PRISM

계획이 완벽해도,
사람은 다칩니다.

그래서 AI가 먼저 보고,
우리는 서로를 지킵니다.

배전 현장 AI 안전관리 앱
아마존 서버(AWS) 시범운영 중('26.6~) : 경북본부 직할 및 문경지사

01

감시가 아니라, 보살핌.

PRISM이 가장 먼저 묻는 것은 "누가 잘못했나"가 아니라 "오늘 모두 무사히 돌아올 수 있나"입니다. 경고는 사람을 통제하기 위한 기록이 아니라, 동료의 안부를 묻고 현장의 경험을 다음 사람에게 전하는 돌봄이어야 합니다. 그래서 입력은 짧게 줄이고, 분석은 "오늘, 이것만은 이렇게 하세요"라는 한마디로 건넵니다.

다치지 말고, 죽지 맙시다.
만든 사람

배전 현장의 현직자들이 직접 만들었습니다. 동료가 다치고 떠나는 일을 곁에서 겪은 사람들에게 안전은 통계나 규정이 아닙니다. 아침에 함께 나간 동료가 무사히 돌아오는 문제입니다. 그래서 책상이 아니라 현장에서 필요한 것을 담았습니다.

02

현장의 세 가지 문제

배전 현장에는 감전·추락 같은 중대재해 위험이 늘 있습니다. 데이터는 있는데, 사고가 나는 순간에는 쓰이지 않습니다.

①잠자는 사고 데이터

쌓아 온 사고사례가 교육장 스크린에만 있고, 정작 작업하는 순간엔 쓰이지 않습니다.

감전 55% · 사망 49.8% 수집 731건 내 비중
②비어 있는 하인리히 300

다칠 뻔한 순간(아찔순간)은 보고 부담 때문에 제대로 기록되지 않습니다. 내 실수가 드러날까 하는 걱정이 벽입니다.

기록 공백
③형식이 된 안전서류

TBM·체크리스트·계획도를 손으로 쓰다 보면 작성 부담이 안전에 쏟을 주의를 빼앗습니다.

작성 > 안전
1 29 300

하인리히의 관찰 — 중대재해 1건 뒤에는 경상 약 29건, 그 아래 아찔한 순간 수백 건이 있다는 경험적 경향입니다(고정된 비율은 아닙니다). PRISM은 1·29(사고 데이터)와 300(아찔순간)을 함께 씁니다. 작업자의 안전의식 탓이 아니라, 일하는 구조를 바꿔야 풀리는 문제이기 때문입니다.

KICK 1 · AI 위험성분석잠자는 사고 데이터

1과 29를,
오늘의 예측으로.

129300

교육 자료로만 쌓여 있던 사고사례를 작업하기 전에 꺼냅니다. 오늘 작업과 가장 닮은 실제 사고를 골라, 무엇을 해야 하는지와 함께 알려줍니다.

“… 반드시 검전기로 직접 활선 여부를 확인한 뒤 작업에 임하세요. 2018년 전주 승주 후 인입선 작업 중 보안등 접속 불량부에 접촉되어 …”▶ 오른쪽 화면 ‘오늘 현장 위험 분석’에 AI가 실제로 쓴 문장
AI 위험분석 — 작업·날씨·컨디션·사고사례를 엮어 경고유사사고 매칭: 규칙으로 후보를 좁히고 AI가 의미로 선별
AI 위험분석 화면 — 오늘 현장 위험 분석을 읽어 주는 모습
KICK 2 · 아찔순간비어 있는 하인리히 300

아찔했던 30초를,
모두의 교훈으로.

129300

아찔했던 순간을 탓하지 않고, 다음 동료를 지키는 이야기로 바꿉니다. 말로 남기면 AI가 정리하며, 공유 화면에는 작성자와 날짜를 표시하지 않습니다. 본인 조회용 연결정보는 별도 보관하고, 보관·조회 범위를 안내합니다.

오늘 내가 남긴 30초가, 내일 동료의 안부가 됩니다.

암묵지의 자산화 — 한 사람에게만 있던 현장 경험을 익명의 기록으로 남겨, 다음 사람에게 끊김 없이 이어줍니다. 이렇게 쌓인 현장의 지혜는 앞으로 AI와 피지컬 AI(현장 로봇)가 배울 교본이 될 수 있습니다.

아찔순간 제보 화면 — 말로 남긴 아찔순간이 이름·장소를 지운 교훈으로 정리되는 모습
KICK 3 · 인공지능 전환형식이 된 안전서류

서류는 앱이,
사람은 안전에.

AXAITransformation

TBM 회의록·작업안전 체크리스트·작업계획도를 앱이 자동으로 만듭니다. 서류에 쓰던 시간을 안전에 돌려드립니다.

작업계획도는 정해진 양식이 아니라 카카오맵 위에 직접 그립니다. 현장 구조를 눈으로 익히니 위험성 평가가 형식에 그치지 않습니다.
통보서 사진 자동 인식지도 기반 작업계획도전자서명·증빙 일괄 저장
작업계획도 지도 화면 — 작업차·전주·지휘자·신호수·라바콘을 손가락으로 배치하는 모습
▶

개념이 아니라, 지금 돌아가는 앱

Google Play 배포본을 실제 기기에서 촬영했습니다.

AI 위험성분석
AI 나만의 안전리포트
아찔순간 공유
04

얼마나 막을 수 있을까

아래는 실적이 아니라 가정에 기반한 몬테카를로 시뮬레이션입니다. 하인리히 1:29:300 관계를 가정하고, 슬라이더로 가정을 바꿔 예방 잠재력의 규모감과 민감도를 봅니다.

몬테카를로 시뮬레이션가정 시나리오 · 민감도 탐색 · 200회 시행 · 36개월 · 하인리히 1:29:300 기반
지금 · 시범운영 약 50명——
전국 확대 · 2,400명——
  1. 1[지금] 시범운영 약 50명이 쓰고 있습니다
  2. 2[가정] 전국 안전센터 직원 약 2,400명이 모두 쓴다면
  3. 3[예측] 3년 뒤 효과를 계산합니다
100%50%0% 누적 아찔순간 ↑ 사고 위험 ↓ 도입6개월1년2년3년
누적 아찔순간(건)
사고 위험(%)
점선 = 시범운영 50명
음영 = 가정 모델 아래 시뮬레이션 중앙 80% 구간
모델·가정 — 하인리히 1:29:300 기반. 작업자당 월 0.6회 아찔상황 발생, 신뢰가 쌓이며 참여율이 로지스틱으로 상승, 보고가 누적되면 위험 시나리오 커버리지가 포화형으로 증가, 커버리지 × 예방전환율만큼 사고 위험이 감소. 포아송·이항 확률과정을 200회 몬테카를로로 시행(음영 = 가정 모델 아래 시뮬레이션 중앙 80% 구간). 슬라이더로 가정을 바꿔 민감도를 직접 탐색할 수 있습니다.

※ 하인리히 법칙 기반 — 실측이 아니라 가정 하의 확률모델 출력이며, 방향성·민감도를 보기 위한 것입니다.

현장의 경험을 모아,
다음 작업에 전합니다.

안부

오늘의 작업과 몸 상태를 먼저 살펴, 무사히 돌아올 준비를 합니다.

돌봄

아찔했던 경험을 탓하지 않고, 다음 사람을 지키는 교훈으로 바꿉니다.

연결

내가 남긴 한마디가 보이지 않는 동료의 내일을 지킵니다.

안전은 혼자 지키는 규칙이 아니라,서로를 무사히 돌아오게 하는 문화입니다.