מאת: יפעת זר, מדור ידע וחדשנות המוס"ל
תאריך:18/02/2026
קרי טיילור, ארגונומית המובילה צוות ארגונומיים באונטריו, קנדה, מתארת במאמרה The Hidden Gaps in AI-Powered Safety Solutions את עבודת הארגונום ועזרי הבינה המלאכותית בתחום הארגונומיה, על יתרונותיהם וחסרונותיהם.
עבודת הארגונום
עבודת הארגונום מתחילה באיתור גורמי הסיכון הארגונומיים, למשל, על ידי עריכת סקרים בקרב עובדים ומנהלים, ניתוח הדרישות הפיזיות של משימות העבודה והצעה או מתן פתרונות ארגונומיים למניעת הסיכונים.
הפעולות שמבצע הארגונום בניתוח משימה הן:
- צילום ווידאו של מהלך ביצוע המשימה.
- מדידת הגובה, טווח ההגעה והמיקום הצדי של הידיים ביחס לרגליים.
- מדידת המאמץ של הידיים. זה יכול להיות משקל, דחיפה, משיכה, צביטה או אחיזה. רוב סוגי המאמץ דורשים לפחות חמש מדידות. יש משימות שדורשות הערכה של מאמץ "טיפוסי" ומאמץ "מרבי", למשל, בהסעת כיסא גלגלים על פני שטיח.
- מדידת התדירות ומשך הזמן של המאמץ. אם יש שונות במשימה, הארגונום מבצע מספר מדידות ומחשב ממוצע.
- הזנת כל הנתונים לתוכנה מתאימה, כמו תוכנת Work(s), שמעריכה עד כמה המשימה קשה עבור "המשתמש המגביל" (אם העובד הזה הוא בטוח, גם עובדים חזקים ממנו יהיו בטוחים. הבחירה מבוססת על כלל אוכלוסיית העובדים, אך ישנה שאיפה להגן על 75% מהם, לפחות).
מה עושה הבינה המלאכותית?
ישנו מגוון יישומים של בינה מלאכותית בתחום הארגונומיה, החל מתוכנות שמשתמשות ב"לכידת תנועה" (ללא סמנים) ועד תוכנות להערכה ארגונומית אוטומטית. כלי הבינה המלאכותית יוצרים דו"חות יפים, פשוטים ומקודדים בצבעים, שמציגים דירוג סיכון.
"לכידת תנועה" (ללא סמנים) היא כיום הטכנולוגיה "החמה" בעולם הבטיחות, ולעיתים קרובות משולבת עם תוכנות למידת מכונה ליצירת כלים להערכה ארגונומית. היא מאפשרת למשתמש לנתח סרטון קצר ולחשב כמה זמן עובד שוהה בתנוחות מסוימות, למשל עם זרועות ורגליים כפופות קדימה.
הטכנולוגיה משווה את נתוני החשיפה שהתקבלו בווידאו לכלי הערכה RULA, המבוסס על ההנחה שיציבה לא נוחה וחוזרת על עצמה קשורה לסיכון גבוה יותר לפציעה, במיוחד כאשר היא משולבת עם דרישות כוח גבוהות. המודל הזה מהווה כלי סינון – הוא מדרג את הסיכון בסולם של 1 עד 7, כאשר 1–2 מציינים "סיכון מזערי, אין צורך בפעולה", והוא כולל שני ספי כוח: 2 ק"ג ו-10 ק"ג. נדיר למצוא עבודה שמקבלת דירוג סיכון נמוך.
ישנם כלים מבוססי בינה מלאכותית שיכולים לנתח את הדרישות עבור עבודה הכוללת הרמה, הורדה, דחיפה קדימה תוך כדי הליכה, משיכה אחורה, תוך כדי הליכה או נשיאה.
כלי ניתוח ארגונומי משנת 1991 מאת Snook and Ciriello מראה את המשקל הבטוח עבור העובד, תחת תנאים שונים של יציבה ותדירות פעולה. התנאים בפיתוח הכלי כללו משימות המתבצעות עם שתי הידיים, "טיפול" במשקלים, דחיפה קדימה / משיכה אחורה תוך כדי הליכה, ללא פיתול ובאחיזה טובה.
כלים אחרים מבוססי בינה מלאכותית משתמשים בכלי ניתוח לא מזוהים, כך שהמשתמש נדרש פשוט לסמוך על כך שהמפתחים מצאו ויישמו כלים מתאימים.
מה הבינה המלאכותית עדיין אינה עושה?
להערכת קרי טיילור הארגונומית, כיום אף אחד מהמודלים של הבינה המלאכותית אינו טוב בהערכת עומסים על הגוף בשלושה ממדים. המשמעות היא שהם כמעט תמיד מתעלמים או מעריכים בחסר את הסיכון הקשור בכיפוף או הושטת יד לצדדים, פיתול, עומסים ביד אחת, אחיזה חזקה או צביטה, ודחיפה בכל כיוון שאינו קדימה או אחורה.
הערכת הסיכון הקשור ל"כוח" היא בסיסית, במקרה הטוב. רוב התוכנות מאפשרות "לדלג" על נתוני הכוח לחלוטין, או להעריך את הכוח באופן גס. דבר שאינו מתקבל על הדעת, משום שכוח הוא ככל הנראה הגורם החשוב ביותר. רמת הכוח, כיוונו, וסוג האחיזה - כולם קריטיים בהערכת סיכון.
אפשר לבחון את השאלות הבאות:
- אם היית נדרש להתכופף כדי למשוך מגירת תיוק תחתונה ריקה לכיוון גופך, האם היית בסיכון גבוה לפציעה? (כנראה שלא)
- ומה אם המגירה הייתה מלאה בספרים וכוח המשיכה הנדרש היה כ-13.6 ק"ג?
- ומה אם הייתה למגירה ידית קטנה אחת בלבד, שמאפשרת משיכה רק עם שתי אצבעות?
- ומה אם לא היה מספיק מקום לעמוד מול המגירה ולמשוך אותה לכיוון הגוף?
- האם הסיכון שלך היה גבוה יותר אם היית עומד בצד המגירה ומושך אותה הצידה, עם שתי אצבעות?
אם איננו מבינים את העומס, את כיוון העומס, ואת האופן שבו המפעיל מתקשר עם העומס (באמצעות אחיזה), איננו יכולים להעריך את הסיכון בצורה נכונה.
בדיקת הנתונים בתוכנה
הרצת המשתנים שלעיל בכלי הניתוח Ergo Work(s), המשתמש במודל ביומכני / עייפות כדי לחשב יחס של "דרישה / יכולת" נתנה את התוצאות הבאות:
| משימה |
יחס דרישה/יכולת |
| פתיחת מגירת תיוק ריקה |
0.47 |
| פתיחת מגירת תיוק עמוסה |
1.06 |
| פתיחת מגירת תיוק עמוסה עם שתי אצבעות |
1.33 |
| פתיחת מגירת תיוק עמוסה מהצד עם שתי אצבעות |
2.95 |
| פתיחת מגירת תיוק ריקה 25 פעמים |
0.48 |
אם היחס "דרישה / יכולת" גבוה מאחד, המשימה אינה מתקבלת, כאשר המטרה היא שמשימות יתקבלו עבור 75% מאוכלוסיית העובדים, לפחות.
ניתוח וידאו יכול לאתר את תדירות החזרה של העבודות, אם מעריכים מחזור עבודה מלא. תדירות ביצוע המשימה היא גורם חשוב בהערכת סיכון. לצורך העניין, עדיף למשוך מגירה ריקה 25 פעמים, מאשר למשוך מגירה מלאה הצידה עם שתי אצבעות, פעם אחת. אך אם לא מתחשבים בכוח הנדרש, הכלים הזמינים כיום ידווחו על משיכת המגירה הריקה באופן חוזרני כעל סיכון גבוה יותר.
נוסף על כך, הבינה המלאכותית אינה טובה במיוחד בהערכת עומסים על המרפקים, פרקי היד או הידיים. קשה להעריך את המפרקים האלה באמצעות וידאו, משום שהם לעיתים קרובות מוסתרים על ידי בגדים, גוף העובד או ציוד אחר. אם מקום העבודה כולל עבודה אינטנסיבית עם הידיים, לכידת תנועה ללא סמנים, יכולה לאכזב.
הבינה המלאכותית יכולה לחזות את ההשפעה של שינוי מוצע על הסיכון לפציעה ולהעריך את הסיכון רק עבור העובד שמופיע בפועל בסרטון, ולא עבור עובד נמוך או גבוה ממנו. עובד אחר אינו יכול לומר: "אם אוריד את גובה השולחן ב -15 ס"מ, האם הסיכון יפחת לרמה מקובלת?" הערכה ארגונומית טובה צריכה להעניק לעובד ביטחון שהשינוי המוצע יפחית את הסיכון. העובד צריך להבין את ההשפעה של הפחתת כוח המשיכה של המגירה, יצירת מרווח טוב יותר לעמידה מולה, או אופטימיזציה של עיצוב הידית, כדי שניתן יהיה לבחור את הפתרון היעיל ביותר.
רוב כלי הבינה המלאכותית מבצעים ניתוחים בתוך "קופסה שחורה". רק המפתחים יודעים בדיוק כיצד הכלי מחשב את הציון בהתבסס על עומסים מצטברים, או כיצד הוא מתחשב בכיוון ובגודל הכוח.
אמנם, כיום ניתן להגיע לרמת דיוק סבירה במדידה, למשל מדידת מיקום הידיים והגב, באמצעות מצלמה אחת בלבד, בעוד שבעבר נדרשו שלוש מצלמות וסמנים מחזירי אור שהודבקו על אנשים שלבשו חליפות גוף כדי ללכוד נתוני וידאו, והיה נדרש לנתח את הסרטון, פריים אחר פריים, וללחוץ עם העכבר על כל סמן. אך כלי הבינה המלאכותית אינם עוברים אימות אמתי, כלומר, הבטחת איכות לכידת דפוסי התנועה, לכן לא ניתן לומר שהם חוזים את הסיכון לפציעות מאמץ.
ארגונומים ממגוון ארגונים פרטיים וציבוריים הביעו דאגה לגבי השימוש בכלים שלא עברו אימות (אף אחד לא באמת יודע אם ציון גבוה קשור לשיעור גבוה של פציעות), שלא ניתן לבדוק אותם באופן פתוח וחופשי, ושנעשה בהם שימוש נרחב ללא מדידת כוח מתאימה. כמו כן, הארגונומים מביעים דאגה מכך שארגונים שיאמצו את הטכנולוגיה הזו ללא מומחיות ארגונומית מתאימה יהיו מתוסכלים ויוותרו, דבר שעלול לפגוע בתדמית התחום כולו.
הפעולה המיטבית המצופה מכלי הבינה המלאכותית
כאשר שוקלים לאמץ טכנולוגיה חדשה, מומלץ לוודא שהיא אכן תשיג את המטרה.
אנו מעוניינים שכלי הבינה המלאכותית יוכלו לבצע את הדברים הבאים:
- איסוף כל הנתונים הדרושים לנו בצורה מדויקת ופשוטה.
- שימוש במודל מדעי מוכר כדי להתחשב בחשיפה לתנוחות גוף חוזרות, ממושכות, מאומצות ולא נוחות - כולל ידיים, פרקי יד, מרפקים, כתפיים, צוואר וגב - בשלושה ממדים.
- דיווח על הסיכון כערך אחד, שיאפשר לתעדף פרויקטים מרובים.
- סיוע בהערכת פתרונות אפשריים למשימות בסיכון גבוה. המודל צריך להיות רגיש מספיק כדי להתחשב בשינויים קטנים במיקום היד, בכוח, בתדירות ובמשך המשימה.