GitHub lanzó un agente de IA para detectar y corregir errores de accesibilidad

GitHub experimenta con un agente de IA que verifica la accesibilidad del código y corrige automáticamente errores comunes que dificultan a los usuarios de tecnologías de apoyo como lectores de pantalla.

Cómo funciona el agente

Inicialmente, el equipo probó una arquitectura monolítica —un gran agente para todo. Pero esto requería demasiados tokens y tenía una alta probabilidad de alucinaciones. Por eso, GitHub rediseñó el sistema en dos niveles.

En el nivel superior funciona el orquestador principal. Enruta solicitudes, valida resultados y gestiona la escalación. En el nivel inferior trabajan dos agentes especializados, uno tras otro: primero el revisor examina el código en modo de solo lectura y encuentra problemas, luego el implementador genera correcciones o simplemente proporciona sugerencias.

Los agentes no se comunican directamente —se comunican solo a través de plantillas rígidas y predefinidas. Esto reduce el consumo de tokens y prácticamente elimina 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 elementos de control —botones y campos de entrada sin `<label>` claros o atributos aria
• Falta de anuncios de estado —cuando el sistema no comunica cambios de estado (por ejemplo, errores de validación)
• Falta de alternativas de texto para imágenes —ausencia del atributo `alt`
• Navegación lógica confusa —cuando el foco del teclado se mueve de manera impredecible o incorrecta

Durante la prueba piloto, el agente procesó 3.535 pull requests y corrigió problemas en el 68% de los casos. Para usuarios que dependen de lectores de pantalla y otras tecnologías de apoyo, esta es una diferencia real en la facilidad de uso de GitHub.

Desafíos y mecanismos de protección

GitHub se enfrentó a una paradoja interesante: los modelos LLM se entrenan con décadas de código histórico, incluyendo numerosos ejemplos de accesibilidad deficiente. Por lo tanto, los modelos frecuentemente generan los mismos antipatrones de accesibilidad que se necesitan corregir. Por ejemplo, pueden olvidar `<label>` para un input o proponer una estructura aria incorrecta.

El equipo agregó varios mecanismos de protección. En primer lugar, el agente no toca patrones complejos —interfaces drag-and-drop, tree view, data grid— los envía a revisión humana porque requieren experiencia profunda. En segundo lugar, hay un script que analiza la complejidad del código; si supera un umbral, el agente cambia al modo de solo orientación en lugar de intentar generar código de forma independiente.

También resultó que los datos históricos son más críticos que las instrucciones generalizadas. GitHub utilizó su propia base de 3.500 errores registrados manualmente y corregidos, acumulados a lo largo de los años. Fueron estos ejemplos reales de su propio código los que ayudaron al agente a aprender mejor y generar correcciones relevantes.

Qué significa esto

La IA no resuelve el problema de la accesibilidad por sí sola. Pero acelera notablemente el trabajo y ayuda a detectar errores en las primeras etapas. GitHub planea abrir el código fuente del agente para que otros proyectos y empresas puedan aplicarlo a su código. Esto podría convertirse en un estándar para la verificación de accesibilidad en pipelines de CI/CD.