El 24 de agosto de 2026, GitHub presentó un nuevo módulo destinado a controlar la calidad de los textos alternativos en su escáner de accesibilidad. El anuncio recuerda un límite esencial: comprobar que existe un atributo
altes relativamente sencillo, pero determinar si describe correctamente una imagen en su contexto sigue siendo un ejercicio editorial. La IA puede ayudar a concentrar la revisión humana; no convierte una auditoría automatizada en una prueba de conformidad.
Lo esencial: un dispositivo sólido separa tres niveles. Las reglas deterministas detectan los errores ciertos, la IA señala los casos dudosos y una persona valida la intención, el contexto y la experiencia real. Mezclar estos niveles produce demasiados falsos positivos o una confianza excesiva en un resultado incompleto.
1. Por qué el tema vuelve a ser prioritario
El informe WebAIM Million 2026 analizó un millón de páginas de inicio y más de 66,6 millones de imágenes. Indica que el 16,2 % de las imágenes no tenía texto alternativo, sin contar las imágenes intencionadamente decorativas con alt="". Entre las que sí lo tenían, el 10,8 % presentaba un texto considerado dudoso o repetitivo: un nombre de archivo, una palabra genérica, una descripción copiada o un contenido idéntico al de una imagen cercana.
Estas cifras ilustran dos problemas diferentes. El primero es técnico: falta la información. El segundo es semántico: existe un valor, pero no ayuda al usuario. Un escáner clásico resuelve bien el primer caso y mucho peor el segundo.
Para una organización sujeta a una política de accesibilidad, el riesgo consiste en convertir un indicador de cobertura en una conclusión de conformidad. Una campaña puede mostrar el 100 % de los atributos alt cumplimentados y, aun así, dejar enlaces sin un nombre útil, gráficos incomprensibles y descripciones redundantes. La automatización debe mejorar la selección de los elementos que se revisarán, no eliminar la revisión.
2. Presencia, calidad y función: tres controles diferentes
Un texto alternativo no siempre sirve para describir lo que representa una imagen. Depende de la función del elemento en la página.
Una imagen informativa transmite un contenido ausente del texto cercano. Su alternativa debe transmitir esa información útil, sin narrar cada detalle visual. Una imagen funcional, colocada sola en un enlace o botón, normalmente debe nombrar la acción o el destino. Una imagen decorativa no debe anunciarse y normalmente utiliza un atributo vacío. Por último, un gráfico complejo puede necesitar un resumen breve en la alternativa y una explicación estructurada en otro lugar de la página.
Esta distinción explica por qué una descripción aparentemente precisa puede seguir siendo incorrecta. «Una flecha azul orientada hacia la derecha» describe el aspecto de un icono, pero «Siguiente paso» puede ser la alternativa correcta cuando ese icono constituye todo el contenido de un botón. Por el contrario, generar automáticamente una frase para cada ilustración decorativa degrada la experiencia al añadir ruido.
Por tanto, la primera regla de diseño consiste en determinar la función antes de redactar el texto. Ese es también el primer punto que debe comprobar una auditoría.
3. Lo que las reglas deterministas pueden demostrar realmente
GitHub seleccionó cinco controles ejecutables sin un modelo externo: atributo ausente o compuesto únicamente por espacios, nombre de archivo utilizado como alternativa, marcador provisional como «TODO», palabra genérica como «imagen» o «gráfico», y repetición de la misma alternativa en imágenes cercanas.
El interés de estas reglas es su previsibilidad. Producen constataciones que el equipo puede explicar, reproducir y corregir. Pueden activarse en cada pull request, sin coste de inferencia ni transferencia de capturas a un proveedor de IA.
El control de las repeticiones muestra, sin embargo, que el DOM por sí solo no siempre basta. Dos logotipos idénticos pueden aparecer en la cabecera y el pie de página sin molestar al usuario, mientras que cinco iconos cercanos que repiten «tres estrellas de cinco» producen un resultado penoso. GitHub explica que utilizó la posición visual de los elementos para distinguir los grupos que están realmente adyacentes.
Para una auditoría interna, la buena práctica consiste en conservar un número reducido de reglas estrictas, documentadas y probadas en páginas reales. Una heurística muy ambiciosa pero ruidosa normalmente acaba desactivada. Una regla modesta y fiable sigue utilizándose.
4. Dónde aporta valor la IA
Un análisis asistido por IA resulta útil cuando hay que relacionar la imagen con su contexto. El título de la página, el encabezado más cercano, el pie de foto, el texto circundante y la presencia de un enlace permiten evaluar si una alternativa es suficiente, redundante o está orientada a la función equivocada.
El modelo no debería recibir la instrucción vaga «mejora este texto alternativo». Esta formulación le anima a proponer sistemáticamente otra frase, incluso cuando la existente es correcta. Es preferible hacerle seguir un procedimiento de decisión: ¿la imagen es decorativa? ¿La información ya aparece en un pie de foto? ¿El elemento es funcional? Si no se aplica ninguno de estos casos, ¿qué información le falta a una persona que no puede ver la imagen?
El resultado debe seguir siendo una opinión con un nivel de confianza y una justificación breve. Puede utilizarse para priorizar la revisión, preparar una propuesta o agrupar defectos recurrentes. No debe reescribir automáticamente cientos de alternativas en producción.
También hay que construir un conjunto interno de evaluación formado por ejemplos correctos, incorrectos y ambiguos. Un modelo que supera unas pocas demostraciones visuales todavía no es un controlador fiable para sus contenidos de negocio, sus idiomas y su guía editorial.
5. Riesgos de datos, costes y prompt injection
En cuanto una página, una imagen y su contexto se envían a un servicio de visión, el control de accesibilidad se convierte en un flujo de datos que debe documentarse. Las URL pueden contener tokens temporales, identificadores de sesión o parámetros de negocio. Las capturas pueden revelar información de clientes, pantallas internas o datos personales.
El módulo descrito por GitHub elimina los parámetros y fragmentos de las URL antes de enviarlas al modelo y omite los atributos que podrían exponer enlaces firmados. Este enfoque es útil, pero no evita realizar un inventario completo: origen de las imágenes, registro, periodo de conservación, ubicación del tratamiento, posible OCR secundario y derechos de acceso a los resultados.
El contenido de la página también debe considerarse no fiable. Una frase oculta en un documento puede intentar orientar al modelo, incluso durante una auditoría. Un formato de salida estructurado limita la forma de la respuesta, pero no necesariamente el razonamiento que la produjo. Hay que aislar el análisis, prohibir cualquier acción, limitar los datos transmitidos y tratar la salida como una sugerencia.
Por último, una llamada por imagen y por escaneo se vuelve rápidamente costosa. En un sitio rico en medios, el control mediante IA debe muestrearse, planificarse o activarse para los contenidos modificados, mientras que las reglas deterministas siguen ejecutándose de forma continua.
6. Cómo integrar el control en la CI/CD
Una cadena eficaz puede funcionar a tres velocidades.
En cada cambio, las pruebas rápidas comprueban la ausencia de atributos, los valores vacíos involuntarios, los nombres de archivo, los marcadores de posición y las repeticiones evidentes. Solo bloquean los defectos ciertos. Una vez por noche o por semana, un escaneo más completo renderiza las páginas, observa el árbol de accesibilidad y analiza una muestra de imágenes con un modelo. Los resultados se abren como tareas que deben confirmarse, sin romper automáticamente la entrega.
Antes de una puesta en producción importante, una revisión humana controla las plantillas, los recorridos críticos, los gráficos, los botones ilustrados y las páginas editoriales con mucho tráfico. Utiliza un lector de pantalla y comprueba también el orden de lectura, los nombres de los enlaces, la estructura de los encabezados y los estados interactivos.
Los indicadores deben seguir siendo interpretables: número de errores ciertos, número de sospechas, proporción confirmada tras la revisión, plazo de corrección y recurrencia por componente. Un «índice IA» global oculta las causas y fomenta comparaciones engañosas.
Este enfoque completa los principios presentados en nuestra guía sobre RGAA 4.1.2 y la preparación del RGAA 5: industrializar los controles conservando las verificaciones que solo una situación de uso puede validar.
7. El papel indispensable de la validación editorial
El autor del contenido conoce la intención; el desarrollador conoce la estructura; el auditor conoce los criterios; el usuario conoce la experiencia. Ninguno de estos puntos de vista basta por sí solo.
Para cada tipo de imagen recurrente, cree una regla editorial breve con un ejemplo: retrato de una persona identificada, captura de una funcionalidad, esquema de arquitectura, ilustración ambiental, icono de navegación o gráfico de datos. Añada un campo obligatorio que permita declarar que una imagen es decorativa, en vez de forzar la generación de un texto.
En un sitio multilingüe, la alternativa debe traducirse como un contenido independiente. Copiar la versión francesa en una página inglesa quizá satisfaga un control técnico, pero no hace accesible la información. Por tanto, las validaciones deben cubrir cada idioma publicado.
La revisión humana no consiste en embellecer sistemáticamente las formulaciones. Debe responder a una pregunta sencilla: ¿una persona que no puede acceder a la imagen comprende la información o la acción necesaria sin escuchar una repetición innecesaria?
8. Un plan de implementación en treinta días
Durante la primera semana, inventaríe los componentes que contienen imágenes y mida los errores ciertos en un entorno de pruebas. Identifique las páginas que requieren autenticación y los datos que nunca deben salir de su infraestructura.
Durante la segunda semana, añada las reglas deterministas al pipeline y corrija los componentes compartidos antes que los contenidos aislados. Una corrección en una plantilla puede resolver cientos de casos.
Durante la tercera semana, pruebe un análisis de IA optativo sobre una muestra representativa. Mida sobre todo los falsos positivos, los casos no analizados y el valor real de las sugerencias. Documente el flujo de datos y limite el número de llamadas.
Durante la cuarta semana, organice una sesión de validación con perfiles editoriales, técnicos y de accesibilidad. Decida qué controles bloquean una entrega, cuáles generan una alerta y cuáles requieren una revisión periódica. Conserve los ejemplos confirmados para mejorar el conjunto de evaluación.
Conclusión
La IA puede hacer más pertinente una auditoría de textos alternativos, especialmente al relacionar una imagen con su contexto editorial. Sin embargo, no resuelve ni la definición de la función de la imagen, ni la validación de la experiencia real, ni la conformidad global de una página.
La estrategia más fiable sigue siendo progresiva: automatizar lo que se puede demostrar, utilizar la IA para sacar a la luz los casos dudosos y reservar la decisión a las personas responsables del contenido y la accesibilidad. Partitech acompaña la implantación de estas cadenas de control, desde la auditoría de componentes hasta su integración en los pipelines de pruebas y despliegue.