Keselamatan Kerja 2026: AI Turunkan Kos & Risiko

OSHA menganggarkan kos langsung dan tidak langsung kecederaan serta penyakit di tempat kerja mencecah sekitar US$170 bilion setahun, dan organisasi yang ada sistem pengurusan keselamatan & kesihatan yang berkesan boleh mengurangkan kos berkaitan sehingga 40%. Itu angka yang besar—dan bagi saya, angka macam ini bukan sekadar statistik. Ia petunjuk jelas: risiko tempat kerja ialah masalah kewangan, operasi, dan reputasi sekali gus.

Menjelang 2026, “buat latihan keselamatan” saja tak cukup. Kebanyakan syarikat sebenarnya sudah ada SOP, poster, taklimat, dan audit berkala—tapi kemalangan masih berlaku kerana risiko berubah setiap hari: keletihan syif malam, trafik hujung tahun, pekerja baharu, mesin diservis separuh jalan, atau stor yang makin sesak.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka melihat keselamatan tempat kerja sebagai tapak paling praktikal untuk AI: data wujud, impaknya cepat, dan hasilnya boleh diukur. AI tak menggantikan budaya keselamatan—AI menguatkan disiplin melalui pengesanan awal, amaran masa nyata, dan analisis ramalan.

Kenapa keselamatan tempat kerja kini isu “pengurusan risiko” sebenar

Jawapan ringkasnya: keselamatan menentukan kos tuntutan, premium, produktiviti, dan kepercayaan pelanggan. Bila kadar insiden meningkat, kos pampasan pekerja naik, gangguan operasi jadi kerap, dan moral staf merudum.

Dalam ekosistem insurans, data keselamatan bukan lagi “fail compliance”. Ia input kepada:

• Penilaian risiko (risk scoring) semasa underwriting
• Strategi kawalan kerugian (loss control) untuk turunkan kekerapan tuntutan
• Pengurusan tuntutan (contohnya triage kes lebih cepat)
• Model ramalan untuk pencegahan insiden berulang

Di Malaysia, banyak perniagaan juga berdepan realiti operasi hujung tahun hingga awal tahun: jadual kerja padat, penghantaran meningkat, tenaga kerja kontrak bertambah. Dalam musim begini, “risiko kecil” cepat jadi kos besar.

6 azam keselamatan 2026—dan bagaimana AI jadikan ia konsisten

Kuncinya: enam langkah ini berfungsi, tapi AI menjadikannya konsisten dari hari ke hari, bukan hanya ketika audit. Di bawah ialah cara praktikal menggabungkan amalan keselamatan klasik dengan automasi dan analitik.

1) Ruang kerja lebih kemas & tersusun (AI bantu cegah sebelum jatuh)

Ruang yang berselerak menaikkan risiko tergelincir, tersadung, kebakaran, dan kerosakan peralatan. Itu asas yang semua orang setuju—masalahnya ialah pematuhan harian.

Cara AI membantu:

• Analitik video (computer vision) untuk mengesan halangan di laluan, tumpahan, atau pallet di zon larangan.
• Pemarkahan “housekeeping risk” mengikut zon (stor, line produksi, dapur, pejabat) supaya tindakan pembetulan disasar.
• Amaran masa nyata kepada penyelia bila risiko meningkat (contohnya kawasan loading yang sesak).

Pendekatan yang saya lihat paling menjadi: mulakan dengan 2–3 “hotspot” (contohnya lorong forklift, pintu stor, kawasan basuh) dan ukur perubahan insiden “near-miss” selama 8–12 minggu.

2) Program pulang bekerja (return-to-work) yang kukuh (AI bantu keputusan lebih cepat)

Bila kecederaan berlaku, objektif paling realistik ialah mengembalikan pekerja ke kerja bermakna dalam had doktor secepat mungkin. Ini menurunkan kos pampasan dan mengurangkan kehilangan produktiviti.

Cara AI membantu:

• Padanan tugas-terhad: AI boleh memadankan sekatan perubatan (contohnya “tak boleh angkat lebih 5kg”) dengan senarai tugasan ringan yang tersedia.
• Dokumentasi tuntutan lebih kemas: ringkasan kronologi kejadian, rawatan, dan kemajuan boleh disusun automatik untuk pasukan HR/risiko.
• Amaran risiko kelewatan: model ramalan boleh mengesan kes yang berisiko jadi “long tail” (pemulihan lama) supaya intervensi awal dibuat.

Hasil yang dicari bukan “balik kerja cepat semata-mata”, tapi balik kerja selamat, terancang, dan patuh sekatan—itu yang mengurangkan kecederaan berulang.

3) Keselamatan pemanduan (AI jadikan pemanduan lebih boleh diaudit)

Aktiviti memandu biasanya paling berbahaya untuk pekerja—walaupun syarikat bukan syarikat logistik. Errand ringkas pun ada pendedahan risiko.

Cara AI membantu:

• Telematik & analitik pemanduan: kelajuan, brek mengejut, selekoh tajam, penggunaan telefon (jika disepadukan), dan corak pemanduan berisiko.
• Skor risiko pemandu untuk latihan bersasar (bukan latihan pukal yang semua orang bosan).
• Ramalan kemalangan berdasarkan masa, laluan, dan corak keletihan (contohnya pemanduan selepas syif panjang).

Prinsip yang tegas tapi adil: data digunakan untuk bimbingan dan pencegahan, bukan “mencari salah”. Bila pekerja percaya niatnya betul, adoption jauh lebih cepat.

4) Hapus budaya jalan pintas (AI bantu kesan pelanggaran kecil yang selalu jadi besar)

Jalan pintas biasanya berlaku bila orang kejar masa, kurang latihan, atau kerja berulang membuatkan mereka alpa. Masalahnya, satu jalan pintas yang selamat “10 kali” boleh jadi tragedi pada kali ke-11.

Cara AI membantu:

• Pengesanan pemakaian PPE (contoh: helmet, vest pemantul, sarung tangan) di zon kritikal.
• Analisis “near-miss”: AI mengesan corak hampir kemalangan (contoh forklift hampir melanggar pejalan kaki) supaya pembetulan dibuat sebelum insiden sebenar.
• Pematuhan SOP berbantu sensor: pada mesin tertentu, sensor boleh memeriksa interlock/guard tidak dibuka ketika operasi.

Satu ayat yang saya pegang: “Near-miss ialah data percuma—rugi kalau kita tak guna.”

5) Galakkan rehat berkala (AI bantu urus keletihan secara objektif)

Keletihan ialah liabiliti yang senyap. Ia menaikkan kadar ralat, kecuaian, dan kemalangan, terutamanya untuk syif panjang dan kerja fizikal.

Cara AI membantu:

• Analitik jadual: AI boleh mengesan corak syif berisiko (contohnya terlalu banyak overtime berturut-turut).
• Amaran mikro-rehat untuk kerja berulang atau berisiko tinggi (contohnya operator mesin tertentu).
• Korelasi insiden dengan jam bekerja: bukan sekadar “rasa macam letih”, tapi bukti bahawa insiden meningkat selepas jam tertentu.

Pengurusan rehat yang baik bukan memanjakan staf—ia melindungi operasi.

6) Kepimpinan jadi contoh (AI tak mampu betulkan budaya kalau bos sendiri culas)

Pemimpin menentukan ‘standard sebenar’—bukan poster di dinding. Bila bos langgar peraturan kecil, orang bawah akan normalisasikan risiko.

Cara AI membantu:

• Dashboard risiko yang telus untuk pengurusan: bukan hanya KPI output, tapi KPI keselamatan (near-miss, pematuhan PPE, housekeeping score).
• Audit digital: pemeriksaan keselamatan boleh dibuat lebih kerap, lebih ringkas, dan lebih sukar “dipercantikkan”.
• Tindakan susulan automatik: setiap isu ada pemilik, tarikh akhir, dan bukti penutupan.

AI di sini bukan untuk “menghukum”, tapi untuk memastikan pemimpin tak boleh lari daripada realiti di lantai operasi.

Rangka kerja praktikal: mula kecil, ukur, kemudian skala

Cara paling selamat untuk bermula ialah pilih satu risiko utama, satu sumber data, dan satu metrik hasil. Banyak projek AI keselamatan gagal bukan sebab teknologi lemah, tapi sebab skop terlalu besar.

Pilih 1 daripada 3 kes guna berimpak tinggi

1. Slip, trip & fall (sesuai untuk retail, F&B, pejabat, gudang)
2. Forklift & pejalan kaki (sesuai untuk gudang, pembuatan)
3. Pemanduan kerja (sesuai untuk jualan lapangan, servis, penghantaran)

Data minimum yang biasanya mencukupi

• Rekod insiden & near-miss (12–24 bulan jika ada)
• Jadual syif / overtime
• Audit keselamatan sedia ada
• Data telematik (jika pemanduan) atau video zon kritikal (jika tapak)

Metrik yang patut dipantau (jelas dan boleh dipertahankan)

• Kekerapan insiden (per 100 pekerja / per 200,000 jam bekerja)
• Bilangan near-miss yang dilapor (biasanya naik dulu, itu petanda baik)
• Masa menutup tindakan pembetulan (hari)
• Kos tuntutan purata per kes (trend suku tahunan)

Apa kaitannya dengan insurans dan pengurusan risiko?

Apabila data keselamatan meningkat kualitinya, pengurusan risiko jadi lebih tepat—dan itu mempengaruhi kos insurans. Dalam bahasa mudah: bila anda boleh buktikan pencegahan, anda sedang membina “profil risiko” yang lebih baik.

Dalam konteks AI dalam insurans:

• Underwriting lebih tepat: risiko tak dinilai berdasarkan industri semata-mata, tapi berdasarkan amalan sebenar.
• Loss control lebih bersasar: cadangan keselamatan bukan generik; ia berdasarkan corak insiden anda.
• Tuntutan lebih cekap: dokumentasi rapi, triage cepat, dan pencegahan berulang.

Saya berani kata begini: menunggu tuntutan untuk “belajar” ialah cara paling mahal untuk membina keselamatan. AI membolehkan anda belajar daripada isyarat awal.

Soalan lazim yang selalu timbul (dan jawapan terus terang)

“AI ni mahal tak untuk SMB?”

Tak semestinya. Banyak organisasi bermula dengan satu tapak, satu zon, dan satu kes guna. Kos sebenar yang perlu diawasi ialah kos perubahan proses—latihan, SOP, dan disiplin tindakan susulan.

“Adakah AI akan langgar privasi pekerja?”

Ia bergantung pada reka bentuk. Amalan yang lebih diterima ialah fokus pada zon risiko, bukan pemantauan individu sepanjang masa, serta dasar data yang jelas: siapa akses, berapa lama simpan, dan untuk tujuan apa.

“Kalau data tak cukup, macam mana?”

Mulakan dengan apa yang ada dan bina tabiat pelaporan. Near-miss dan audit ringkas yang konsisten boleh jadi asas data yang kuat dalam masa 6–12 minggu.

Langkah seterusnya untuk 2026: jadikan keselamatan sebagai ‘sistem’, bukan kempen

OSHA menganggarkan US$170 bilion setahun hilang kerana kecederaan dan penyakit di tempat kerja, dan sistem keselamatan yang berkesan boleh mengurangkan kos sehingga 40%. Untuk 2026, sasaran yang realistik ialah menggabungkan disiplin keselamatan harian dengan AI supaya amaran datang sebelum insiden, bukan selepas laporan.

Jika anda sedang menyusun bajet dan keutamaan Q1 2026, saya cadangkan satu keputusan mudah: pilih satu risiko paling mahal dalam operasi anda, bina satu projek perintis AI selama 90 hari, dan ukur hasilnya secara telus.

Bila data keselamatan makin matang, satu soalan akan jadi semakin relevan untuk pengurusan dan insurans: adakah organisasi anda mengurus risiko secara reaktif—atau sudah mula mencegahnya dengan bukti dan ramalan?