将事故复盘交给大模型，如何避免重复过去的错误

将事故复盘交给大模型，如何避免重复过去的错误

事故复盘材料可能包括传感器曲线、值班记录、电话纪要和整改报告。大模型能够快速拼出时间线，也可能把不同人的回忆写成一个过于顺畅的故事，掩盖矛盾和未知。复盘的目标不是得到一篇漂亮总结，而是找出下一次可以更早介入的节点。

系统应区分事实、证人陈述、推断和争议。某人记得阀门在八点关闭，系统日志显示八点十五分，模型不能自行挑选一个。它应并列两种来源，提示进一步核实。每个关键结论应能回到原始记录和时间戳。

研究可让事故调查人员分别使用传统资料包和AI整理的证据图，比较他们找到的遗漏、根因假设和建议质量。若AI组更快完成，却忽视组织因素，例如人员不足和审批延迟，工具反而可能缩窄调查视野。

复盘要避免只追究离事故最近的操作员。模型可以追踪预警曾被忽略、维护预算曾被推迟、培训材料是否过期等更长链条。对个人行为的判断应由正式调查与公正程序完成，不能让系统的语气替代证据。

整改建议也要闭环。大模型提出“加强培训”很容易，企业需要明确谁培训、训练什么、如何测试、是否减少同类错误。下一次演练应专门检验过去失败的环节，而不是重复一个总能成功的标准场景。

复盘还可以采用“关键时刻重演”。把事故发展过程在没有后见之明的条件下展示给另一组人员，询问他们在当时证据下会如何判断。若多数人仍会漏掉同一信号，问题可能是信息呈现或制度设计，而非单个人疏忽。

模型生成的根因图应允许多因并存。设备老化、维护延期和班次沟通不足可能共同造成事故。把复杂问题强行归到一个“主要责任点”，容易只修最表面的故障。复盘的质量取决于是否找到可改变的系统条件。

事故复盘的产出应少而具体。与其列二十条笼统建议，不如明确三项可以验证的改变：更新哪个阈值、修复哪段联络链、在何时演练。大模型可把建议映射到责任人、期限和验收证据。若下次复盘发现任务只在表格里“完成”，却没有现场变化，就应重新打开问题。

复盘还可以邀请未参与事件的班组阅读AI整理的时间线，指出哪些描述与现场习惯不符。外部视角容易发现术语误解和被默认的流程漏洞。模型应保留他们的异议与核查结果，让复盘材料成为可讨论的证据，而非已经定稿的唯一故事。

防止重复错误，靠的是保存争议、验证原因、分派行动并在未来复测。大模型可以让组织更容易记住事故，但只有愿意改变制度的企业，才能真正从事故中学习。