GitHub lança agente de IA que verifica e corrige erros de acessibilidade

O GitHub está testando um agente de IA que verifica a acessibilidade do código e corrige automaticamente erros comuns que atrapalham usuários de tecnologias assistivas, como leitores de tela.

Como o agente funciona

Inicialmente, a equipe tentou uma arquitetura monolítica: um único agente grande para tudo. Mas isso exigia tokens demais e havia alta probabilidade de alucinações. Por isso, o GitHub refez o sistema em dois níveis.

No nível superior, atua um orquestrador principal. Ele roteia as solicitações, valida os resultados e gerencia a escalação. No nível inferior, dois agentes especializados trabalham em sequência: primeiro um revisor analisa o código em modo somente leitura e encontra os problemas; depois um implementador gera as correções ou apenas oferece sugestões.

Os agentes não conversam diretamente: eles se comunicam apenas por meio de modelos rígidos e predefinidos. Isso reduz o consumo de tokens e elimina quase por completo as alucinações. Cada etapa é executada em uma ordem estrita e fixa, como se as correções fossem feitas por um especialista humano em acessibilidade.

Quais problemas ele corrige

O agente identifica cinco categorias principais de erros:

• Marcação semântica incorreta: quando as tags HTML não refletem o significado e a estrutura do conteúdo
• Nomes ruins para controles: botões e campos de entrada sem `<label>` claros ou atributos aria
• Falta de anúncios de status: quando o sistema não informa mudanças de estado (por exemplo, erros de validação)
• Ausência de alternativas textuais para imagens: falta do atributo `alt`
• Navegação lógica confusa: quando o foco do teclado se move de forma imprevisível ou incorreta

Durante o piloto, o agente processou 3535 pull requests e corrigiu problemas em 68% dos casos. Para usuários que dependem de leitores de tela e outras tecnologias assistivas, isso faz uma diferença real na usabilidade do GitHub.

Dificuldades e salvaguardas

O GitHub se deparou com um paradoxo curioso: os LLMs são treinados com décadas de código histórico, incluindo muitos exemplos de má acessibilidade. Por isso, os próprios modelos costumam gerar os mesmos antipadrões de acessibilidade que precisam ser corrigidos. Por exemplo, podem esquecer o `<label>` de um input ou sugerir uma estrutura aria incorreta.

A equipe adicionou várias salvaguardas. Primeiro, o agente não mexe de forma alguma em padrões complexos (interfaces drag-and-drop, tree view, data grid): ele os encaminha para revisão humana, porque exigem experiência profunda. Segundo, um script analisa a complexidade do código; se ela passar de um limite, o agente muda para o modo guidance-only em vez de tentar gerar código por conta própria.

Também se constatou que dados históricos pesam mais do que instruções genéricas. O GitHub usou sua própria base de 3,5 mil erros registrados e corrigidos manualmente, acumulados ao longo dos anos. Esses exemplos reais do próprio código foram o que mais ajudou o agente a aprender a trabalhar e a gerar correções relevantes.

O que isso significa

A IA não resolve sozinha o problema da acessibilidade. Mas acelera o trabalho de forma perceptível e ajuda a pegar erros logo no início. O GitHub planeja abrir o código-fonte do agente para que outros projetos e empresas possam aplicá-lo ao próprio código. Isso pode se tornar um padrão para verificar acessibilidade em pipelines de CI/CD.