글로벌 산업재해 270만건 — Heinrich가 자체 라벨링·분석으로 우리 사업장 위험에 반영합니다 [시리즈 ④]

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

사업장 안전 관리 시리즈 네 번째 글입니다. 이번 편은 앞선 세 편에서 다뤘던 사업장 관리·법정 의무·위험성평가 기능들이 실제로 무엇에 근거해서 위험요인을 뽑아주는지 — 그 뒤에 있는 실제 사고 데이터 이야기입니다. Heinrich에서 위험요인 하나가 "왜 이게 우리 작업의 위험인지" 그 근거가 어디서 오는지, 안전관리자 관점에서 무엇이 달라지는지 정리하겠습니다.

"우리 작업에서 실제 어떤 사고가 났나요?" — 챗봇이 못 답하는 질문

안전관리자 분들이 위험성평가·JSA·재해조사표를 앞에 두고 실제로 궁금해 하시는 건 대체로 이런 겁니다.

• 우리 작업에서 최근 실제로 어떤 사고가 있었나?
• 이 장비·이 공정에서 놓치기 쉬운 위험은 뭔가?
• 우리가 지금 잡아둔 안전 조치로 못 막았던 재해 사례가 있나?
• 우리 위험성평가서에 "왜 이 위험을 포함했는지" 근거로 붙일 수 있는 실제 사고가 있나?

일반 챗봇에 물어보시면 산안법 조문·5단계 감소대책 개념 정도는 그럴듯하게 답이 나옵니다. 하지만 위 네 가지는 답을 못 합니다. 실제 사고를 본 적이 없기 때문입니다.

산업안전은 결국 "예상 가능한 위험을 미리 발견하는 일" 인데, 예상 가능한 위험이라는 건 학습된 개념이 아니라 실제로 있었던 사고에서 나옵니다. 그래서 산업안전 AI에는 두 가지가 함께 있어야 합니다. 첫째 — 실제 사고 데이터가 충분히 많아야 합니다. 둘째 — 그 사고 중에서 우리 작업이랑 정말 비슷한 사고를 골라낼 수 있어야 합니다. 이 둘이 없으면 AI가 만들어내는 위험요인은 "그럴듯한 문장" 에 그칩니다.

270만건 — 안전관리자 한 분이 사업장에서 볼 수 없는 규모

Heinrich 사고 사례 DB는 이번 확장을 거쳐 약 40만건에서 270만건 이상으로 규모가 크게 늘어났습니다. 이 숫자를 감으로 옮겨보면 — 하루 100건씩 쉬지 않고 읽어도 약 74년이 걸리는 규모입니다. 안전관리자 한 분이 자기 사업장에서 평생 볼 수 있는 사고를 다 모아도 도달할 수 없는 규모라는 뜻입니다.

규모가 왜 중요한지는 사용 순간에 드러납니다. 위험성평가·JSA에서 "우리 작업이랑 비슷한 사고" 를 찾을 때, 검색 대상이 커야 유사도 상위에 진짜 비슷한 사고가 뜹니다. 검색 대상이 몇 천 건 규모라면 "우리 작업 유사 사고" 로 뽑힌 결과가 업종이 다르거나 작업이 다른 경우가 상위에 오게 되고 — 그건 위험요인 도출에 오히려 방해가 됩니다.

같은 이유로 놓치는 위험도 규모가 결정합니다. 우리 작업에서 났던 사고 유형은 몇 종류 안 되는 것처럼 보여도, 국내·해외에서 유사한 작업 조건에서 발생한 재해까지 놓고 보면 사업장에서 미처 상상하지 못한 위험 유형이 훨씬 많습니다. 규모는 그 위험을 놓치지 않기 위한 최소 조건입니다.

어디서 왔나 — 국내·해외 사고 데이터를 하나로

270만건은 한 곳에서 통째로 가져온 것이 아니라, 국내 사고 자료와 해외 사고 자료를 함께 정리한 결과입니다. 국내 사고만으로는 특정 업종·특정 작업 조건에서 사례가 적을 수 있기 때문에, 유사한 작업 조건의 해외 사례를 함께 참조할 수 있게 두었습니다.

안전관리자 관점에서 중요한 건 어느 곳에서 어떤 사고가 왔느냐가 아니라 — 우리 사업장 작업이랑 비슷한 사고가 그 안에 실제로 들어있느냐, 그리고 검색하면 그 사고가 상위에 뜨느냐 두 가지입니다. 이 두 가지를 만족시키기 위한 규모·다양성 확보가 이번 확장의 목적입니다.

그냥 쌓아둔 게 아닙니다 — 우리 작업에 붙이는 형태로 정제

사고 데이터가 많다는 말이 실제 가치로 이어지려면 세 가지가 함께 있어야 합니다.

첫째 — 우리 작업이랑 비슷한 사고를 골라주는 검색 정확도. 작업 한 줄을 입력했을 때, 결과 상위에 "정말 우리 작업과 비슷한 사고" 가 떠야 합니다. Heinrich는 사고 데이터를 그대로 두지 않고 사업장 실무에서 쓰이는 축(업종·작업·상황) 관점으로 자체 정리를 해두었고, 그 결과 "밀폐공간 질식", "지붕 추락", "지게차 협착" 같은 실무적 검색어에도 상위 결과가 안정적으로 나옵니다.

둘째 — 재해자·업체 신원이 노출되지 않은 형태. 원본 사고 기록에는 개인·기업 식별 정보가 남아 있는 경우가 있는데, Heinrich에서 사용자에게 노출되는 사고 요약에는 이런 정보가 제거된 상태로 표시됩니다. 위험성평가서에 사고를 인용해도 특정인·특정 기업이 드러나지 않아 안심하고 참고할 수 있습니다.

셋째 — 매일 새로 나는 사고까지 반영. 국내에서 매일 새로 발생하는 사업장 사고도 그날 자동으로 정리되어, 다음 날 위험성평가·사고 레이더 화면에서 바로 참조 가능한 상태가 됩니다. "1년 전 사고 기반 시스템" 이 아니라 어제 사고가 오늘 재검토 권고로 뜨는 구조입니다.

이 세 가지가 함께 있을 때 비로소 사고 데이터가 위험성평가·재해조사표에 근거로 붙을 수 있는 형태가 됩니다.

실제로 어디에 쓰이나 — 한 화면에서 다 이어집니다

270만건 사고 데이터는 특정 페이지 하나만을 위한 것이 아니라, Heinrich 사업장 관리 화면 전체가 공통으로 참조합니다. 사용자가 실제로 마주치는 지점을 정리하면 다음과 같습니다.

① 위험성평가 — 작업 한 줄을 입력하면 같은 업종·같은 작업의 실제 사고가 유사도 순으로 자동 검색되고, 그 사고들이 위험요인 15~30개의 도출 근거가 됩니다.

② JSA(작업안전분석) — 작업 단계별로 유사 사고를 검색해 각 단계의 위험을 도출합니다. "이 단계에서 실제로 났던 사고" 가 각 단계 위험의 근거로 함께 보입니다.

③ 작업허가서(PTW) — 밀폐공간·화기·고소 작업 등 허가 대상 작업에 대해 같은 유형의 사고가 자동으로 참조되어, 허가 조건 검토 시 실제 사고를 근거로 판단합니다.

④ TBM·안전일지 — 그날 진행할 작업에 대해 동종 사고·최근 사고가 안전정보로 자동 붙어, TBM 대화 자료로 그대로 사용할 수 있습니다.

⑤ 재해조사표 — 실제로 사업장에서 발생한 사고를 입력하면, 유사한 재해 조사 사례가 자동으로 검색되어 원인 분석·재발방지대책 작성의 근거가 됩니다.

⑥ 안전교육 자료 — 안전교육 슬라이드·영상에 실제 재해 사례가 인용되어, "말로만 안전한 교육" 이 아니라 실사고 기반 교육 자료가 만들어집니다.

⑦ 사고 레이더 — 매일 새로 수집되는 사고 중 사업장 업종·작업과 매칭되는 사고를 자동으로 감지해, 관련 위험성평가·안전일지에 재검토 권고를 발생시킵니다.

⑧ AI 안전 챗봇 — 사용자가 "이 작업 위험" 을 물어보면 사고 데이터에서 근거 사고를 함께 인용해 답변합니다. AI 단독 답변이 아니라 실제 사고로 뒷받침된 답변입니다.

⑨ 산업안전기사 학습 챗봇 — 시험 준비 학습에서 실제 사고를 예시로 인용해, 개념 학습과 실사고 학습이 연결됩니다.

⑩ 오늘 브리핑 — 사업장 대시보드 상단에 그날 유의해야 할 사고 유형을 요약해 보여드립니다.

⑪ ac-datacenter 공개 사고 탐색기 — 로그인 없이 누구나 사고 사례를 검색할 수 있는 페이지입니다. 다음 섹션에서 다룹니다.

한 곳에서 정리된 사고 데이터를 여러 기능이 공통으로 참조하기 때문에 — 위험성평가에서 인용한 사고와 재해조사표에서 참고한 사고, TBM에 붙은 사고가 서로 다른 데이터가 아니라 같은 데이터에서 나옵니다. 사업장 안전 판단이 하나의 근거로 이어진다는 뜻입니다.

ac-datacenter — 로그인 없이 사고 사례 탐색

Heinrich는 정리된 사고 사례 중 공개해도 되는 자료를 대상으로, 로그인 없이 접근 가능한 사고 탐색 페이지를 운영합니다. 주소는 heinrich.dasancms.co.kr/ac-datacenter 입니다.

검색창에 "밀폐공간 배관 용접", "지게차 하역 작업", "고소 비계 해체" 같은 관심 작업을 한국어로 입력하시면, 이 작업과 유사한 실제 사고를 AI가 정리해서 보여드립니다. 사고 카드에는 사고 개요·재해 유형이 유사도(예: 56%, 55%)와 함께 표시되고, 재해자·기업 식별 정보는 노출되지 않은 상태입니다.

이 페이지는 다음 세 가지 상황에서 유용합니다.

첫째 — 산업안전기사·산업안전산업기사 수험생. 시험 준비 시 실제 재해 사례를 배경으로 학습하고 싶을 때 검색해서 훑어볼 수 있습니다.

둘째 — 안전 관련 학과 학생·연구자. 논문·과제·교육 자료 준비 시 특정 재해 유형의 유사 사례를 빠르게 훑어볼 수 있습니다.

셋째 — 안전관리자·현장소장 분들이 회원가입 전 사고 데이터 품질을 미리 확인해 보고 싶을 때. Heinrich 유료 기능에서 참조하는 사고 데이터가 어떤 규모·품질인지 이 페이지에서 미리 감을 잡아보실 수 있습니다.

로그인 없이 접근 가능하다는 점에서 — 산업안전 정보 접근성 자체를 낮추는 공적 성격의 페이지이기도 합니다.

AI가 대체할 수 없는 것 — 정직하게

정직하게 짚고 가겠습니다.

• AI 검색 = 유사 사고 후보 — 시스템은 우리 작업이랑 비슷한 사고를 유사도 순으로 뽑아 드리지만, 그중 어느 사고가 우리 사업장 상황에 실제로 맞는지 판단하는 것은 안전관리자 몫입니다. 상위에 뽑힌 사고가 항상 우리 작업에 딱 맞는 사례라는 보장은 없습니다.
• 사고 사례 = 참고 자료, 최종 판단은 사람 — 위험성평가·재해조사표에 인용된 사고 사례는 "이런 사고가 있었다" 는 참고 자료입니다. 최종 위험 수준·감소 대책·조사 결론은 현장 조건을 아는 분이 판단합니다.
• 사업장 고유 정보는 사람이 입력 — 사업장의 실제 작업 방식·설비 배치·근로자 구성·계약 관계는 시스템이 알지 못합니다. 정확한 정보 없이 도출된 위험요인은 일반적 위험에 그칠 수 있습니다.
• 법적 판단은 전문가 — 본 글의 위험성평가·재해조사표·중대재해처벌법 관련 언급은 작성 시점 기준의 일반 정보 제공이며, 개별 사업장의 법적 판단·자문이 아닙니다. 정확한 법적 적용은 관할 노동관서·산업안전 전문가에게 문의해 주세요.

산업안전 AI의 가치는 "사람을 대체하는 것" 이 아니라 — 안전관리자 한 분이 평생 모아도 볼 수 없는 규모의 실제 사고를 우리 작업에 맞는 형태로 즉시 옆에 놓아드리는 것입니다. 판단은 여전히 사람의 몫입니다.

시리즈 매듭 + 다음 편 예고

지난 세 편에서 사업장 관리(시리즈 ①), 법정 의무 자동 챙김(시리즈 ②), 위험성평가 신규 사이클(시리즈 ③)을 다뤘고, 이번 편에서는 그 뒤에서 각 기능이 위험요인을 뽑아내는 근거가 되는 사고 데이터 이야기를 다뤘습니다.

• 시리즈 ① — 사업장 관리, 매일 여는 안전 관제탑 (8개 탭 전체)
• 시리즈 ② — 사업장 법정 의무 약 40개, AI가 자동으로 챙겨드립니다
• 시리즈 ③ — 위험성평가 양식 다 채웠는데도 미실시? — 산안법 7요건 중 5개가 빠진 상태입니다
• 시리즈 ④ — (이번 편) 글로벌 산업재해 270만건 — 사고 데이터가 우리 사업장 위험에 반영되는 방식

시리즈 ⑤에서는 사업장 안전 상태를 매일 모니터링하는 축인 안전점수·동종 사고 레이더·법령 영향 분석을 다룰 예정입니다. 이번 편에서 소개한 사고 데이터가 매일 어떻게 사업장에 재검토 권고로 이어지는지 이어서 보실 수 있습니다.

마무리

안전관리자 관점에서 산업안전 AI가 실제로 도움이 되려면 결국 두 가지입니다 — 실제 사고 데이터가 충분히 많고, 그 사고 중에서 우리 작업이랑 정말 비슷한 사고를 골라낼 수 있어야 합니다. Heinrich는 이 두 가지를 함께 갖추기 위해 국내·해외 사고 자료를 정리해 270만건 규모의 사고 데이터를 구성하고, 사업장 관리 화면 전체가 이 데이터를 공통으로 참조하도록 만들어 두었습니다.

한 번 사업장을 등록해 자주 하시는 작업 하나를 위험성평가나 JSA 화면에 입력해 보시는 것이 — 이 사고 데이터가 실제로 어떤 위험요인을 뽑아내고 어떤 사고를 근거로 붙여드리는지 가장 빠르게 확인하는 방법입니다. 회원가입 없이 사고 사례 자체를 먼저 훑어보고 싶으시다면 ac-datacenter 페이지를 열어 보시는 것도 좋은 시작이 됩니다.

읽어주셔서 감사합니다.