GitHub lance un agent IA qui détecte et corrige les erreurs d'accessibilité

GitHub expérimente un agent IA qui vérifie l'accessibilité du code et corrige automatiquement les erreurs courantes qui gênent les utilisateurs de technologies d'assistance, comme les lecteurs d'écran.

Comment fonctionne l'agent

L'équipe a d'abord essayé une architecture monolithique : un seul gros agent pour tout faire. Mais elle consommait trop de tokens et le risque d'hallucinations était élevé. GitHub a donc refondu le système sur deux niveaux.

Au niveau supérieur, un orchestrateur principal route les requêtes, valide les résultats et gère l'escalade. Au niveau inférieur, deux agents spécialisés travaillent l'un après l'autre : d'abord un réviseur examine le code en lecture seule et repère les problèmes, puis un implémenteur génère les correctifs ou se contente de donner des pistes.

Les agents ne se parlent pas directement : ils communiquent uniquement via des modèles rigides et prédéfinis. Cela réduit la consommation de tokens et élimine presque entièrement les hallucinations. Chaque étape s'exécute dans un ordre strict et fixe, comme si les corrections étaient faites par un spécialiste humain de l'accessibilité.

Quels problèmes il corrige

L'agent détecte cinq grandes catégories d'erreurs :

• Balisage sémantique incorrect : les balises HTML ne reflètent pas le sens et la structure du contenu
• Mauvais noms de contrôles : boutons et champs de saisie sans `<label>` clair ni attributs aria
• Absence d'annonces d'état : le système ne signale pas les changements d'état (par exemple, les erreurs de validation)
• Pas d'alternatives textuelles pour les images : attribut `alt` manquant
• Navigation logique confuse : le focus du clavier se déplace de façon imprévisible ou incorrecte

Pendant le pilote, l'agent a traité 3535 pull requests et corrigé les problèmes dans 68% des cas. Pour les utilisateurs qui dépendent des lecteurs d'écran et d'autres technologies d'assistance, cela change réellement l'usage de GitHub.

Difficultés et garde-fous

GitHub a rencontré un paradoxe intéressant : les LLM sont entraînés sur des décennies de code historique, qui comprend quantité d'exemples de mauvaise accessibilité. Les modèles génèrent donc souvent eux-mêmes les antipatterns d'accessibilité qu'il faut corriger. Par exemple, ils peuvent oublier le `<label>` d'un input ou proposer une structure aria incorrecte.

L'équipe a ajouté plusieurs garde-fous. D'abord, l'agent ne touche pas du tout aux motifs complexes (interfaces drag-and-drop, tree view, data grid) : il les renvoie à une relecture humaine, car ils exigent une expertise approfondie. Ensuite, un script analyse la complexité du code ; au-delà d'un seuil, l'agent passe en mode guidance-only au lieu d'essayer de générer du code seul.

Il s'est aussi avéré que les données historiques comptent plus que les instructions génériques. GitHub a utilisé sa propre base de 3,5 mille erreurs consignées et corrigées manuellement, accumulées au fil des ans. Ce sont ces exemples réels tirés de son propre code qui ont le plus aidé l'agent à apprendre à travailler et à générer des correctifs pertinents.

Ce que cela signifie

L'IA ne résout pas seule le problème de l'accessibilité. Mais elle accélère nettement le travail et aide à repérer les erreurs tôt. GitHub prévoit d'ouvrir le code source de l'agent afin que d'autres projets et entreprises puissent l'appliquer à leur propre code. Il pourrait devenir un standard pour vérifier l'accessibilité dans les pipelines CI/CD.