工作场所安全已成为一项全球性系统挑战，直接影响劳动力稳定、生产力和供应链韧性。
与此同时，制造业持续面临劳动力短缺、劳动力老龄化问题，并在受到干扰的情况下承受维持产出的压力。
应用型人工智能可帮助制造商将安全视为一项战略能力。更安全的工作场所更能吸引和留住人才，减少运营中断，并为持续绩效创造条件。
工作场所安全常被视为一项局部运营问题，由各工厂分别管理。但实际上，它已成为一项全球性系统挑战，直接影响劳动力稳定、生产力和供应链韧性。
可预防的伤害每年造成约1.03亿个工作日的损失。一份2021年报告显示，消除这些事故相当于让超过39.4万名全职员工继续留在工作岗位上。相当于让超过39.4万名全职员工继续留在工作岗位上。
与此同时，制造商持续面临劳动力短缺、劳动力老龄化问题，并在受到干扰的情况下承受维持产出的压力。一项2026年调查发现，79%的制造业领导者表示，技术工人短缺仍是其面临的最大挑战；90%的受访者表示，制造部门受影响最为严重。
德勤与制造业研究所（The Manufacturing Institute）的一份报告德勤与The Manufacturing Institute预测，2024至2033年间，美国制造业可能需要多达380万名新员工；如果当前的劳动力挑战持续存在，其中多达190万个岗位可能面临无人填补的风险。不安全的工作环境可能导致缺勤、人员流动和运营停工，从而加剧这些挑战。
随着制造业互联程度不断提高，安全事故的后果已不局限于单个工厂。一起事故可能波及供应商和多个地区，形成系统性风险，而传统方法往往难以遏制。
人工智能如何实时揭示制造业风险
大多数安全计划是为另一个时代设计的，主要依赖滞后指标、定期审核和人工观察。
总可记录事故率（TRIR）长期以来被视为可靠的绩效基准，但它衡量的是伤害发生之后的情况，对新出现的风险暴露几乎提供不了什么洞察。
这并非意图或专业能力的失败，而是反映了系统的结构性局限，因为这些系统并非为在风险形成过程中及时发现风险而设计。应用型人工智能（AI）为弥补这一缺口提供了一条途径。
应用型人工智能提供了一种不同的方法。它并非取代高风险决策的自动化，而是帮助揭示那些原本难以察觉的规律。
在实体环境中部署时，人工智能可以实时识别风险的先行指标。人员接近、位置或暴露情况的细微变化可能先于严重事故出现，而这些变化能够及早显现，从而及时采取干预措施。
美国国家安全委员会的“零事故工作”倡议（Work to Zero）零事故工作倡议已证明，计算机视觉能够对工作场所危害进行持续、自动的监测，涵盖从个人防护装备不合规到人员违规靠近等多种情况。而定期的人工观察往往会遗漏这些问题。
与此同时，Verdantix针对环境、健康与安全（EHS）决策者开展的一项全球企业调查显示，57%的企业已经部署或正在试点用于安全管理的计算机视觉和视频分析，这表明从被动应对向预测性监测的转变正在加速推进。
推动这一转变的并非技术本身，而是它所带来的可能性：预见。这使组织能够在伤害发生之前，处理工作场所中的高严重性风险暴露。
人机协作是管理风险的关键
在工业环境中，人工智能在日常工作场所的实际条件下运行。它与那些了解运营约束、生产需求以及复杂环境中固有权衡的人员协同工作。
有效的安全系统旨在支持人的判断。它们提供及时的洞察，减轻高风险任务中的认知负荷，并使各班次和各工厂之间的决策更加一致。要使协作良好运转，必须明确系统观察的内容，以及其输出如何指导行动。
清晰的角色定义有助于在车间层面维持责任制。由于这些环境中的后果是实际且即时的，可信度需要通过持续的稳定表现以及与运营实践的一致性逐步建立。
全球关于人工智能的讨论大多集中于数字应用。然而，工业环境呈现出不同的情境：人与机器共享同一物理空间，风险无法被抽象化处理。
世界经济论坛的“全球灯塔网络”（Global Lighthouse Network）全球灯塔网络表明，大规模部署人工智能和数字技术的工厂，可以在生产力和可持续性方面实现显著提升。然而，论坛自身的研究显示，大多数企业尚未做好规模化推广这些方法的准备，其在治理、人才和基础设施方面存在关键障碍。
工业环境中的部署会提出一些实际问题，仅凭政策讨论无法解决。除生产力之外，应如何衡量影响？在实践中，制造商越来越多地通过降低高严重性风险暴露和未遂事故频率来评估人工智能。系统应如何在不同工厂中推广？经验表明，标准化治理框架与本地化调整相结合，对于负责任地规模化推广至关重要。
在工业环境中负责任地规模化应用人工智能，需要的不仅仅是雄心。它要求建立结构化的治理机制，并能够适应不同工厂、地区和监管环境。世界经济论坛的人工智能治理联盟行动手册直接针对这一问题，提出了九项可操作的策略，帮助组织从负责任的人工智能原则迈向落地实践——从将长期人工智能愿景融入业务战略，到采用系统化且因情境而异的风险管理方法。
对制造商而言，这些策略并非抽象概念。它们对应着在多元化工厂网络中部署人工智能的实际情况：治理既须保持足够的一致性以维持标准，又须具备足够的灵活性以适应本地条件。数据治理和风险评估的标准化框架，加之运营层面具备相应权限的人工智能治理负责人，正是使组织能够在不损害问责的前提下实现规模化的关键。
早期证据支持这一方法。Verdantix已验证价值实现研究评估了在22个制造工厂中部署计算机视觉用于工作场所安全的情况，结果显示三年内投资回报率为129%，总收益达180万美元，主要来自伤害、死亡事故和运营停工的减少。这些成果体现了当人工智能治理从一开始就嵌入运营实践时所能实现的可能性，而非事后考虑的问题。
作为战略能力的工作场所安全
具有前瞻性的组织开始将安全视为一项战略能力，而非合规义务。更安全的工作场所能够吸引和留住人才，减少运营中断，并为持续绩效创造条件。
在劳动力可用性和韧性属于战略优先事项的制造业中，安全投入日益与创新和长期竞争力保持一致。随着应用型人工智能更深入地融入工业运营，安全正从战略的边缘走向核心。
下一步并非简单采用新工具，而是重新思考如何管理风险。领导者有机会利用应用型人工智能增强人的判断、强化问责，并建设更具韧性的运营体系。
问题已不再是技术是否应纳入风险与安全战略，而是如何负责任地部署技术，以支持维持产业运转的人员。
