Lo que la IA sí puede hacer por la seguridad laboral (y lo que no)
La IA esta evolucionando muchos aspectos de la gestión de SST, este artículo presenta tres frentes donde la IA se está aplicando hoy a la seguridad y salud en el trabajo, con el objetivo de dar una idea del abanico de opciones que la IA trae a SST, pero, tambien de mostrar cúales son algunas de las precauciones que se debe tener al embracarse en estos proyectos, veremos: las cámaras inteligentes que observan la operación en campo, los agentes de IA que revisan la documentación del SG-SST, y sistemas que analizan el riesgo psicosocial. Los tres son territorios distintos, con potencial distinto y con criterios de implementación completamente diferentes.
Capítulo 1 — Las cámaras inteligentes
Lo que las cámaras inteligentes ya pueden ver
Los modelos de visión por computadora (los mismos que usa tu teléfono para reconocer caras o un auto autónomo para identificar peatones) se están aplicando cada vez más a la detección de elementos de protección personal (EPP) y comportamientos inseguros en obras, plantas y patios industriales.
La idea es conceptualmente simple: una cámara fija o móvil alimenta un modelo de detección de objetos que identifica, en tiempo real, si un trabajador lleva casco, chaleco, gafas, guantes o arnés; si está en una zona donde no debería estar; si hay proximidad peligrosa entre una persona y un vehículo en movimiento; o si una condición básica de seguridad (señalización, demarcación, barreras) no está presente.
¿Qué tan bien funcionan? Razonablemente bien, y mejoran con cada iteración.
Estudios técnicos con modelos del tipo YOLO (una de las arquitecturas más usadas) reportan precisiones cercanas al 86% para detectar EPP en construcción, procesando hasta 52 imágenes por segundo. Para detección específica de chaleco reflectivo, los números rondan el 85%; para casco, alrededor del 80%. Estos datos provienen de investigaciones publicadas en revistas técnicas como Automation in Construction y Sensors, no de folletos comerciales.
Son cifras prometedoras, pero un 80% de precisión también significa que hay margen de mejora. El desempeño puede variar cuando las condiciones se alejan de las imágenes "limpias" con las que fue entrenado el modelo.
¿Dónde están los retos? Principalmente en condiciones ambientales exigentes: baja iluminación al amanecer o atardecer, polvo en suspensión en obra civil, lluvia, contraluz, reflejos sobre cascos metálicos, andamios que generan oclusiones parciales, EPP de colores poco representados en los datos de entrenamiento, cámaras mal ubicadas o con ángulo inadecuado, y trabajadores parcialmente ocultos detrás de maquinaria.
Esto tiene una implicación práctica importante: la precisión del laboratorio no siempre refleja la precisión en tu operación. La mejor forma de saber qué tan bien funciona un sistema en tu planta, tu obra o tu patio es calibrarlo con tus propias condiciones, medir falsos positivos (alertas innecesarias que desgastan al operador) y falsos negativos (peligros reales que el sistema no detectó), y revisar el desempeño periódicamente.
Un piloto bien diseñado no se evalúa por la métrica del folleto. Se evalúa por lo que detectó y lo que dejó pasar en tu operación real, con tus condiciones específicas.
EPP y jerarquía de controles: el lugar correcto de la detección
Hay una tendencia recurrente en cómo se presenta la IA aplicada a seguridad: la detección de EPP aparece como el caso de uso central. Es la demostración más visual, la más fácil de entender en un video de un minuto. Y tiene valor real, siempre que se entienda dónde encaja.
La jerarquía de controles del NIOSH (National Institute for Occupational Safety and Health) —la referencia internacional en gestión de riesgos ocupacionales— ubica al EPP en el último lugar de efectividad, no en el primero. Eso no lo hace irrelevante; lo pone en perspectiva.
En orden descendente de efectividad, los niveles de control son:
- Eliminación: quitar el peligro de raíz. Si el trabajo en altura se puede hacer desde el suelo con un equipo diferente, se elimina la exposición.
- Sustitución: reemplazar el peligro por algo menos peligroso. Si un solvente tóxico se puede sustituir por uno de base acuosa, se reduce la severidad.
- Controles de ingeniería: poner barreras físicas entre el trabajador y el peligro. Guardas en máquinas, ventilación localizada, sistemas de bloqueo y etiquetado, automatización de tareas peligrosas.
- Controles administrativos: procedimientos, permisos de trabajo, señalización, rotación de personal, capacitación, restricciones de acceso.
- EPP: la última línea de defensa. Lo que protege al trabajador cuando todos los controles anteriores fallaron o no fueron suficientes.
Detectar que alguien no lleva casco es útil. Pero la pregunta más valiosa no es quién está sin casco, sino por qué el control falló: ¿falta de entrega? ¿supervisión insuficiente? ¿una tarea que no estaba bien planeada? La IA, bien implementada, ayuda a responder esas preguntas.
Y aquí hay un punto importante: la videoanalítica no se limita al EPP. De hecho, sus casos de uso más potentes operan en niveles más altos de la jerarquía de controles. Por ejemplo:
- Vigilancia de zonas de riesgo: detectar intrusiones a áreas restringidas (radio de izaje, zonas de exclusión alrededor de maquinaria en movimiento, perímetros de espacios confinados, áreas energizadas) y generar alertas antes de que ocurra el contacto con el peligro. Esto opera al nivel de controles de ingeniería y administrativos.
- Proximidad peatón-vehículo: monitorear distancias seguras en patios, bodegas y obras donde conviven personal de pie con montacargas, volquetas, grúas o equipos pesados. Es uno de los riesgos con mayor severidad histórica en logística y construcción.
- Comportamientos inseguros observables: trabajo en altura sin amarre visible al punto de anclaje, manipulación manual de cargas en posturas de riesgo, uso de teléfono en zonas operacionales críticas, tránsito por rutas no autorizadas.
- Condiciones de seguridad del entorno: demarcación borrada, señalización ausente o caída, barreras retiradas, extintores bloqueados, salidas de emergencia obstruidas, derrames en piso.
- Cumplimiento de procedimientos críticos: verificar que en una tarea de izaje hay señalero presente, que se aplicó el bloqueo y etiquetado antes de intervenir un equipo, o que el número de personas en una zona no excede el permitido por el permiso de trabajo.
Vista así, la IA no es solo un detector de cascos. Es un sistema que puede vigilar la integridad de los controles que están aguas arriba del EPP, que es justo donde la jerarquía dice que se gana o se pierde la seguridad de verdad.
De la alerta a la inteligencia operacional
Una cámara que genera una alerta puntual es un buen punto de partida, pero no es un sistema de gestión completo. El salto de valor ocurre cuando los datos se cruzan y empiezan a revelar patrones. Las preguntas que realmente mueven la aguja son:
- ¿En qué proyecto está pasando más?
- ¿A qué hora del día?
- ¿Con qué contratista o cuadrilla?
- ¿En qué tipo de tarea (izaje, soldadura, trabajo en caliente, excavación, manejo manual de cargas)?
- ¿Es un problema de entrega de EPP? ¿De supervisión? ¿De señalización? ¿De inducción deficiente? ¿O de cómo está planeada la actividad?
Cuando empiezas a cruzar esas variables, los datos cuentan una historia diferente. Ya no es "Juan no tenía casco". Es "el frente norte tiene tres veces más desviaciones que el frente sur, concentradas entre las 2 y las 4 de la tarde, con un contratista específico, en actividades de izaje menor". Eso ya no es una alerta. Es inteligencia operacional. Y con eso sí se toman decisiones: intervención focalizada, reunión con el contratista, revisión del permiso de trabajo, refuerzo de supervisión en ese horario, o rediseño del control de ingeniería que claramente necesita ajuste.
La IA empieza a generar su mayor valor cuando deja de ser una alarma aislada y se convierte en evidencia agregada para fortalecer los controles aguas arriba. No se trata de señalar a nadie. Se trata de entender dónde el sistema de gestión necesita refuerzo.
Capítulo 2 — Los agentes de IA para revisión documental
Hay una dimensión del SG-SST que consume una cantidad desproporcionada de tiempo profesional y que rara vez aparece en las demos comerciales de IA: la gestión documental. Matrices de riesgo, procedimientos de trabajo seguro, permisos de trabajo, investigaciones de incidentes, planes de acción, auditorías internas, informes de seguimiento. Un sistema maduro genera cientos —a veces miles— de documentos al año. Revisarlos con criterio, cruzarlos entre sí e identificar brechas exige horas que los equipos HSE raramente tienen disponibles.
Los agentes de IA —sistemas capaces de razonar sobre documentos, extraer información estructurada y ejecutar tareas de revisión en secuencia— están empezando a cambiar esa ecuación.
¿Qué puede hacer un agente de IA con la documentación del SG-SST?
- Revisar si una investigación de incidente contiene los elementos requeridos por la norma: descripción del evento, identificación de causas raíz, plan de acción con responsable y fecha, evidencia de cierre.
- Cruzar los hallazgos de inspecciones con los planes de acción abiertos y alertar cuando hay ítems sin cerrar fuera del plazo comprometido.
- Analizar un conjunto de procedimientos de trabajo seguro e identificar inconsistencias internas: pasos que se contradicen, peligros identificados en la matriz de riesgos que no tienen control documentado en el procedimiento correspondiente.
- Leer un permiso de trabajo diligenciado y verificar que los controles declarados son coherentes con la tarea, el área y los peligros asociados, antes de que alguien lo firme.
- Generar resúmenes ejecutivos de auditorías internas, extrayendo automáticamente los hallazgos críticos, las no conformidades reiterativas y las tendencias entre períodos.
- Apoyar la preparación para auditorías externas, identificando qué documentos están desactualizados, cuáles tienen brechas frente a los requisitos legales y cuáles requieren revisión prioritaria.
Lo que estas tareas tienen en común es que son intensivas en lectura, requieren criterio estructurado y producen valor solo si se hacen sistemáticamente (no cuando hay tiempo). Un agente de IA no se cansa, no olvida los criterios de revisión y puede procesar en minutos lo que a un profesional le tomaría días.
Los límites de los agentes
El agente trabaja sobre lo que está escrito. No puede evaluar si un procedimiento refleja la realidad de campo, si el control declarado realmente se ejecuta, o si la investigación de incidente captura lo que verdaderamente pasó. Eso sigue requiriendo juicio humano y presencia en terreno. El agente es un revisor riguroso de la documentación; no es un auditor de la operación.
También importa la calidad del corpus. Si los documentos están en formatos inconsistentes, con información incompleta o en archivos escaneados de baja calidad, el agente tendrá menos con que trabajar. La madurez documental del sistema es el piso desde el cual opera la IA, no algo que la IA reemplaza.
Dicho eso, para organizaciones con un volumen significativo de documentación, la ganancia es concreta: menos tiempo en revisión rutinaria, más tiempo en las acciones que realmente requieren presencia y criterio humano. Y un registro sistemático de qué fue revisado, cuándo, con qué criterio y qué se encontró (que es exactamente lo que una auditoría externa valora).
Capítulo 3 — El riesgo psicosocial: una frontera que requiere responsabilidad
La IA puede reconocer patrones analizando texto, videos e imágenes, que permitan identificar patrones de comportamiento o emociones, existen soluciones que analizan el tono de correos electrónicos, patrones de comunicación interna, expresiones faciales por cámara, modulación de voz en llamadas, o datos biométricos continuos, todo para "detectar" estrés, ansiedad, burnout o riesgo de salud mental.
Tres filtros antes de implementar
Antes de considerar este tipo de soluciones, hay tres filtros que deberían aplicarse en estricto orden:
Primero, el filtro jurídico. ¿El tratamiento de esos datos cumple con la legislación local y sus decretos reglamentarios? ¿Hay autorización informada del titular para ese uso específico, no una autorización genérica enterrada en un paquete de documentos de inducción, sino una autorización que el trabajador entienda y pueda rechazar sin consecuencias?
Segundo, el filtro ético. ¿El trabajador sabe exactamente qué se está midiendo, cómo se interpreta y quién ve los resultados? ¿Los datos pueden terminar en manos de un jefe directo que los use —consciente o inconscientemente— para decisiones de evaluación de desempeño, asignación de proyectos o desvinculación?
Tercero, el filtro metodológico. ¿El sistema tiene validación independiente, publicada, revisada por pares? ¿O solo tiene la validación del proveedor que lo vende? ¿Cuál es la tasa de falsos positivos? ¿En qué poblaciones fue validado? ¿Funciona igual de bien para hombres y mujeres, para personas de diferentes edades, para diferentes acentos regionales, para personas neurodivergentes?
Por qué el criterio importa tanto aquí
El reto central no es la tecnología en sí misma, sino la madurez con la que se implementa. Los sesgos algorítmicos en este terreno tienen consecuencias críticas. Un falso positivo que le dice al sistema que alguien "muestra signos de estrés severo" puede estigmatizar a una persona que simplemente tuvo una mala noche, habla rápido por naturaleza, o tiene un estilo de comunicación que el modelo no reconoce como "normal". Un falso negativo puede dar falsa tranquilidad sobre alguien que genuinamente necesita apoyo.
La regla práctica debería ser clara: usar datos para intervenir condiciones de trabajo, no para perfilar individualmente a las personas sin base técnica, sin consentimiento informado y sin proporcionalidad.
Las encuestas digitales bien diseñadas, los análisis agregados por área o proceso, y los tableros de tendencias poblacionales son herramientas útiles y compatibles con la regulación. Lo que no es compatible —ni técnica, ni ética, ni jurídicamente— es la inferencia opaca sobre estados internos de personas individuales sin que ellas lo sepan, lo consientan y puedan cuestionar el resultado.
¿Estás interesado en implementar proyectos de IA para tu operación?
En Plibots llevamos años construyendo tecnología para que las organizaciones gestionen su seguridad y salud en el trabajo con datos reales, si estás evaluando cómo integrar inteligencia artificial a tu gestión de seguridad, o si simplemente quieres entender qué tiene sentido para tu operación y qué no, escríbenos. Nos encanta tener esa conversación.
Conoce más sobre Plibots
Fuentes: Organización Internacional del Trabajo, informe "Ensuring safety and health at work in a changing climate" (2024); NIOSH, Hierarchy of Controls, Centers for Disease Control and Prevention (EE. UU.); Ministerio del Trabajo de Colombia, Resoluciones 0312 y 2404 de 2019; Congreso de la República de Colombia, Ley 1581 de 2012. Las cifras de desempeño de modelos de visión por computadora corresponden a estudios académicos publicados sobre arquitecturas YOLO aplicadas a detección de EPP en construcción, en revistas como Automation in Construction y Sensors.