GitHub lanza un agente de IA que revisa y corrige errores de accesibilidad

GitHub experimenta con un agente de IA que revisa la accesibilidad del código y corrige automáticamente los errores habituales que dificultan la vida a los usuarios de tecnologías de asistencia, como los lectores de pantalla.

Cómo funciona el agente

Al principio el equipo probó una arquitectura monolítica: un único agente grande para todo. Pero requería demasiados tokens y había una alta probabilidad de alucinaciones. Por eso GitHub rediseñó el sistema en dos niveles.

En el nivel superior trabaja un orquestador principal. Enruta las solicitudes, valida los resultados y gestiona la escalación. En el nivel inferior trabajan dos agentes especializados, uno tras otro: primero un revisor examina el código en modo de solo lectura y encuentra los problemas; después un implementador genera las correcciones o se limita a dar pistas.

Los agentes no hablan directamente entre sí: se comunican únicamente mediante plantillas rígidas y predefinidas. Esto reduce el consumo de tokens y elimina casi por completo las alucinaciones. Cada paso se ejecuta en un orden estricto y fijo, como si las correcciones las hiciera un especialista humano en accesibilidad.

Qué problemas corrige

El agente detecta cinco categorías principales de errores:

• Marcado semántico incorrecto: cuando las etiquetas HTML no reflejan el significado y la estructura del contenido
• Nombres deficientes de los controles: botones y campos de entrada sin `<label>` claros ni atributos aria
• Ausencia de anuncios de estado: cuando el sistema no comunica los cambios de estado (por ejemplo, errores de validación)
• Falta de alternativas textuales para las imágenes: ausencia del atributo `alt`
• Navegación lógica confusa: cuando el foco del teclado se mueve de forma impredecible o incorrecta

Durante el piloto, el agente procesó 3535 pull requests y corrigió los problemas en el 68% de los casos. Para los usuarios que dependen de lectores de pantalla y otras tecnologías de asistencia, supone una diferencia real en la usabilidad de GitHub.

Dificultades y mecanismos de protección

GitHub se topó con una paradoja curiosa: los modelos de lenguaje se entrenan con décadas de código histórico, que incluye multitud de ejemplos de mala accesibilidad. Por eso los propios modelos suelen generar los mismos antipatrones de accesibilidad que hay que corregir. Por ejemplo, pueden olvidar el `<label>` de un input o proponer una estructura aria incorrecta.

El equipo añadió varios mecanismos de protección. Primero, el agente no toca en absoluto los patrones complejos (interfaces drag-and-drop, tree view, data grid): los envía a revisión humana, porque requieren una experiencia profunda. Segundo, un script analiza la complejidad del código; si supera un umbral, el agente pasa al modo guidance-only en lugar de intentar generar código por su cuenta.

También resultó que los datos históricos pesan más que las instrucciones genéricas. GitHub usó su propia base de 3,5 mil errores registrados y corregidos manualmente, acumulados a lo largo de los años. Esos ejemplos reales de su propio código fueron los que mejor ayudaron al agente a aprender a trabajar y a generar correcciones relevantes.

Qué significa

La IA no resuelve sola el problema de la accesibilidad. Pero acelera notablemente el trabajo y ayuda a detectar errores en una fase temprana. GitHub planea publicar el código fuente del agente para que otros proyectos y empresas puedan aplicarlo a su propio código. Podría convertirse en un estándar para comprobar la accesibilidad en pipelines de CI/CD.