Une étude publiée en 2026 dans le Journal of Safety Research, basée sur des données industrielles réelles, montre qu’il est possible de repérer les périodes à risque en exploitant différemment les données terrain.
Ces travaux ont été menés par Cikaba en collaboration avec le Laboratoire de Mathématiques Blaise Pascal (Université Clermont Auvergne – CNRS, Centre National de la Recherche Scientifique).
Pourquoi la prévention reste encore trop réactive ?
Malgré les dispositifs en place, les accidents du travail restent à un niveau élevé dans de nombreux secteurs. Cela ne tient pas uniquement à un manque d’engagement ou de moyens, mais aussi à la manière dont la prévention est pilotée au quotidien.
Des indicateurs centrés sur le passé
Les entreprises s’appuient principalement sur :
- le nombre d’accidents
- les taux de fréquence
- les taux de gravité
Ces indicateurs sont indispensables pour suivre la performance et répondre aux exigences réglementaires. Mais ils présentent une limite importante : ils décrivent uniquement ce qui s’est déjà produit.
Lorsqu’un indicateur évolue, l’événement a déjà eu lieu.
Ils ne permettent donc pas d’anticiper les périodes où le risque augmente, ni d’orienter les actions de prévention en amont.
Une difficulté à agir au bon moment
Dans la pratique, cela se traduit par une difficulté à prioriser les actions.
Les équipes doivent souvent :
- répartir leurs inspections de manière uniforme
- planifier leurs actions sans visibilité précise
- réagir en fonction des événements récents
Le risque est alors de mobiliser du temps et des ressources sans cibler les moments les plus critiques.
Les inspections terrain : une donnée disponible mais peu exploitée
Les entreprises disposent pourtant d’un volume important d’informations issues du terrain. Ces données constituent une base précieuse pour comprendre l’évolution des risques.
Une réalité quotidienne des équipes
Chaque jour, les équipes QHSE collectent :
- des inspections sécurité
- des remontées de situations dangereuses
- des écarts
- des actions correctives
Ces données reflètent directement la réalité du terrain et les conditions dans lesquelles les opérations sont réalisées.
L’étude s’appuie sur 2 108 inspections et 479 accidents analysés sur trois années, ce qui permet d’observer les liens entre les remontées terrain et la survenue d’accidents.
Des signaux faibles difficiles à interpréter
Pris isolément, certains éléments peuvent sembler sans gravité :
- un écart mineur
- une situation signalée
- un comportement répété
Pris séparément, ils ne déclenchent pas forcément d’alerte.
Mais lorsqu’ils se répètent ou s’accumulent dans le temps, ils traduisent une dégradation progressive du niveau de risque.
Ce sont souvent ces évolutions qui précèdent un accident.
Dans beaucoup d’organisations, ces informations sont bien collectées. En revanche, elles sont rarement analysées dans leur ensemble, et encore moins suivies dans le temps pour en tirer des tendances.
Comment l’IA permet d’anticiper les accidents ?
L’étude propose une approche concrète : utiliser les données terrain pour estimer le niveau de risque à venir, plutôt que de se limiter à analyser le passé.
Cette approche est aujourd’hui intégrée dans dIAgnostic, l’outil développé par Cikaba pour exploiter les données QHSE dans une logique d’anticipation.
Passer d’un constat à une estimation du risque
L’objectif est de répondre à une question simple : le risque est-il en train d’augmenter ?
Pour cela, le modèle :
- analyse les données issues des inspections
- observe leur évolution dans le temps
- identifie des variations significatives
- estime une probabilité d’accident à court terme
Chaque jour est associé à un niveau de risque, basé sur les données du site.
Ces résultats sont ensuite regroupés à l’échelle de la semaine pour être directement exploitables.
Une semaine est considérée à risque dès qu’un ou plusieurs jours présentent un niveau élevé.
Une approche validée dans un cadre scientifique
Cette approche a été développée à partir de données industrielles réelles, issues d’une entreprise de traitement de déchets industriels, et testée en respectant leur chronologie, comme dans une situation d’exploitation.
Elle s’inscrit dans des travaux menés avec le Laboratoire de Mathématiques Blaise Pascal (Université Clermont Auvergne – CNRS, Centre National de la Recherche Scientifique).
L’étude publiée dans le Journal of Safety Research montre qu’il est possible d’identifier de manière fiable les périodes où les accidents sont les plus probables.
Plusieurs types de modèles ont été comparés (modèles statistiques, arbres de décision, réseaux de neurones) afin de garantir la robustesse des résultats.
Un point important ressort : l’analyse à l’échelle hebdomadaire est la plus pertinente pour piloter la prévention.
Elle permet :
- de lisser les variations quotidiennes
- de s’aligner avec les cycles de travail
- de faciliter la prise de décision
Quels impacts concrets pour les équipes QHSE ?
Cette approche ne change pas uniquement les indicateurs. Elle modifie concrètement la manière dont les équipes organisent leurs actions.
Mieux concentrer les efforts
Les équipes peuvent :
- identifier les périodes où le risque augmente
- concentrer leurs inspections sur ces moments
- cibler les zones ou activités les plus exposées
Le temps est utilisé là où il a le plus d’impact, ce qui améliore l’efficacité globale des actions de prévention.
Intervenir avant que la situation ne se dégrade
Lorsqu’une période est identifiée comme à risque, les actions peuvent être anticipées.
Par exemple :
- planifier des inspections supplémentaires
- organiser une causerie sécurité ciblée
- renforcer la vigilance sur une activité spécifique
L’objectif est d’intervenir avant l’accident, et non après, en agissant sur les causes dès leur apparition.
Apporter un appui à la décision
L’intelligence artificielle ne remplace pas les équipes QHSE.
Elle apporte :
- une estimation du niveau de risque
- une visibilité sur les périodes à surveiller
- un cadre pour structurer les priorités
Les équipes restent responsables des décisions et des actions à mettre en place.
Conclusion
Aujourd’hui, la prévention repose encore largement sur une logique réactive.
L’étude publiée dans le Journal of Safety Research montre qu’il est possible d’aller plus loin en exploitant différemment les données déjà disponibles.
Identifier les périodes à risque, adapter les actions et intervenir en amont devient possible avec une meilleure exploitation des données terrain.
Ce changement ne repose pas sur de nouveaux processus, mais sur une approche plus structurée, rendue possible par dIAgnostic.
Pour aller plus loin
Un guide présente en détail les résultats de l’étude, les méthodes utilisées ainsi que les enseignements opérationnels pour les équipes QHSE. Il inclut également l’étude complète publiée dans le Journal of Safety Research.
Pour télécharger le guide : https://explore.cikaba.com/guide-anticiper-accidents-travail.
Auteur : Louise DIOT, Cikaba.
Continuer avec Linkedin