GitHub lançou um agente de IA para verificar e corrigir erros de acessibilidade

GitHub experimenta com um agente de IA que verifica a acessibilidade do código e corrige automaticamente erros típicos que prejudicam usuários de tecnologias assistivas, como leitores de tela.

Como o agente funciona

Inicialmente, a equipe tentou uma arquitetura monolítica — um grande agente para tudo. Mas isso exigia muitos tokens e havia alta probabilidade de alucinações. Então GitHub redesenhou o sistema em dois níveis.

No nível superior funciona o orquestrador principal. Ele roteia solicitações, valida resultados e gerencia escalação. No nível inferior, dois agentes especializados trabalham em sequência: primeiro o revisor verifica o código em modo somente leitura e encontra problemas, depois o implementador ou gera correções ou simplesmente oferece sugestões.

Os agentes não se comunicam diretamente — apenas por meio de modelos rígidos e predefinidos. Isso reduz o consumo de tokens e quase elimina completamente alucinações. Cada etapa é executada em ordem rigorosa e fixa — como se as correções fossem feitas por um especialista humano em acessibilidade.

Quais problemas o agente corrige

O agente captura cinco categorias principais de erros:

• Marcação semântica incorreta — quando as tags HTML não refletem o significado e a estrutura do conteúdo
• Nomes ruins de elementos de controle — botões e campos de entrada sem `<label>` ou atributos aria claros
• Falta de anúncios de status — quando o sistema não comunica mudanças de estado (por exemplo, erros de validação)
• Sem alternativas de texto 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 3.535 pull requests e corrigiu problemas em 68% dos casos. Para usuários que dependem de leitores de tela e outras tecnologias assistivas, essa é uma diferença real na usabilidade do GitHub.

Desafios e mecanismos de proteção

GitHub enfrentou um paradoxo interessante: os modelos de LLM foram treinados em décadas de código histórico, incluindo muitos exemplos de acessibilidade ruim. Portanto, os modelos frequentemente geram os mesmos anti-padrões de acessibilidade que precisam ser corrigidos. Por exemplo, podem esquecer sobre `<label>` para input ou sugerir uma estrutura aria incorreta.

A equipe adicionou vários mecanismos de proteção. Primeiro, o agente não toca em padrões complexos — interfaces drag-and-drop, tree view, data grid — isso é encaminhado para revisão humana, porque requer expertise profunda. Segundo, há um script que analisa a complexidade do código; se estiver acima do limite, o agente muda para modo apenas de orientação em vez de tentar gerar código independentemente.

Também ficou claro que dados históricos são mais críticos do que instruções generalizadas. GitHub usou sua própria base de 3.500 erros registrados manualmente e corrigidos, acumulados ao longo dos anos. Foram precisamente esses exemplos reais do próprio código que ajudaram o agente a aprender melhor como funcionar e gerar correções relevantes.

O que isso significa

A IA não resolve o problema de acessibilidade sozinha. Mas acelera significativamente o trabalho e ajuda a capturar erros em estágio inicial. GitHub planeja abrir o código-fonte do agente para que outros projetos e empresas possam aplicá-lo ao seu código. Isso pode se tornar um padrão para verificação de acessibilidade em pipelines CI/CD.