GitHub lance un agent IA pour vérifier et corriger les erreurs d'accessibilité

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

Comment fonctionne l'agent

Au départ, l'équipe a essayé une architecture monolithique — un seul grand agent pour tout. Mais cela consommait trop de tokens et risquait de générer des hallucinations. GitHub a donc restructuré le système en deux niveaux.

Au niveau supérieur, un orchestrateur principal achemine les demandes, valide les résultats et gère l'escalade. Au niveau inférieur, deux agents spécialisés travaillent l'un après l'autre : d'abord un relecteur qui vérifie le code en mode lecture seule et identifie les problèmes, puis un implémenteur qui génère soit des corrections, soit simplement des suggestions. Les agents ne communiquent pas directement — ils échangent uniquement via des templates rigides et prédéfinis.

Cela réduit la consommation de tokens et élimine presque complètement les hallucinations. Chaque étape s'exécute dans un ordre strict et fixe — comme si les corrections étaient faites par un expert humain en accessibilité.

Quels problèmes l'agent corrige-t-il ?

L'agent détecte cinq catégories principales d'erreurs :

• Balisage sémantique incorrect — quand les balises HTML ne reflètent pas le sens et la structure du contenu
• Mauvais noms d'éléments de contrôle — boutons et champs d'entrée sans labels compréhensibles ou attributs aria
• Absence d'annonces de statut — quand le système n'informe pas des changements d'état (par exemple, les erreurs de validation)
• Absence d'alternatives textuelles pour les images — attribut `alt` manquant
• Navigation logique confuse — quand le focus clavier se déplace de manière imprévisible ou incorrecte

Pendant le pilote, l'agent a traité 3 535 pull requests et a corrigé les problèmes dans 68% des cas. Pour les utilisateurs qui dépendent des lecteurs d'écran et d'autres technologies d'assistance, c'est une réelle différence en termes de facilité d'utilisation de GitHub.

Défis et mécanismes de protection

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

L'équipe a ajouté plusieurs mécanismes de protection. D'abord, l'agent ne touche pas du tout aux modèles complexes — les interfaces drag-and-drop, tree view, data grid — ceux-ci sont envoyés pour révision humaine, car ils nécessitent une expertise approfondie. Deuxièmement, il existe un script qui analyse la complexité du code ; si elle dépasse un certain seuil, l'agent passe en mode guidance-only au lieu de tenter de générer du code indépendamment.

Il s'est également avéré que les données historiques sont plus critiques que les instructions généralisées. GitHub a utilisé sa propre base de 3 500 erreurs manuellement loggées et corrigées, accumulées au fil des ans. Ce sont précisément ces exemples réels de son propre code qui ont aidé l'agent à apprendre au mieux et à générer des corrections pertinentes.

Ce que cela signifie

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