IA na Acessibilidade: Do Caos à Resolução Contínua

Olá, sou Jackson, Engenheiro de Software Sênior e Arquiteto de Soluções da AITY. Hoje, quero compartilhar como a Inteligência Artificial pode revolucionar a forma como lidamos com o feedback de acessibilidade, transformando desafios complexos em soluções contínuas e eficientes. A acessibilidade é crucial, mas sua gestão em escala pode ser um verdadeiro desafio.

O Desafio da Acessibilidade em Grande Escala

Durante anos, o feedback de acessibilidade muitas vezes carecia de um caminho claro. Diferente do feedback de produto comum, as questões de acessibilidade não pertencem a uma única equipe; elas se estendem por todo o ecossistema de software. Imagine um usuário de leitor de tela que reporta um fluxo de trabalho que abrange navegação, autenticação e configurações, ou um usuário apenas de teclado que encontra uma armadilha em um componente compartilhado em dezenas de páginas. Nenhuma equipe isoladamente é proprietária desses problemas, mas cada um deles bloqueia uma pessoa real.

Esse cenário frequentemente resultava em:

Feedback espalhado por diversos backlogs.
Bugs sem proprietários definidos.
Usuários aguardando respostas em silêncio.
Melhorias prometidas para uma "fase dois" que raramente se concretizava.

Reconhecemos a necessidade de mudança. Antes de construir algo melhor, estabelecemos as bases: centralizamos os relatórios dispersos, criamos modelos padronizados e organizamos anos de backlog. Somente com essa fundação sólida pudemos então perguntar: como a IA pode simplificar isso?

Arquitetura Orientada a Eventos com IA

A resposta foi um fluxo de trabalho interno, alimentado por GitHub Actions, GitHub Copilot e GitHub Models, garantindo que cada feedback de usuário e cliente se tornasse uma issue rastreada e priorizada. Não queríamos que a IA substituísse o julgamento humano, mas sim que lidasse com o trabalho repetitivo, permitindo que os humanos se concentrassem na correção do software.

Essa abordagem transformou o caos em um sistema onde o feedback de acessibilidade é:

Rastreado
Priorizado
Agido de forma contínua

Esta "IA Contínua para Acessibilidade" tece a inclusão na estrutura do desenvolvimento de software. Não é um produto isolado ou uma auditoria única, mas uma metodologia viva que combina automação, inteligência artificial e expertise humana.

Detalhes do Fluxo de Trabalho Automatizado

Nosso sistema foi projetado para servir a várias personas: submissores de feedback, equipe de acessibilidade, engenheiros, gerentes de produto e liderança. Com isso em mente, tratamos o feedback como dados fluindo através de um pipeline e construímos um sistema capaz de evoluir.

Adotamos uma arquitetura orientada a eventos, onde cada passo aciona um GitHub Action que orquestra o que vem a seguir, garantindo um tratamento consistente, independentemente da origem do feedback. Ferramentas como Agentic Workflows agora permitem criar GitHub Actions usando linguagem natural, acelerando drasticamente o processo de construção.

O fluxo de trabalho reage a eventos chave:

Criação de Issue: Lança a análise do GitHub Copilot via GitHub Models API.
Mudanças de Status: Iniciam as transições entre equipes.
Resolução: Aciona o acompanhamento com o usuário.

Cada Action pode ser acionada manualmente ou reexecutada conforme necessário. A automação cobre o caminho comum, enquanto os humanos podem intervir a qualquer momento.

Análise Inteligente com GitHub Copilot

Quando o feedback requer ação de equipes internas, um membro da equipe cria manualmente uma issue de rastreamento usando nosso modelo de issue de feedback de acessibilidade personalizado. Este modelo padroniza a coleta de informações e captura o contexto inicial.

É aqui que a automação entra em ação:

A criação da issue dispara um GitHub Action que engaja o GitHub Copilot.
Uma segunda Action adiciona a issue a um quadro de projeto, centralizando a visualização do status e identificando tendências.

O fluxo de trabalho chama programaticamente a GitHub Models API para analisar o relatório. Optamos por prompts armazenados em vez de fine-tuning de modelo. Isso permite que qualquer membro da equipe atualize o comportamento da IA através de um pull request, sem a necessidade de pipeline de retreinamento ou conhecimento especializado em ML.

Configuramos o GitHub Copilot usando instruções personalizadas desenvolvidas por nossos especialistas em acessibilidade. Nosso prompt desempenha dois papéis:

Análise de Triagem: Classifica as issues por violação WCAG, severidade e grupo de usuários afetados.
Coaching de Acessibilidade: O GitHub Copilot atua como especialista para ajudar as equipes a escrever e revisar código acessível.

Esses arquivos de instrução referenciam nossas políticas de acessibilidade, biblioteca de componentes e documentação interna que detalha como interpretamos e aplicamos os critérios de sucesso WCAG. Quando nossos padrões evoluem, a equipe atualiza os arquivos markdown e de instrução via pull request, e o comportamento da IA muda na próxima execução, não no próximo ciclo de treinamento.

# .github/copilot-instructions.md

// Custom instructions for GitHub Copilot in this repository.
// For more details, see: https://docs.github.com/copilot/custom-instructions

Priorize a detecção de problemas de acessibilidade WCAG 2.1 AA.
Classifique a severidade de contrastes de cores baixos como "Média".
Forneça passos detalhados de reprodução e contexto para usuários de leitores de tela.
Ao sugerir código, garanta que atributos ARIA e a navegabilidade por teclado sejam incluídos.

A automação funciona em duas etapas:

Primeira Ação: Disparada na criação da issue, o GitHub Copilot analisa o relatório, preenchendo aproximadamente 80% dos metadados da issue (mais de 40 pontos de dados), e posta um comentário detalhando a análise de triagem, passos de reprodução, checklist de teste e mapeamento WCAG.
Segunda Ação: Disparada pelo comentário, analisa a resposta, aplica rótulos com base na severidade atribuída pelo Copilot, atualiza o status da issue no quadro de projeto e a atribui ao submissor para revisão.

Validação Humana e Resolução Colaborativa

Antes de agirmos sobre as recomendações do GitHub Copilot, ocorrem duas camadas de revisão, começando com o submissor da issue.

Revisão do Submissor: O submissor tenta replicar o problema usando o checklist fornecido pelo GitHub Copilot, que guia através de procedimentos de teste especializados sem exigir expertise em acessibilidade. Se o problema for replicado, a issue é marcada como revisada. Caso contrário, mais detalhes são solicitados ao usuário e a análise do Copilot pode ser reexecutada. A IA fornece o rascunho, mas os humanos fornecem a verificação.
Revisão da Equipe de Acessibilidade: Após a validação do submissor, a issue é movida para um quadro de "primeiro respondedor", alertando a equipe de acessibilidade. A equipe valida a análise do Copilot, corrigindo quaisquer erros. Em caso de discrepância, a presunção é que o humano está correto, e essas correções são usadas para refinar os arquivos de prompt, melhorando a precisão futura.

Com um caminho definido, a equipe marca a issue como triada, e o submissor comunica o plano ao usuário. Cerca de 75-80% das issues reportadas correspondem a algo que já sabemos por auditorias internas, permitindo priorizar com base no impacto real. Se for algo novo, uma nova issue de auditoria é criada e vinculada.

Loop de Melhoria Contínua

A confiança do usuário é fundamental. Uma vez que um caminho de resolução é estabelecido, o submissor informa o usuário sobre o plano. Quando a correção é implementada, o submissor faz um acompanhamento e pede ao usuário para testá-la. Não fechamos as issues até que o usuário confirme que a correção funciona para eles.

O fluxo de trabalho também se alimenta de volta. Inaccuracies na saída do GitHub Copilot são reportadas como novas issues, e essas correções se tornam pull requests para os arquivos de instrução e prompt. Além disso, um GitHub Action separado escaneia nosso repositório de guias de acessibilidade semanalmente, incorporando mudanças nas instruções do Copilot automaticamente.

O objetivo não é a perfeição, mas a melhoria contínua. Revisamos métricas de precisão trimestralmente, refinamos nossas instruções e geramos relatórios sobre tempos de resolução, padrões de falha WCAG e tendências de volume de feedback, fornecendo visibilidade à liderança sobre o progresso e as lacunas persistentes. O sistema se torna mais inteligente com o tempo, e agora temos os dados para provar isso.

Resultados Transformadores

Há um ano, quase metade do feedback de acessibilidade permanecia sem solução por mais de 300 dias. Hoje, esse backlog não é apenas menor; ele desapareceu. Monitoramos isso através de relatórios automatizados, identificando os critérios WCAG que mais falham e como os tempos de resolução evoluem.

Um usuário chamado James relatou que a CLI do GitHub Copilot estava inacessível. O fluxo de trabalho de IA identificou o problema corretamente, e descobrimos que uma atualização já havia sido lançada. Em horas, transformamos frustração em resolução. O mais gratificante, contudo, é o feedback dos usuários: "Essa independência é o ponto."

É crucial lembrar que a IA não substitui a fundação humana: anotações de design, scanners de código, campeões de acessibilidade e testes com pessoas com deficiência. Eles são o que tornam os fluxos de trabalho assistidos por IA eficazes. Sem essa base humana, a IA é apenas uma maneira mais rápida de perder o ponto.

Estamos sempre aprendendo e o sistema continua a evoluir. Se você mantém um repositório, pode construir este tipo de sistema hoje. Comece pequeno: crie um modelo de issue para acessibilidade, adicione um arquivo .github/copilot-instructions.md com os padrões de acessibilidade da sua equipe. Deixe a IA lidar com a triagem e formatação para que sua equipe possa focar no que realmente importa: escrever código mais inclusivo. E, se você encontrar uma barreira de acessibilidade, por favor, compartilhe seu feedback. Não desaparecerá em um backlog; estamos ouvindo e agora temos o sistema para agir.