El codi generat amb IA (intel·ligència artificial) sovint no compleix les WCAG (Web Content Accessibility Guidelines, pautes d’accessibilitat per al contingut web). Aquesta part no sorprèn. La majoria de webs tampoc no les compleixen, així que les dades d’entrenament són plenes de codi inaccessible.
El que sí que sorprèn passa durant la remediació d’accessibilitat: la feina d’arreglar codi que incompleix un criteri de compliment de les WCAG. La IA té problemes amb els patrons ARIA (Accessible Rich Internet Applications, aplicacions d’internet enriquides i accessibles) fins i tot quan li dono instruccions concretes.
Trobo el problema al codi existent. Explico exactament com s’arregla. La IA continua fent-ho malament.
El problema
Aquí tens 2 exemples de feina recent.
Exemple 1: pestanyes verticals
Vaig demanar a una IA que apliqués el patró ARIA de pestanyes (Tabs) a un codi existent. Va generar el patró per a pestanyes horitzontals en comptes de verticals.
Aquesta no és una decisió subtil. L’orientació de les pestanyes es veu llegint el codi. Li vaig assenyalar l’error i la IA va reescriure el patró només per a pestanyes verticals. No va escriure una implementació que funcionés amb les dues orientacions.
Exemple 2: una taula complexa
Vaig demanar a una IA que fes accessible una taula. La taula tenia diverses cel·les de capçalera de fila i de columna, més una fila final de totals. Vaig llistar exactament què volia:
- un títol de taula (
caption) - grups de files: capçalera, cos i peu de taula
- un atribut
idúnic a cada cel·la de capçalera - un atribut
headersa cada cel·la de dades, amb totes les seves cel·les de capçalera
La IA va enllaçar cel·les de dades amb cel·les de capçalera equivocades i se’n va deixar algunes de correctes. La regla és senzilla: una cel·la de dades pertany a les cel·les de capçalera de la seva fila i de la seva columna. Per què la IA no la sap aplicar?
Buscant una resposta
La meva primera hipòtesi va ser que el problema principal són les dades d’entrenament. La majoria de webs implementen malament les WCAG, així que el model veu pocs exemples correctes i molts de defectuosos.
Aquesta hipòtesi és massa simple. La majoria de persones cometen errors gramaticals i de mecanografia quan escriuen, i això no impedeix que la IA escrigui correctament.
Anem a veure la recerca.
Comparar el codi de la IA amb el codi humà
L’article «Human or LLM? A Comparative Study on Accessible Code Generation Capability» és el més proper al meu problema. LLM vol dir gran model de llenguatge (Large Language Model). L’estudi compara codi escrit per IA amb codi escrit per persones. També compara la generació de codi ingènua, en què el prompt no esmenta mai l’accessibilitat, amb codi millorat a base de prompts repetits.
La primera conclusió coincideix amb la meva experiència:
«LLMs excel at addressing basic accessibility requirements but struggle with complex accessibility requirements, particularly ARIA-related attributes, performing worse than human developers.»
Human or LLM? A Comparative Study on Accessible Code Generation Capability, Hyunjae Suh, Mahan Tafreshipour, Sam Malek i Iftekhar Ahmed, University of California, març del 2025
Dit de manera senzilla: la IA resol bé els requisits fàcils i queda per sota de les persones desenvolupadores en els difícils. ARIA és el punt més feble.
La segona conclusió és més interessant:
«Advanced prompting techniques consistently generate code with lower accessibility issues than human-written code, yet they fail to consistently surpass Naive Code Generation, indicating inherent limitations in addressing accessibility through prompting alone.»
Human or LLM? A Comparative Study on Accessible Code Generation Capability, Hyunjae Suh, Mahan Tafreshipour, Sam Malek i Iftekhar Ahmed, University of California, març del 2025
Dit de manera senzilla: els prompts millors superen el codi escrit per persones, però no superen de manera fiable el primer intent de la mateixa IA. El prompt, tot sol, té sostre. Els autors van provar les tècniques Zero-Shot, Few-Shot i Self-Criticism (3 maneres estàndard de plantejar una petició) i no van trobar cap millora significativa.
Després van proposar i provar un mètode anomenat FeedA11y. Té 3 passos:
- Generar el codi sense cap instrucció sobre accessibilitat.
- Elaborar un informe dels problemes d’accessibilitat, amb les regles de les eines d’avaluació que ja existeixen.
- Arreglar només els problemes de l’informe. No afegir-hi res més.
El resultat:
«FeedA11y consistently outperforms human-written code and all prompting techniques in accessibility, especially when leveraging Qwen2.5-Coder.»
Human or LLM? A Comparative Study on Accessible Code Generation Capability, Hyunjae Suh, Mahan Tafreshipour, Sam Malek i Iftekhar Ahmed, University of California, març del 2025
Això encaixa amb el que ja sabem de treballar amb IA:
- Demanar moltes coses alhora dona resultats inconsistents.
- Separar el context que escriu el codi del context que el revisa dona millors resultats.
- Definir com es mesurarà l’èxit sol funcionar millor que llistar els passos per arribar-hi. L’excepció és quan els passos mateixos importen.
Què diu la resta de la literatura
«Large Language Models for Web Accessibility: A Systematic Literature Review» (Wajdi Aljedaan, Saudi Data & AI Authority, i Rubel Hassan Mollik, University of North Texas, maig del 2026) és una metanàlisi, un estudi que combina els resultats d’altres estudis. Recull 38 articles sobre LLM i accessibilitat, així que ofereix una visió més àmplia que qualsevol experiment individual.
En destaquen 3 conclusions:
- Tots els estudis prenen les WCAG com a referència. Cap no fa servir material complementari com les orientacions COGA (Cognitive Accessibility, accessibilitat cognitiva).
- La majoria d’estudis proven LLM comercials habituals i tècniques de prompt. Pocs exploren altres models o arquitectures.
- La recerca es concentra en la semàntica i la perceptibilitat. Poques vegades tracta la càrrega cognitiva, la coherència de la navegació o la complexitat de les tasques.
L’article és directe sobre el que queda fora. Les persones amb discapacitat participen poc en els estudis i, quan hi participen, els grups són petits o heterogenis. Per tant, l’evidència mostra viabilitat tècnica i rendiment comparat, no «real-world usability or lived experience» (usabilitat real ni experiència viscuda).
D’aquí surt la conclusió més valuosa de la revisió: l’accessibilitat depèn del comportament humà, i les millores tècniques no ho canviaran.
Conclusions
La situació es divideix en dues parts.
- Tot allò que un ordinador pot detectar i mesurar es pot millorar. La major part d’aquesta millora ve de com dissenyes el pipeline (el flux de revisió i proves), no de com redactes el prompt.
- Tota la resta continua necessitant persones, incloses persones amb discapacitat, provant tasques reals.
Sobre la primera part pots actuar avui. Tracta el compliment de les WCAG com un estàndard tècnic dins del teu pipeline de revisió i proves. La IA t’hi pot ajudar: dona millors resultats quan el requisit és comprovable i treu incertesa de les regles fàcils d’implementar.
La segona part és on hi ha els guanys de veritat. L’accessibilitat cognitiva és la direcció cap on van les WCAG, i és l’àmbit que la recerca en IA amb prou feines ha tocat.
Tenim feina a fer.