã mở rộng việc phân tích trước đây làm bằng cách lấy mẫu thành phân tích toàn bộ khoảng 24.000 báo cáo mỗi năm, tự động hóa đến cả khâu chia sẻ trên dashboard, giúp giảm khoảng 600 giờ mỗi năm. Đây là giá trị của một trường hợp triển khai do nhà cung cấp công bố, không có nghĩa là nhà máy nào cũng đạt hiệu quả như vậy. Ở nước ngoài, Benchmark Gensuite quảng bá, ngoài việc báo cáo mối nguy qua biểu mẫu trên thiết bị di động, còn có chức năng AI tự động nhận diện các sự việc có khả năng nghiêm trọng. Đây cũng là tuyên bố của nhà cung cấp, không có số liệu độ chính xác được công bố, và chúng tôi không xác nhận được khả năng hỗ trợ tiếng Thái hay tiếng Việt.

Bài viết này chủ yếu bàn về dòng thứ hai, tức dùng AI phân tích báo cáo dạng văn bản.

Nghiên cứu đã làm rõ đến đâu

Về phía nghiên cứu, năm 2025, nhóm Ando thuộc Đại học Y khoa Nghề nghiệp và Môi trường (Nhật Bản) đã công bố kết quả tự động phân loại báo cáo tai nạn lao động bằng mô hình ngôn ngữ lớn (LLM). Nghiên cứu lấy 2.619 vụ thương vong do “té ngã” trong ngành y tế – vệ sinh và ngành bán lẻ từ dữ liệu tai nạn lao động năm 2021 có thời gian nghỉ việc từ 4 ngày trở lên, phân loại bằng 4 loại LLM và so sánh với phân loại thủ công của chuyên gia. Các mô hình thế hệ mới có hệ số Kappa (mức độ trùng khớp sau khi trừ đi phần trùng khớp ngẫu nhiên) nhìn chung vượt 0,7 ở nhiều hạng mục ngoại trừ “vật gây tai nạn”, và tỷ lệ đúng của địa điểm xảy ra (trong nhà hay ngoài trời) vượt 91%. Ở hạng mục khó nhất là vật gây tai nạn, hệ số Kappa của o4-mini là 0,662. Nghiên cứu cho biết xử lý toàn bộ mất khoảng 90 phút, chi phí khoảng 11 đô la Mỹ.

Tuy nhiên, đối tượng của nghiên cứu này là báo cáo về các vụ tai nạn lao động đã thực sự xảy ra, không phải cận sự cố. Đó là báo cáo bằng tiếng Nhật, giới hạn ở tai nạn té ngã của 2 ngành. Không thể khái quát thành “độ chính xác phân loại của LLM là 90%”. Mức độ trùng khớp với báo cáo của chính công ty bạn, theo hệ thống phân loại của chính công ty bạn, chỉ có thể đo trong nghiệm thu.

Trong ngành hàng hải, nghiên cứu của Đại học Strathclyde (Anh) và công ty phà CalMac Ferries đã phân tích 4.360 báo cáo cận sự cố trong 5 năm bằng mô hình chủ đề (topic model), dùng GPT hỗ trợ gán nhãn chủ đề, rồi kiểm chứng kết quả bằng đánh giá có cấu trúc của nhiều chuyên gia. Nghiên cứu trích xuất hơn 75 chủ đề sự cố và 87 chủ đề biện pháp phòng ngừa, đồng thời chỉ ra biến động theo mùa, như rủi ro liên quan tới hành khách nhiều vào mùa hè, hỏng hóc thiết bị nhiều vào mùa đông, cũng như mối liên hệ giữa sự cố và biện pháp. Đây là nghiên cứu về ngành hàng hải và không đưa ra số liệu tỷ lệ đúng, nhưng có thể tham khảo cho thiết kế “nhãn do AI gán thì con người kiểm chứng”.

Ngoài ra, một nghiên cứu chưa qua bình duyệt (ABEX-RAT) về báo cáo tai nạn xây dựng tại Mỹ nêu vấn đề “mất cân bằng lớp nghiêm trọng”, trong đó các dạng tai nạn hiếm nhưng nghiêm trọng trở thành các lớp có ít mẫu. Dạng tai nạn càng nghiêm trọng nhưng ít xảy ra thì AI càng khó phân loại chính xác. Đây là lý do mà trong nghiệm thu ở phần sau, cần ưu tiên xem “bỏ sót sự việc nghiêm trọng” hơn là tỷ lệ trùng khớp tổng thể.

Bối cảnh thống kê của Nhật Bản

Để tham khảo, hãy xem các con số của Nhật Bản. Tất cả số liệu dưới đây là thống kê của Nhật Bản, không phải số liệu của Thái Lan. Theo tình hình tai nạn lao động năm 2025 (Reiwa 7) do Bộ Y tế, Lao động và Phúc lợi Nhật Bản công bố ngày 27 tháng 5 năm 2026 (không bao gồm các trường hợp do nhiễm COVID-19), số người tử vong là 700 người, thấp nhất từ trước đến nay; số người thương vong phải nghỉ việc từ 4 ngày trở lên là 135.333 người, giảm 0,3% so với năm trước. Theo ngành, ngành sản xuất có số người thương vong nhiều nhất với 26.371 người. Theo dạng tai nạn, trong số thương vong của toàn bộ các ngành, “té ngã” nhiều nhất với 37.195 người; còn trong số tử vong, “bị kẹp, bị cuốn” là 117 người, tăng 6,4% so với năm trước.

Kế hoạch phòng ngừa tai nạn lao động lần thứ 14 của Nhật Bản đặt mục tiêu giảm từ 5% trở lên số người thương vong do “bị kẹp, bị cuốn” vào máy móc trong ngành sản xuất đến năm 2027 (Reiwa 9) so với năm 2022 (Reiwa 4). Có những dạng nhiều về số lượng như té ngã, và những dạng tuy ít về số lượng nhưng nặng như bị kẹp, bị cuốn. Trong phân tích cận sự cố, cần thiết kế sao cho không bỏ sót cả hai.

Phân tích cận sự cố bằng AI là gì: phạm vi giao cho AI và phạm vi do con người quyết định

Luồng 4 bước từ báo cáo đến biện pháp

Phân tích cận sự cố bằng AI sẽ dễ sắp xếp hơn nếu nhìn theo 4 bước lớn như sau.

1. Báo cáo: người lao động báo cáo sự việc “giật mình” bằng điện thoại thông minh hoặc giấy
2. AI sơ chế: dịch, tóm tắt, gán nhãn phân loại đề xuất, gộp báo cáo trùng, ước đoán địa điểm
3. Tổng hợp và trực quan hóa: tổng hợp theo dạng tai nạn, địa điểm, khung giờ, tìm ra nơi báo cáo tập trung (điểm nóng, hotspot)
4. Biện pháp và xác nhận hoàn thành: quyết định người phụ trách và thời hạn, thực hiện biện pháp, xác nhận hiệu quả rồi khép lại

Hình trên minh họa luồng 4 bước này. AI chủ yếu làm việc ở bước 2 và bước 3, còn bước 1 và bước 4 được quyết định bởi con người và cách thiết kế cơ chế. Thảo luận về triển khai thường nghiêng về năng lực AI vì bước 2 là phần dễ nhìn thấy nhất, nhưng thứ quyết định kết quả lại chính là bước 1 và bước 4.

Phạm vi có thể giao cho AI

Những việc dễ giao cho AI là các công việc “sơ chế” như sau.

• Dịch: dịch báo cáo bằng tiếng Thái, tiếng Việt, tiếng Anh… sang tiếng Nhật, hoặc dịch chỉ thị tiếng Nhật sang ngôn ngữ địa phương
• Tóm tắt: sắp xếp tin nhắn LINE dài hay báo cáo viết tay thành dạng “khi nào, ở đâu, cái gì, suýt xảy ra chuyện gì”
• Gán nhãn phân loại đề xuất: gán nhãn đề xuất cho dạng tai nạn, vật gây tai nạn, địa điểm và mức độ nghiêm trọng dự kiến
• Gộp báo cáo trùng: khi nhiều người báo cáo cùng một sự việc, đưa ra đề xuất gộp lại
• Ước đoán địa điểm: từ cách gọi tại hiện trường như “sau máy dập ở dây chuyền số 2” hay “chỗ cây cột ở khu xuất hàng”, ước đoán khu vực trong nhà máy
• Nhắc bổ sung thông tin: khi báo cáo thiếu địa điểm hay thời gian, hỏi lại ngay ở bước nhập liệu

Tất cả đều là công việc “đưa ra đề xuất, với tiền đề con người xác nhận cuối cùng”. AI không chốt phân loại; luồng công việc là cán bộ an toàn xem từng báo cáo rồi phê duyệt hoặc sửa.

Phạm vi do con người quyết định

Mặt khác, các phán đoán sau đây được giữ lại cho con người.

• Phán định cuối cùng về mức độ nghiêm trọng: sự việc đó, nếu chỉ chệch đi một chút, có dẫn tới tai nạn nghiêm trọng hay không
• Quyết định biện pháp: chặn bằng thiết bị, thay đổi quy trình, hay bổ sung bằng biển báo và đào tạo
• Giao người phụ trách và thời hạn: ai làm gì, trước khi nào
• Xác nhận hoàn thành và hiệu quả: biện pháp đã được thực hiện chưa, có báo cáo tương tự xuất hiện trở lại hay không
• Báo cáo pháp định: thông báo và báo cáo bằng văn bản cho cơ quan có thẩm quyền khi tai nạn thực sự xảy ra

Lý do không giao phán định mức độ nghiêm trọng cho AI là, như đã nêu, dạng tai nạn càng nghiêm trọng nhưng ít xảy ra thì AI càng dễ phân loại sai. Mức độ nghiêm trọng dự kiến của AI được dùng để “sắp xếp lại các báo cáo mà con người nên xem trước”, còn bản thân việc phán định do con người thực hiện. Về cách nghĩ đối với biện pháp, cách thiết kế thiết bị để con người không thể thao tác sai được trình bày trong bài Poka-yoke, còn cách dùng AI hỗ trợ chính việc viết hành động khắc phục được trình bày trong bài AI viết báo cáo khắc phục.

Thiết kế kênh tiếp nhận báo cáo: kênh đa ngôn ngữ gửi được trong 30 giây và thỏa thuận không đổ lỗi

Kênh tiếp nhận hẹp thì AI không tìm ra được gì

Phân tích của AI chỉ tác động lên những báo cáo đã được gửi lên. Nếu kênh tiếp nhận khó dùng, số lượng sẽ không tăng, và dù phân tích thì cũng không thấy được nguy hiểm nằm ở đâu. Đó là lý do kênh tiếp nhận là thứ cần quyết định đầu tiên khi triển khai.

Làm mốc tham khảo, nên lấy tiêu chí người lao động có thể gửi báo cáo từ điện thoại thông minh trong 30 giây hay không. Cụ thể là thiết kế như sau.

• Có thể báo cáo trực tiếp từ ứng dụng đang dùng hằng ngày (LINE, Teams…)
• Chỉ cần chụp 1 tấm ảnh và thêm một câu là gửi được. Câu chữ ngắn cũng được
• Có thể viết bằng ngôn ngữ của mình như tiếng Thái, tiếng Việt, tiếng Nhật. Cũng có thể chọn cách nói rồi chuyển thành chữ
• Địa điểm có thể chọn bằng cách quét mã QR của khu vực hoặc chọn trên bản đồ
• Không bắt buộc nhập tên người báo cáo. Giữ lựa chọn gửi ẩn danh

Vẫn có thể giữ mẫu báo cáo bằng giấy. Có những khu vực không được mang điện thoại vào, và có những người quen viết tay hơn. Báo cáo bằng giấy có thể được chụp ảnh cho AI đọc, rồi con người xác nhận kết quả đọc, là đưa được vào cùng một sổ theo dõi. Cách điện tử hóa giấy tờ như báo cáo ngày hay hồ sơ kiểm tra đã được trình bày trong bài AI cho báo cáo ngày của nhà máy và điện tử hóa phiếu kiểm tra.

Văn bản hóa “thỏa thuận không đổ lỗi” bằng ngôn ngữ địa phương

Như phần giải thích của Bộ Y tế, Lao động và Phúc lợi Nhật Bản, nếu không có thỏa thuận không đổ lỗi cho người báo cáo, chế độ cận sự cố sẽ không duy trì được lâu. Điều này ở Thái Lan cũng vậy. Thậm chí, vì có rào cản ngôn ngữ, cách cấp quản lý người Nhật tiếp nhận báo cáo khó truyền đạt xuống hiện trường, nên nỗi lo “viết ra liệu có bị mắng không” dễ còn tồn tại.

Vì vậy, hãy văn bản hóa các nội dung sau bằng ngôn ngữ địa phương như tiếng Thái, và nhắc đi nhắc lại trong buổi họp đầu ca và đào tạo an toàn.

• Không hạ đánh giá hay khiển trách với lý do đã báo cáo cận sự cố
• Kể cả khi phát hiện việc không làm đúng quy trình, trước hết xem xét lại quy trình và thiết bị
• Luôn phản hồi lại báo cáo về những gì đã làm (“đã nhận”, “đã quyết định biện pháp”, “biện pháp đã hoàn thành”)
• Chia sẻ và khen ngợi trong công ty những báo cáo tốt và những cải tiến sinh ra từ báo cáo

Một trang giải thích về ISO 45001 cho biết, đối với điều khoản 5.4 (tham vấn và sự tham gia của người lao động), tiêu chuẩn yêu cầu xác định và loại bỏ các trở ngại đối với sự tham gia, và nêu ví dụ như không phản hồi đề xuất của người lao động, vấn đề ngôn ngữ và khả năng đọc viết, các chính sách cản trở sự tham gia. Kênh tiếp nhận đa ngôn ngữ và việc phản hồi báo cáo chính là nỗ lực “loại bỏ trở ngại” này. Bản dịch của AI được định vị là phương tiện để hạ thấp rào cản ngôn ngữ.

Cách quyết định hệ thống phân loại: dạng tai nạn, vật gây tai nạn, địa điểm, mức độ nghiêm trọng

Quyết định trước 4 trục

Trước khi cho AI phân loại, cần quyết định sẵn hệ thống phân loại. Nếu chưa có hệ thống mà nhờ AI “phân loại giúp”, mỗi báo cáo sẽ được gán nhãn bằng từ ngữ khác nhau và không thể tổng hợp.

Cơ bản là 4 trục sau.

Nếu đặt tên dạng tai nạn khớp với cách phân chia của thống kê tai nạn lao động Nhật Bản, việc báo cáo lên trụ sở tại Nhật hay so sánh với các cơ sở khác sẽ dễ hơn. Tuy nhiên, nếu chia quá chi tiết, cả AI lẫn con người đều dễ phân loại lệch nhau. Sẽ dễ vận hành hơn nếu ban đầu bắt đầu với khoảng 10 nhóm chính, rồi bổ sung nhóm khi số báo cáo rơi vào “khác” tăng lên.

Lập bảng đối chiếu giữa ngôn ngữ hiện trường và ngôn ngữ quản lý

Chỗ vướng lớn nhất trong phân loại là độ vênh giữa ngôn ngữ hiện trường và ngôn ngữ quản lý. Người lao động viết “xe nâng lùi lại, suýt đâm vào tôi”. Theo ngôn ngữ quản lý, đó là “bị va đập, vật gây tai nạn là xe nâng”. Nơi mà hiện trường gọi là “sau số 2” có thể trên bản vẽ là “lối đi phía đông khu máy dập nhà máy 1”.

Vì vậy, hãy lập bảng đối chiếu nối các cách nói thường dùng ở hiện trường với các nhóm trong hệ thống phân loại. Đó là bảng xếp cạnh nhau cách nói bằng tiếng Thái, cách nói bằng tiếng Nhật, tên gọi thông thường của khu vực và tên trên bản vẽ. Bảng đối chiếu này có thể dùng nguyên vẹn làm chỉ thị cho AI (prompt) hoặc làm ví dụ tham khảo cho phân loại. Cách kiểm tra AI tạo sinh xử lý văn bản tiếng Thái chính xác đến đâu được trình bày chi tiết trong bài đánh giá AI tạo sinh tiếng Thái.

Đáp án đúng của phân loại do cán bộ an toàn tạo ra

Để đánh giá phân loại của AI có đúng hay không, cần có “đáp án đúng”. Đáp án đúng là phân loại do cán bộ an toàn gán. Phần nghiệm thu sẽ trình bày chi tiết, nhưng cách làm là chọn vài trăm báo cáo từ dữ liệu cũ, 2 cán bộ an toàn mỗi người gán phân loại riêng, những báo cáo có kết quả lệch nhau thì thảo luận để chốt. Khi đó, hãy ghi lại cả tỷ lệ báo cáo mà 2 người gán lệch nhau. Với những nhóm mà ngay giữa con người với nhau cũng lệch, việc đòi AI trùng khớp hơn con người là vô nghĩa. Mức độ trùng khớp giữa con người với nhau là mốc tham khảo cho giới hạn trên của mức yêu cầu đối với AI.

Từ tổng hợp đến biện pháp: cách tìm điểm nóng, cùng người phụ trách, thời hạn và xác nhận hoàn thành

Xem điểm nóng theo “địa điểm × dạng tai nạn × khung giờ”

Khi các báo cáo đã phân loại tích lũy trong sổ theo dõi, việc tổng hợp trở nên khả thi. Hữu ích nhất là tổng hợp theo địa điểm. Hình trên minh họa bản đồ nhiệt (heatmap) phủ mức độ tập trung báo cáo bằng độ đậm của màu lên mặt bằng nhà máy, cho thấy những nơi báo cáo dễ tập trung, như chỗ lối đi xe nâng giao với lối đi bộ.

Khi đã tìm ra điểm nóng, hãy chồng thêm dạng tai nạn và khung giờ để xem. Cùng một giao lộ, nhưng “suýt va chạm” tập trung vào trước và sau giờ giao ca hay tập trung vào ca đêm thì biện pháp cần đưa ra sẽ khác nhau. AI phù hợp để nhanh chóng đưa ra các tổng hợp theo tổ hợp như vậy, hoặc trích xuất điểm chung từ phần mô tả tự do. Tuy nhiên, đọc ra điều gì từ kết quả tổng hợp và can thiệp vào đâu là do con người quyết định.

Nếu chỉ nhìn vào những dạng có số lượng nhiều, sẽ bỏ sót những dạng nặng. Ngay trong thống kê của Nhật Bản, dạng nhiều nhất trong số thương vong là té ngã, nhưng trong nhóm đứng đầu về tử vong lại có “bị kẹp, bị cuốn”, vốn ít hơn té ngã rất nhiều về số người thương vong. Trên màn hình tổng hợp, hãy thiết kế sao cho, tách biệt với thứ hạng số lượng, các báo cáo có mức độ nghiêm trọng dự kiến cao luôn được đưa lên trên.

Đặt “người phụ trách, thời hạn, xác nhận hoàn thành” phía sau khâu phân loại

Đây là phần dễ bị bỏ sót nhất khi phân tích cận sự cố bằng AI. Dù phân loại và tổng hợp nhanh đến đâu, nếu người phụ trách và thời hạn của biện pháp không được quyết định, và việc hoàn thành không được xác nhận, nguy hiểm vẫn còn nguyên.

Với mỗi báo cáo, hoặc mỗi điểm nóng, hãy cho sổ theo dõi có 4 mục sau.

• Người phụ trách: ai thực hiện biện pháp (có thể là vai trò thay vì tên cá nhân)
• Thời hạn: thực hiện trước khi nào
• Nội dung biện pháp: làm gì, bằng thiết bị, quy trình, biển báo hay đào tạo
• Xác nhận hiệu quả: sau biện pháp, báo cáo ở cùng địa điểm, cùng dạng đã thay đổi thế nào

Một trang giải thích về ISO 45001 cho biết, đối với điều khoản 10.2, tiêu chuẩn yêu cầu xử lý kịp thời các sự cố và sự không phù hợp, điều tra để xác định nguyên nhân, đánh giá sự cần thiết và thực hiện hành động khắc phục, xem xét hiệu lực của hành động đó và lưu hồ sơ, đồng thời yêu cầu người lao động tham gia vào quá trình này. Ngoài ra, theo cách diễn giải lại định nghĩa trên cùng trang giải thích, sự cố (incident) trong ISO 45001 bao gồm cả cận sự cố (near-miss). Theo cách nghĩ này, việc quản lý sổ theo dõi cận sự cố liền một mạch đến tận khâu thực hiện biện pháp và xác nhận hiệu quả là điều tự nhiên.

AI cũng có thể hỗ trợ trong luồng này. Ví dụ như thông báo cho người phụ trách về các biện pháp sắp đến hạn, đưa các biện pháp đã quá hạn lên đầu báo cáo tháng, hay thông báo khi có báo cáo tương tự từ cùng địa điểm sau khi đã có biện pháp.

Chỉ số cần theo dõi không phải là “số lượng”

Các chỉ số cần theo dõi sau khi đưa AI vào là như sau.

• Thời gian từ khi có báo cáo đến khi người phụ trách được giao
• Tỷ lệ hoàn thành biện pháp đúng hạn
• Tỷ lệ báo cáo ở cùng địa điểm, cùng dạng xuất hiện trở lại sau khi biện pháp đã được hoàn tất
• Tỷ lệ biện pháp đã được hoàn tất trong số các báo cáo có mức độ nghiêm trọng dự kiến cao
• Thời gian cho tới khi phản hồi đến được người báo cáo

Bản thân số lượng báo cáo không phải là chỉ số cần giảm. Nếu kênh tiếp nhận được làm đơn giản và thỏa thuận không đổ lỗi được truyền đạt, số lượng tăng lên là điều tự nhiên. Coi việc số lượng tăng là dấu hiệu cho thấy nguy hiểm đã dễ nhìn thấy hơn sẽ sát với thực tế hơn. Về bức tranh tổng thể của việc đo lường hiệu quả triển khai AI, có thể tham khảo thêm bài đo lường hiệu quả triển khai AI.

Chi phí và ROI của phân tích cận sự cố bằng AI: tính toán mô hình

Từ đây là phần tính toán cho nhà máy mô hình. Tất cả các con số dưới đây đều là giá trị tính toán và giá trị giả định (giá trị tạm đặt) do chính bài viết này đưa ra, không phải mức trung bình ngành hay số liệu khảo sát. Giá của nhà cung cấp không được sử dụng.

Tiền đề chung (nhà máy mô hình M)

Giả định một nhà máy linh kiện vốn Nhật Bản ở miền Trung Thái Lan.

Hiệu quả tiết kiệm công sức như sau.

• Thời gian giảm được: 492 − 138 = 354 giờ/năm
• Quy ra tiền: 354 × 350 = THB 123.900/năm

So sánh 3 trường hợp

Lợi ích ròng hằng năm là “hiệu quả hằng năm − chi phí hằng năm”, số năm hoàn vốn là “chi phí ban đầu ÷ lợi ích ròng hằng năm”. Đơn vị tiền tệ đều là THB.

Trường hợp A là khi chỉ tính hiệu quả tiết kiệm công sức của dịch, phân loại và báo cáo tháng. 123.900 − 240.000 = −116.100, tức mỗi năm lỗ ròng THB 116.100. Chỉ riêng tiết kiệm công sức tổng hợp thì không hoàn vốn.

Trường hợp B là khi, ngoài tiết kiệm công sức, ngăn được 1 vụ tai nạn phải nghỉ việc mỗi năm nhờ kết quả của các biện pháp đưa ra từ xu hướng mà AI tìm thấy. Hiệu quả hằng năm là 123.900 + 400.000 = 523.900, lợi ích ròng hằng năm là 523.900 − 240.000 = 283.900, hoàn vốn là 600.000 ÷ 283.900 = 2,11…, tức khoảng 2,1 năm.

Trường hợp C là khi số tai nạn phải nghỉ việc ngăn được là 1 vụ mỗi 2 năm (0,5 vụ/năm). Hiệu quả phòng ngừa tai nạn là 400.000 × 0,5 = 200.000, hiệu quả hằng năm là 123.900 + 200.000 = 323.900, lợi ích ròng hằng năm là 323.900 − 240.000 = 83.900, hoàn vốn là 600.000 ÷ 83.900 = 7,15…, tức khoảng 7,2 năm.

Trường hợp số báo cáo tăng lên

Giả sử nhờ kênh tiếp nhận được làm đơn giản, số báo cáo tăng gấp đôi lên 3.600 báo cáo/năm. Khi đó, thời gian xác nhận khi có AI là 3.600 × 3 ÷ 60 = 180 giờ, cộng thêm 48 giờ báo cáo tháng là 228 giờ/năm. Con số này thấp hơn 492 giờ hiện tại, nên dù số báo cáo tăng gấp đôi, nếu chỉ xét thời gian xác nhận báo cáo và lập báo cáo tháng, gánh nặng của cán bộ an toàn theo tính toán vẫn nhẹ hơn hiện nay.

Tuy nhiên, 228 giờ này không được cộng vào giá trị hiệu quả. Bản thân việc số báo cáo tăng là mục đích, còn hiệu quả đã được tính bằng tiết kiệm công sức và phòng ngừa tai nạn trong các trường hợp A đến C. Nếu cộng thêm vào hiệu quả cắt giảm phần thời gian giả định là xử lý thủ công như hiện nay cho số báo cáo tăng thêm (chẳng hạn 3.600 báo cáo × 10 phút), thì sẽ thành ra cắt giảm một lượng thời gian mà hiện tại thực tế không phát sinh, và hiệu quả bị tính quá cao.

Điểm cần đọc: thứ quyết định hoàn vốn là “tai nạn ngăn được”

Điều có thể rút ra từ tính toán này là thứ quyết định hoàn vốn không phải độ chính xác phân loại, cũng không phải tiết kiệm công sức tổng hợp, mà là “các biện pháp đưa ra từ xu hướng mà AI tìm thấy có thực sự ngăn được tai nạn phải nghỉ việc hay không”. Chỉ tiết kiệm công sức như trường hợp A thì không bù được chi phí hằng năm; thứ tạo ra khác biệt là hiệu quả phòng ngừa tai nạn.

Và số vụ ngăn được thì hoàn toàn khác nhau ở mỗi nhà máy. Con số 1 vụ/năm và 0,5 vụ/năm ở đây là giá trị tạm đặt để tính toán, không phải con số có căn cứ. Ngoài ra, chỉ đưa AI vào không có nghĩa là tai nạn sẽ giảm. Hiệu quả phòng ngừa tai nạn sinh ra như kết quả của việc báo cáo được gửi lên, điểm nóng được tìm ra, người phụ trách và thời hạn của biện pháp được quyết định, và biện pháp thực sự được hoàn tất. Nếu cơ chế phía sau khâu phân loại không vận hành, hiệu quả này bằng 0.

Nếu ở giai đoạn PoC (thử nghiệm khái niệm) không đo phần “cho tới khi biện pháp được hoàn tất” mà chỉ dựa vào độ chính xác phân loại để quyết định triển khai chính thức, sẽ dễ rơi vào tình trạng của trường hợp A. Về cách kết thúc PoC và tiêu chí quyết định triển khai chính thức, có thể tham khảo thêm bài tiêu chí kết thúc PoC AI.

Lưu ý để không tính trùng

• Tiết kiệm công sức là thời gian của cán bộ an toàn, phòng ngừa tai nạn là tổn thất do tai nạn. Vì là hai thứ khác nhau nên có thể cộng lại
• Phòng ngừa tai nạn chỉ được tính “trong trường hợp ngăn được nhờ kết quả của các biện pháp đưa ra từ phân tích của AI”. Phần giảm không liên quan tới việc triển khai AI thì không tính vào
• Thời gian xác nhận khi số báo cáo tăng (228 giờ) không cộng vào giá trị hiệu quả
• Phần cắt giảm công dịch đã nằm trong 10 phút xử lý mỗi báo cáo. Không cộng riêng

Khi tự tính cho công ty mình, hãy thay ít nhất 5 mục sau bằng số liệu thực tế: “số báo cáo hằng năm”, “thời gian xử lý mỗi báo cáo”, “thời gian lập báo cáo tháng”, “chi phí nhân công cán bộ an toàn”, “tổn thất mỗi vụ tai nạn phải nghỉ việc”. Số vụ tai nạn ngăn được thì không thể biết trước. Đó là con số được xác nhận dần sau khi triển khai, bằng cách đối chiếu hồ sơ biện pháp với hồ sơ tai nạn.

12 hạng mục cần ghi trong RFP cho AI phân tích cận sự cố

Khi lấy đề xuất từ nhiều nhà cung cấp, hãy ghi 12 hạng mục sau vào RFP để thống nhất tiền đề của các đề xuất.

Đặc biệt, các mục 4, 5 và 6 thường không được ghi trong hồ sơ đề xuất. Một cơ chế lặng lẽ gán một phân loại nghe có vẻ hợp lý ngay cả cho những báo cáo mà AI không chắc chắn thì nguy hiểm hơn một cơ chế thành thật trả lời “không biết”. Dù tỷ lệ trùng khớp tổng thể cao, chỉ cần bỏ sót 1 sự việc nghiêm trọng, phân tích đó không còn đáng tin cậy như một công cụ quản lý an toàn. Nếu khi dịch, “đã không làm…” bị đổi thành “đã làm…”, hay “2 mét” thành “20 mét”, thì ngay cả hướng của biện pháp cũng thay đổi.

Mục 9 đặc biệt quan trọng trong trường hợp thiết kế gửi văn bản báo cáo sang dịch vụ AI tạo sinh bên ngoài. Báo cáo đôi khi có ghi nội dung thương tích hay tên của người liên quan. Về bức tranh tổng thể của cách gửi thông tin cho AI tạo sinh và cách xử lý dữ liệu, có thể tham khảo thêm bài phòng chống rò rỉ thông tin khi dùng AI tạo sinh.

Những gì cần xác nhận trong FAT/SAT của AI phân tích cận sự cố

Tạo bộ đánh giá trước

Trước khi nghiệm thu, hãy tạo bộ đánh giá. Ví dụ, lấy 300 báo cáo từ dữ liệu cũ. Đảm bảo có lẫn tiếng Thái, tiếng Nhật, tiếng Anh, tiếng Việt, và có cả ảnh chụp báo cáo viết tay lẫn tin nhắn LINE ngắn. 2 cán bộ an toàn gán phân loại (dạng tai nạn, vật gây tai nạn, địa điểm, mức độ nghiêm trọng dự kiến) cho bộ này để làm “đáp án đúng”. Những báo cáo mà 2 người gán lệch nhau thì thảo luận để chốt, và ghi lại cả tỷ lệ lệch. Lý do là mức độ trùng khớp giữa con người với nhau là mốc tham khảo cho giới hạn trên của mức trùng khớp yêu cầu đối với AI.

Hình trên minh họa nghiệm thu: xếp cạnh nhau phân loại của con người (bên trái) và phân loại của AI (bên phải) để đối chiếu, gắn cảnh báo cho báo cáo không trùng khớp để con người xác nhận.

Trong FAT (thử nghiệm trên môi trường của nhà cung cấp), cung cấp bộ đánh giá cho nhà cung cấp và thử trên môi trường của họ. Trong SAT (thử nghiệm với dữ liệu thực và kênh tiếp nhận vận hành thực của công ty bạn), chạy cùng quy trình từ kênh tiếp nhận báo cáo thực tế. Bằng cách chạy cả hai với cùng bộ đánh giá và cùng quy trình, có thể nhìn bằng con số khoảng chênh lệch kiểu “trên môi trường nhà cung cấp thì chạy tốt, nhưng ở kênh tiếp nhận tại hiện trường thì không được”. Cách nghĩ chung về nghiệm thu các hệ thống có tích hợp AI cũng được trình bày trong bài nghiệm thu AI agent.

Các giá trị mục tiêu dưới đây là ví dụ tạm đặt. Không phải giá trị tiêu chuẩn. Tiêu chí đạt do nhà máy tự quyết định.

Các chỉ số cần xem

1. Mức độ trùng khớp theo từng hạng mục: tính tỷ lệ trùng khớp với phân loại của con người và hệ số Kappa cho từng hạng mục. Ví dụ mục tiêu là “ở các hạng mục chính, gần với mức trùng khớp giữa con người với nhau”. Không chỉ xem trung bình tổng thể, mà xem riêng các hạng mục dễ lệch như vật gây tai nạn
2. Số sự việc nghiêm trọng bị bỏ sót: đếm số sự việc nghiêm trọng mà AI bỏ sót, như bị kẹp hoặc bị cuốn, làm việc trên cao, va chạm với xe nâng. Đây là chỉ số cần ưu tiên xem hơn tỷ lệ trùng khớp tổng thể, ví dụ mục tiêu là 0 sự việc
3. Có trả lời “không biết” được không: có cơ chế để AI chuyển các báo cáo có độ tin cậy thấp cho con người hay không. Xác nhận AI không đưa ra phân loại nghe có vẻ hợp lý dù độ tin cậy thấp
4. Ý nghĩa có bị thay đổi khi dịch và tóm tắt không: xếp cạnh nguyên văn để xác nhận không có nhầm lẫn về phủ định (đã làm/đã không làm), số lượng (khoảng cách, trọng lượng, số người), địa điểm (dây chuyền nào, lối đi nào)
5. Thời gian từ báo cáo đến thông báo và giao người phụ trách: thời gian từ khi báo cáo có mức độ nghiêm trọng dự kiến cao được gửi lên cho tới khi thông báo đến người phụ trách và việc được giao
6. Xử lý tên cá nhân và thông tin thương tích: việc che có hiệu lực không, cách hiển thị có thay đổi đúng theo quyền xem không, dữ liệu có bị xóa khi hết thời hạn lưu trữ không
7. Dấu vết kiểm toán: việc ai đã sửa phân loại của AI có được lưu lại cùng phân loại trước khi sửa hay không

Sau khi vận hành, mỗi tháng 1 lần con người gán lại để kiểm tra

Đạt nghiệm thu không có nghĩa là đã xong. Cách viết báo cáo thay đổi theo mùa và theo sự thay đổi nhân sự, và bản thân mô hình AI tạo sinh cũng có thể được cập nhật. Sau khi vận hành, mỗi tháng 1 lần, chọn ngẫu nhiên 20 báo cáo để con người gán lại phân loại, và kiểm tra mức độ trùng khớp với AI. Nếu mức độ trùng khớp giảm, hãy xem xét lại bảng đối chiếu và các ví dụ tham khảo cho phân loại. Nếu đính kèm kết quả kiểm tra hằng tháng này vào tài liệu của hội đồng an toàn, hội đồng có thể cùng nắm được nên tin phân tích của AI đến mức nào.

Các vấn đề đặc thù của Thái Lan và ASEAN

1. Tổng hợp của AI không thay thế được báo cáo tai nạn pháp định

Điều 34 của Luật An toàn, Vệ sinh và Môi trường lao động B.E.2554 (năm 2011) của Thái Lan quy định nghĩa vụ của người sử dụng lao động khi xảy ra tai nạn nghiêm trọng tại cơ sở và các trường hợp khác. Theo bản dịch tiếng Anh không chính thức, khi người lao động tử vong, người sử dụng lao động phải thông báo ngay cho thanh tra an toàn bằng điện thoại, fax… vào thời điểm biết sự việc, và báo cáo bằng văn bản chi tiết và nguyên nhân trong vòng 7 ngày kể từ ngày tử vong. Khi xảy ra hỏa hoạn, nổ, rò rỉ hoặc tai nạn nghiêm trọng khác gây hư hại cơ sở, ngừng sản xuất hoặc thương tích, phải thông báo ngay và nộp văn bản ghi nguyên nhân và biện pháp phòng ngừa tái diễn trong vòng 7 ngày kể từ ngày xảy ra tai nạn. Đối với thương tật và bệnh tật thuộc diện bồi thường tai nạn lao động, sau khi báo cáo cho văn phòng an sinh xã hội, phải nộp bản sao cho thanh tra an toàn trong vòng 7 ngày. Vi phạm có thể bị phạt tiền không quá 50.000 baht.

Tổng hợp cận sự cố của AI không thay thế được báo cáo pháp định này. Ngoài ra, điều khoản này không quy định nghĩa vụ khai báo đối với bản thân cận sự cố. Công dụng của sổ theo dõi AI là, khi tai nạn thực sự xảy ra, nhanh chóng truy xuất các báo cáo trước đây và lịch sử biện pháp liên quan, để sớm chuẩn bị đủ tư liệu cho báo cáo pháp định. Chủ thể và thời hạn báo cáo tuân theo luật, và không thay đổi dù có đưa AI vào. Về cách vận hành mới nhất và việc áp dụng cho công ty mình, hãy xác nhận riêng với cơ quan có thẩm quyền hoặc chuyên gia.

2. Đưa tổng hợp của AI vào hội đồng an toàn và phân tích thống kê của จป. như thế nào

Quy định cấp bộ năm 2022 (B.E.2565) quy định phân loại và bố trí cán bộ an toàn (จป.). Theo Điều 25, cơ sở có từ 50 người lao động trở lên phải thành lập Hội đồng An toàn, Vệ sinh và Môi trường lao động trong vòng 30 ngày kể từ ngày đạt số người đó, và theo Điều 33, hội đồng họp ít nhất mỗi tháng 1 lần. Nhiệm vụ của จป. cấp kỹ thuật bao gồm thu thập thống kê, nộp báo cáo và kiến nghị cho người sử dụng lao động; ở cấp kỹ thuật cao và cấp chuyên nghiệp còn bao gồm phân tích dữ liệu.

Tổng hợp của AI được định vị là công cụ giúp công việc “thu thập, báo cáo và phân tích thống kê” này nhanh hơn. Ví dụ, trình bày tại cuộc họp hội đồng an toàn hằng tháng danh sách điểm nóng, tỷ lệ hoàn thành biện pháp đúng hạn, các biện pháp đã quá hạn, các báo cáo có mức độ nghiêm trọng dự kiến cao và tình trạng xử lý, cùng kết quả kiểm tra hằng tháng về mức độ trùng khớp của AI. Đọc phân tích và tổng hợp kiến nghị là việc của จป. và hội đồng. Phân loại bố trí thay đổi tùy theo ngành, nên hãy xác nhận với cơ quan có thẩm quyền hoặc chuyên gia, kể cả việc công ty mình thuộc phân loại nào.

3. PDPA: thông tin thương tích và sức khỏe là thông tin nhạy cảm

Luật Bảo vệ dữ liệu cá nhân của Thái Lan (PDPA, B.E.2562) có hiệu lực toàn diện từ ngày 1 tháng 6 năm 2022. Theo bản dịch tiếng Anh không chính thức, Điều 26, về nguyên tắc, cấm thu thập dữ liệu cá nhân nhạy cảm như dữ liệu sức khỏe khi không có sự đồng ý rõ ràng của chủ thể dữ liệu. Các ngoại lệ được nêu bao gồm: trường hợp ngăn ngừa nguy hiểm đối với tính mạng, thân thể, sức khỏe (khi chủ thể không thể đồng ý), trường hợp cần thiết cho yêu cầu pháp lý, trường hợp cần thiết để tuân thủ pháp luật (y học dự phòng, y học nghề nghiệp, đánh giá khả năng lao động của người lao động, bảo vệ việc làm, an sinh xã hội…; tất cả đều với điều kiện có biện pháp bảo vệ phù hợp). Theo một bài viết giải thích, tùy loại vi phạm, có thể bị phạt hành chính tối đa 5 triệu baht hoặc chịu hình phạt hình sự đến 1 năm tù.

Báo cáo cận sự cố đôi khi có ghi nội dung thương tích như “bị đứt tay nhẹ”, “bị đau lưng”, hoặc bệnh mãn tính. Đây là thông tin có thể được coi là dữ liệu sức khỏe. Những điều cần quyết định trong thiết kế như sau.

• Cách xử lý tên người báo cáo và tên người liên quan (không bắt buộc, giữ lựa chọn báo cáo ẩn danh)
• Che thông tin trước khi gửi cho AI tạo sinh (họ tên, mã nhân viên, chi tiết thương tích)
• Quyền xem (tách người được xem toàn văn và người chỉ được xem số liệu tổng hợp)
• Thời hạn lưu trữ và quy trình xóa

Việc đánh giá có thể xử lý theo quy định ngoại lệ nào hãy giao cho luật sư. Mối quan hệ giữa dữ liệu nhà máy và PDPA cũng được trình bày trong bài IoT nhà máy và PDPA.

4. Đa ngôn ngữ: chuyển đến cấp quản lý người Nhật mà không làm thay đổi ý nghĩa

Khi chuyển báo cáo tiếng Thái đến cấp quản lý người Nhật, điều đáng sợ nhất là ý nghĩa bị thay đổi khi dịch. Phủ định bị mất, chữ số của số lượng thay đổi, “phải” và “trái” bị đảo, số dây chuyền bị lệch. Những nhầm lẫn như vậy, người chỉ đọc bản dịch không thể nhận ra.

Có hai biện pháp. Một là cụ thể hóa việc thử các nhầm lẫn khi dịch trong nghiệm thu. Hai là trên màn hình sổ theo dõi, luôn hiển thị nguyên văn cạnh bản dịch, để người phụ trách đọc được tiếng Thái có thể quay về nguyên văn bất cứ lúc nào. Ở những nhà máy có lẫn báo cáo viết bằng các ngôn ngữ khác, hãy đưa cả báo cáo bằng ngôn ngữ đó vào bộ đánh giá.

5. Thỏa thuận không đổ lỗi chỉ được truyền đạt khi viết bằng ngôn ngữ địa phương

Quy tắc vận hành không đổ lỗi cho người báo cáo, nếu chỉ được ghi trong quy chế bằng tiếng Nhật, sẽ không đến được hiện trường. Cần văn bản hóa bằng ngôn ngữ địa phương như tiếng Thái, và chuẩn bị để tổ trưởng, trưởng nhóm có thể giải thích bằng lời của chính mình. Phản hồi cho báo cáo cũng trả lời bằng ngôn ngữ của người báo cáo. Bản dịch của AI cũng có thể dùng để giảm nhẹ công việc “phản hồi bằng ngôn ngữ địa phương” này.

6. Cơ sở tại Việt Nam: Luật Bảo vệ dữ liệu cá nhân, Luật số 91/2025/QH15

Nếu có cơ sở tại Việt Nam, hãy xác nhận Luật Bảo vệ dữ liệu cá nhân (Luật số 91/2025/QH15). Luật được thông qua ngày 26 tháng 6 năm 2025 và có hiệu lực từ ngày 1 tháng 1 năm 2026. Theo bản dịch tiếng Anh trên cơ sở dữ liệu pháp luật, mức phạt tối đa là 5% doanh thu năm trước đối với vi phạm về chuyển dữ liệu xuyên biên giới, 10 lần khoản thu từ vi phạm đối với hành vi mua bán dữ liệu, và 3 tỷ đồng đối với các vi phạm khác. Nếu thiết kế xử lý báo cáo cận sự cố của nhà máy tại Việt Nam ở Thái Lan, Nhật Bản hoặc trên cloud ở nước ngoài, hãy xác nhận thủ tục chuyển dữ liệu xuyên biên giới. Phạm vi dữ liệu nhạy cảm tuân theo danh mục do Chính phủ quy định, nên an toàn nhất là xác nhận với chuyên gia, kể cả cách xử lý thông tin liên quan đến sức khỏe.

Kế hoạch 90 ngày triển khai AI phân tích báo cáo cận sự cố

Việc triển khai được tiến hành theo 3 giai đoạn, với mốc tham khảo là 90 ngày.

Ngày 0-30: kiểm kê và tạo đáp án đúng

• Thu thập báo cáo cận sự cố của 1 năm trước, đếm số lượng theo từng định dạng như giấy, LINE, Excel
• Quyết định hệ thống phân loại gồm dạng tai nạn, vật gây tai nạn, địa điểm, mức độ nghiêm trọng, và lập bảng đối chiếu với ngôn ngữ hiện trường
• Chọn 300 báo cáo từ dữ liệu cũ, 2 cán bộ an toàn gán phân loại để tạo đáp án đúng. Ghi lại cả tỷ lệ lệch
• Văn bản hóa thỏa thuận không đổ lỗi cho người báo cáo bằng ngôn ngữ địa phương

Ngày 31-60: thử nghiệm ở 1 dây chuyền và đối chiếu

• Thử kênh tiếp nhận báo cáo (báo cáo từ điện thoại thông minh) ở 1 dây chuyền hoặc 1 khu vực
• Đối chiếu phân loại của AI với phân loại của con người, đếm mức độ trùng khớp theo từng hạng mục và số sự việc nghiêm trọng bị bỏ sót
• Xác nhận không có nhầm lẫn khi dịch (phủ định, số lượng, địa điểm)
• Đo số báo cáo và thời gian người báo cáo mất để nhập

Ngày 61-90: đo xem biện pháp có được hoàn tất không, và quyết định triển khai chính thức

• Với các điểm nóng ở khu vực thử nghiệm, giao người phụ trách và thời hạn, đo tỷ lệ hoàn thành biện pháp đúng hạn
• Đo thời gian từ báo cáo đến khi giao người phụ trách
• Quyết định phạm vi triển khai chính thức, RFP (12 hạng mục nêu trên), tiêu chí đạt FAT/SAT, và phán định có đặt hàng hay không

Dù ở thời điểm ngày 60 mức độ trùng khớp của phân loại đã đủ, nếu ở thời điểm ngày 90 chưa có biện pháp nào được hoàn tất, thì việc cần làm trước là xem xét lại cơ chế phía sau khâu phân loại trước khi triển khai chính thức. Ngược lại, dù mức độ trùng khớp chỉ ở mức tạm được, nếu số báo cáo tăng lên và các biện pháp bắt đầu vận hành, thì phân loại của AI vẫn đáng để tiếp tục sử dụng với tiền đề có con người xác nhận.

Câu hỏi thường gặp (FAQ)

AI có thể phân loại tự động báo cáo cận sự cố chính xác đến mức nào?

Trong nghiên cứu, khi dùng LLM phân loại báo cáo tai nạn lao động của Nhật Bản (2.619 vụ tai nạn té ngã thuộc 2 ngành), các mô hình thế hệ mới có hệ số Kappa nhìn chung vượt 0,7 ở nhiều hạng mục ngoại trừ vật gây tai nạn, và tỷ lệ đúng của phân loại trong nhà hay ngoài trời vượt 91%. Ở hạng mục khó nhất là vật gây tai nạn, hệ số Kappa là 0,662. Tuy nhiên, đối tượng là báo cáo về các vụ tai nạn lao động đã thực sự xảy ra, không phải cận sự cố. Nếu ngành, dạng tai nạn và hệ thống phân loại khác đi thì kết quả cũng thay đổi. Hãy đo mức độ trùng khớp khi nghiệm thu, với báo cáo của công ty bạn và theo hệ thống phân loại của công ty bạn.

Khi dùng AI để tổng hợp và phân tích dữ liệu cận sự cố, số lượng báo cáo có phải là chỉ số cần giảm không?

Không phải là chỉ số cần giảm. Nếu kênh tiếp nhận được làm đơn giản và thỏa thuận không đổ lỗi cho người báo cáo được truyền đạt, số lượng tăng lên là điều tự nhiên, và việc tăng có thể là dấu hiệu cho thấy nguy hiểm đã dễ nhìn thấy hơn. Thứ cần theo dõi là thời gian từ báo cáo đến khi giao người phụ trách, tỷ lệ hoàn thành biện pháp đúng hạn, và tỷ lệ báo cáo ở cùng địa điểm, cùng dạng xuất hiện trở lại sau biện pháp.

AI có thể phân tích báo cáo cận sự cố bằng tiếng Thái hoặc báo cáo đa ngôn ngữ không?

Nếu dùng chức năng dịch và tóm tắt của AI tạo sinh, có thể đưa các báo cáo bằng tiếng Thái, tiếng Việt, tiếng Anh… về dạng mà cấp quản lý người Nhật đọc được. Tuy nhiên, nếu phủ định, số lượng, địa điểm bị nhầm khi dịch, ngay cả hướng của biện pháp cũng thay đổi. Hãy cụ thể hóa việc thử các nhầm lẫn trong nghiệm thu, và thiết kế sổ theo dõi hiển thị nguyên văn cạnh bản dịch.

Chi phí triển khai và thời gian hoàn vốn tham khảo của AI phân tích cận sự cố là bao nhiêu?

Trong tính toán mô hình của bài viết này (tất cả là giá trị tạm đặt), với chi phí ban đầu THB 600.000 và chi phí hằng năm THB 240.000, chỉ riêng tiết kiệm công sức tổng hợp chỉ mang lại hiệu quả THB 123.900 mỗi năm và không hoàn vốn. Theo tính toán, nếu các biện pháp đưa ra từ phân tích của AI ngăn được 1 vụ tai nạn phải nghỉ việc mỗi năm thì hoàn vốn trong khoảng 2,1 năm, còn nếu 1 vụ mỗi 2 năm thì khoảng 7,2 năm. Số vụ ngăn được hoàn toàn khác nhau ở mỗi nhà máy, và chỉ đưa AI vào không có nghĩa là tai nạn sẽ giảm. Hãy tính lại bằng số liệu thực tế và báo giá của công ty bạn.

Có thể dùng tổng hợp của AI để thay thế báo cáo tai nạn pháp định của Thái Lan không?

Không thể. Điều 34 của Luật An toàn, Vệ sinh và Môi trường lao động B.E.2554 của Thái Lan yêu cầu người sử dụng lao động, đối với tai nạn chết người và tai nạn nghiêm trọng, phải thông báo ngay và báo cáo bằng văn bản trong vòng 7 ngày, cùng các nghĩa vụ khác. Sổ theo dõi AI có thể dùng để sớm chuẩn bị đủ tư liệu cho báo cáo pháp định, nhưng không thay thế được bản thân báo cáo. Việc tổ chức họp hội đồng an toàn và nhiệm vụ của จป. cũng vậy. Về cách vận hành mới nhất và việc áp dụng cho công ty mình, hãy xác nhận riêng với cơ quan có thẩm quyền hoặc chuyên gia.

Cần xác nhận những gì trong RFP và nghiệm thu (FAT/SAT) của AI phân tích cận sự cố?

Trong RFP, ghi 12 hạng mục như kênh tiếp nhận báo cáo và ngôn ngữ, hệ thống phân loại và vai trò của AI, xử lý báo cáo có độ tin cậy thấp, tiêu chí bỏ sót sự việc nghiêm trọng, tiêu chí chất lượng dịch và tóm tắt, quản lý tiến độ biện pháp, PDPA, dấu vết kiểm toán. Trong nghiệm thu, lấy phân loại do 2 cán bộ an toàn gán cho 300 báo cáo cũ làm đáp án đúng, rồi xác nhận mức độ trùng khớp theo từng hạng mục, số sự việc nghiêm trọng bị bỏ sót, AI có trả lời “không biết” được không, nhầm lẫn ý nghĩa khi dịch, thời gian đến khi thông báo và giao người phụ trách, cách xử lý thông tin cá nhân, và dấu vết kiểm toán.

Tóm tắt

• Việc phân tích cận sự cố bằng AI có mang lại kết quả hay không, điều đó không được quyết định bởi độ chính xác phân loại, mà bởi việc báo cáo có dễ gửi hơn để số lượng tăng lên, và thời gian cho tới khi biện pháp được giao và được hoàn tất có ngắn lại hay không
• Giao cho AI đến mức dịch, tóm tắt, đề xuất phân loại, gộp báo cáo trùng, ước đoán địa điểm. Phán định cuối cùng về mức độ nghiêm trọng, biện pháp, người phụ trách và thời hạn, xác nhận hoàn thành do con người quyết định
• Kênh tiếp nhận là “30 giây từ điện thoại, bằng ngôn ngữ của mình, không bị đổ lỗi”. Thỏa thuận không đổ lỗi được văn bản hóa bằng ngôn ngữ địa phương
• Đáp án đúng của phân loại do cán bộ an toàn tạo ra, và mức độ trùng khớp giữa con người với nhau là mốc tham khảo cho mức yêu cầu đối với AI
• Trong tính toán mô hình (giá trị tạm đặt), chỉ riêng tiết kiệm công sức tổng hợp thì không hoàn vốn. Thứ quyết định hoàn vốn là các biện pháp đưa ra từ phân tích của AI có thực sự ngăn được tai nạn hay không
• Trong nghiệm thu, ưu tiên xem việc bỏ sót sự việc nghiêm trọng và nhầm lẫn khi dịch hơn là tỷ lệ trùng khớp tổng thể
• Nghĩa vụ về báo cáo tai nạn pháp định, hội đồng an toàn và PDPA của Thái Lan không thay đổi dù có đưa AI vào. Việc áp dụng pháp luật hãy xác nhận với cơ quan có thẩm quyền hoặc chuyên gia

Chúng tôi có thể đồng hành ngay từ giai đoạn kiểm kê các báo cáo trước đây, xây dựng hệ thống phân loại, hay cùng cán bộ an toàn tạo dữ liệu đáp án đúng. Nếu bạn đang cân nhắc triển khai AI phân tích báo cáo cận sự cố tại nhà máy ở Thái Lan, chúng tôi có thể cùng bạn sắp xếp vấn đề ngay từ điểm khởi đầu; hãy thoải mái trao đổi với chúng tôi qua trang liên hệ.

Thông tin tham khảo

• Quy luật Heinrich (Bộ Y tế, Lao động và Phúc lợi Nhật Bản, Shokuba no Anzen Site): https://anzeninfo.mhlw.go.jp/yougo/yougo24_1.html
• Cận sự cố (Bộ Y tế, Lao động và Phúc lợi Nhật Bản, Shokuba no Anzen Site): https://anzeninfo.mhlw.go.jp/yougo/yougo26_1.html
• Examining the foundation (Safety+Health magazine, ngày 1 tháng 10 năm 2011): https://www.safetyandhealthmagazine.com/articles/6368-examining-the-foundation
• NEC và Sumitomo Heavy Industries hợp tác phát triển hệ thống tự động trích xuất cận sự cố và tạo báo cáo (NEC, ngày 25 tháng 3 năm 2026): https://jpn.nec.com/press/202603/20260325_02.html
• Giới thiệu chức năng tự động phát hiện cận sự cố và tạo báo cáo HAW (tên tạm thời) (Norimono News, ngày 25 tháng 6 năm 2026): https://trafficnews.jp/post/681242/2
• Nhóm Ando: tự động phân loại báo cáo tai nạn lao động bằng LLM (tóm tắt trên medRxiv, tháng 10 năm 2025): https://api.biorxiv.org/details/medrxiv/10.1101/2025.10.02.25337141
• Uncovering patterns in ferry near-misses (Ocean Engineering, University of Strathclyde): https://strathprints.strath.ac.uk/96699/1/Black-etal-OE-2026-Uncovering-patterns-in-ferry-near-misses-a-topic.pdf
• ABEX-RAT (arXiv, tháng 9 năm 2025): https://arxiv.org/abs/2509.02072
• Phân tích cận sự cố (Nomura Research Institute): https://www.nri.com/jp/service/solution/incident_analysis_ai.html
• Concern Reporting Software (Benchmark Gensuite): https://benchmarkgensuite.com/app/concern-reporting-software
• Tình hình tai nạn lao động năm 2025 (Reiwa 7) (Bộ Y tế, Lao động và Phúc lợi Nhật Bản, công bố ngày 27 tháng 5 năm 2026): https://www.mhlw.go.jp/stf/newpage_73382.html
• Tình hình tai nạn lao động năm 2024 (Reiwa 6) (Bộ Y tế, Lao động và Phúc lợi Nhật Bản, công bố ngày 30 tháng 5 năm 2025): https://www.mhlw.go.jp/stf/newpage_58198.html
• Bản dịch tiếng Anh không chính thức Luật An toàn, Vệ sinh và Môi trường lao động B.E.2554 của Thái Lan (Open Development Mekong): https://data.opendevelopmentmekong.net/dataset/a3d165ff-700e-4c32-a4eb-dd6b393e866b/resource/b171c6cf-58a1-46d7-a30e-fb4734dd2d24/download/occupational-safety-health-and-environment-act-b.e.-2554-a.d.-2011.pdf
• Occupational health and safety regulations in Thailand (Gratanet, ngày 14 tháng 11 năm 2025): https://gratanet.com/publications/occupational-health-and-safety-regulations-in-thailand
• Quy định cấp bộ B.E.2565 về bố trí cán bộ an toàn và thành lập hội đồng (bản PDF Công báo, đăng lại trên SHECU, Đại học Chulalongkorn): https://www.shecu.chula.ac.th/data/boards/748/กฎกระทรวง%20การจัดให้มีเจ้าหน้าที่ความปลอดภัยในการทำงาน%202565.PDF
• Bản dịch tiếng Anh không chính thức Luật Bảo vệ dữ liệu cá nhân B.E.2562 của Thái Lan (Đại học Mahasarakham): https://pdpa.msu.ac.th/wp-content/uploads/2022/05/EN-PDPA-2019.pdf
• Thailand Personal Data Protection Act (Securiti): https://securiti.ai/thailand-personal-data-protection-act-pdpa
• Luật Bảo vệ dữ liệu cá nhân Việt Nam, Luật số 91/2025/QH15 (LuatVietnam): https://english.luatvietnam.vn/dan-su/law-on-personal-data-protection-law-no-91-2025-qh15-405135-d1.html
• Giải thích điều khoản 10.2 ISO 45001 (Presencis): https://cdn.presencis.com/regulations/iso-45001/article-10.2/
• Giải thích định nghĩa sự cố trong ISO 45001 (Presencis): https://cdn.presencis.com/regulations/iso-45001/definitions/incident/
• Giải thích điều khoản 5.4 ISO 45001 (ISO 9001 Checklist): https://www.iso-9001-checklist.co.uk/iso-45001/5.4-consultation-and-participation-of-workers.htm