核心結論
先選風險明確、規則容易說清楚、畫面可取得，而且告警後確實有人能處置的單一場景，例如固定區域的 PPE 規範或禁入區。不要一開始監控整廠。先盤點危害、現有控制、事件量與負責人，再確認 AI 是補強盲區，而不是取代護欄、聯鎖或巡查。
執行摘要
核心觀察：電腦視覺可以協助辨識個人防護具，但偵測結果只是風險訊號，不是事故已被預防。NIOSH 的控制層級把消除、替代與工程控制置於行政控制和個人防護具之前；原始研究也顯示，低照度、粉塵、遮擋與多人重疊會影響人員和裝備配對。[1][2][3] 行動建議：先把每一類告警接到現場確認、立即處置、升級與根因改善，影像只保留完成安全目的所需的最少範圍，並向員工說明資料如何蒐集、使用與保存。研究中的模型指標與個案觀察不能直接當作台灣工廠的成效或法律合規證明。[4][5][6]
先把危害放在畫面之前
不少工安 AI 專案從攝影機能看見什麼開始，最後把未戴安全帽、未穿反光背心或進入管制區做成即時告警。但 NIOSH 的控制層級把消除、替代與工程控制放在行政控制和 PPE 之前。[1] 對中小企業而言，第一題不應是鏡頭要裝哪裡，而是這個危害能否先由設備、護欄、動線或作業設計排除。
預防設計強調在規劃階段辨識危害，納入工作者意見並由不同專業共同修正。[2] 因此 AI 適合補上巡查盲區、縮短通報時間與留下改善證據，卻不應讓管理者只在畫面上責備個人。每次重複告警都要問：為何人員會進入危險區？PPE 是否合用？現場是否存在更高層級的控制選項？
把告警接成現場處置
同一個未戴安全帽畫面，在休息區、物料通道與吊掛作業區的風險完全不同。導入前要把區域、作業階段、必要 PPE、例外情境與風險等級寫成規則，再為每一級告警指定確認人、最晚回應時間、暫停作業或疏散條件，以及何時通知主管。否則 AI 只會增加一個沒人負責的訊息來源。
地下工程研究顯示，低照度、粉塵、遮擋與多人重疊會造成工作者和裝備配對困難；其模型把 8.9% 的不確定案例轉交人工覆核，而不是強迫二元判定。[3] 這是研究資料集的結果，不是台灣工廠的預期績效。實務驗收要用自己的鏡頭、班別、制服、工作姿態與環境測試，保留人工否決權。
安全監控也需要隱私邊界
影像 AI 同時記錄人員位置、行為與工作節奏，安全目的不會自動讓所有蒐集與使用都合理。NIOSH 將自主、隱私、偏誤、透明與責任列為工作場所 AI 的核心風險面向，並提醒通用原則仍需轉成特定情境的證據與管理方法。[4] 企業要先定義用途，再決定是否需要辨識身分及保存原始影像。
荷蘭金融機構的質性研究發現，員工即使起初接受監控，深入討論後仍會關切資料準確度、用途與流向；作者主張提高透明度、權利認知並保留人工介入。[5] 這個單一個案不能直接代表台灣現場，但提供一項實務提醒：上線前應讓員工知道看什麼、為何看、誰能看、保存多久及如何提出異議。
先影子運行再決定自動化
試點前四至八週可採影子模式：系統產生告警，但不直接停機、扣分或懲處；安全人員依既有程序確認，並回寫真實違規、看不清楚、規則不適用或模型誤判。NIOSH 也提醒，電腦視覺雖能支援安全監測，資料品質、資安、可解釋性與人工監督仍是部署條件。[6]
Lead Measure 可追蹤規則覆蓋率、告警有人承接比例、中位回應時間、人工覆核率、誤報與漏報，以及重複風險完成根因改善的比例；Lag Measure 再看近失事件、傷害頻率、停工與保險損失。這是穹境依來源提出的驗收架構，不是來源規定。只有流程與安全結果都改善，才逐步放行自動通報。
關鍵要點
偵測不是控制：AI 告警屬於辨識與行政支援，不能取代護欄、隔離、停機聯鎖或從源頭移除危害。
告警必須有人接：每一類事件都要有現場確認人、回應時限、處置選項、升級條件與結案證據。
不確定就交人工：遮擋、逆光、粉塵與多人重疊時，不應用低信心畫面自動懲處員工或宣告安全。
監控目的要說清楚：向員工交代鏡頭範圍、辨識目的、保存期間、存取者及申訴管道，並限制資料另作績效監控。
量測真正安全結果：除了模型指標，還要追蹤告警處理時間、重複風險、工程改善、近失事件與事故率。
參考來源
Hierarchy of Controls
美國國家職業安全衛生研究所（NIOSH） · 2024-04-10
https://www.cdc.gov/niosh/hierarchy-of-controls/about/index.htmlSafer Construction Through Design
美國國家職業安全衛生研究所（NIOSH） · 2026-09-09
https://www.cdc.gov/niosh/bulletin/2026/safer-construction-through-design.htmlVisual detection of workers’ personal protective equipment for underground construction safety management
Frontiers in Earth Science 原始研究 · 2026-07-08
https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2026.1878141/fullExploring Approaches to Keep an AI-Enabled Workplace Safe for Workers
美國國家職業安全衛生研究所（NIOSH） · 2024-09-09
https://www.cdc.gov/niosh/bulletin/2024/ai-risk-management.htmlPrivacy Challenges of AI-Enabled Monitoring in the Workplace
Journal of the Australian Library and Information Association 原始研究 · 2026-07-05
https://www.tandfonline.com/doi/full/10.1080/24750158.2026.2694614The Role of Artificial Intelligence in the Future of Work
美國國家職業安全衛生研究所（NIOSH） · 2021-05-24
https://www.cdc.gov/niosh/bulletin/2021/ai-fow.html常見問題
Q：中小企業做工安影像 AI，第一個場景應該選什麼？
A：先選風險明確、規則容易說清楚、畫面可取得，而且告警後確實有人能處置的單一場景，例如固定區域的 PPE 規範或禁入區。不要一開始監控整廠。先盤點危害、現有控制、事件量與負責人，再確認 AI 是補強盲區，而不是取代護欄、聯鎖或巡查。
Q：AI 偵測到沒戴安全帽，可以直接記員工違規嗎？
A：不建議直接記違規或啟動懲處。遮擋、角度、光線與多人重疊都可能誤判，也可能存在作業或區域例外。應先讓安全人員查看證據、確認適用規則並記錄處置；低信心或爭議事件要能撤銷與申訴。模型結果是調查線索，不是最終人事裁決。
Q：工安攝影機一定要辨識員工身分嗎？
A：不一定。若目的是即時提醒某區域存在風險，可能只需要匿名事件、區域與時間，不必長期保存人臉或個人軌跡。企業應先定義目的，再採最少資料、最短保存與最小存取權限；若確實需要身分資訊，也要清楚說明用途、保存、查閱與申訴機制。
Q：工安 AI 試點要看準確率還是事故率？
A：兩者都不夠。短期事故數少，單看事故率容易誤判；只看準確率又看不到告警是否被處理。試點應同時量測誤報、漏報、人工覆核率、回應時間、重複危害與根因改善，長期再觀察近失事件、傷害、停工與損失。每一項都要有基準期與比較期間。
Q：什麼時候可以讓工安 AI 自動停機或通報？
A：先在影子模式累積足夠案例，確認規則、鏡頭與不同工況下的誤報和漏報，再依風險分級。自動停機只適合已有安全工程設計、明確失效狀態、人工接管、事件紀錄與定期測試的有限情境；其他情況可先自動通知，由現場人員確認後執行處置。
由穹境科技 AI 情報系統生成 · 2026-09-30 · 資料來源見上方參考列表