Le 24 août 2026, GitHub a détaillé un nouveau module destiné à contrôler la qualité des textes alternatifs dans son scanner d’accessibilité. L’annonce rappelle une limite essentielle : vérifier qu’un attribut
altexiste est relativement simple, mais déterminer s’il décrit correctement une image dans son contexte reste un exercice éditorial. L’IA peut aider à concentrer la revue humaine ; elle ne transforme pas un audit automatisé en preuve de conformité.
À retenir : un dispositif robuste sépare trois niveaux. Les règles déterministes détectent les erreurs certaines, l’IA signale les cas douteux et une personne valide l’intention, le contexte et l’expérience réelle. Mélanger ces niveaux produit soit trop de faux positifs, soit une confiance excessive dans un résultat incomplet.
1. Pourquoi le sujet redevient prioritaire
Le rapport WebAIM Million 2026 a analysé un million de pages d’accueil et plus de 66,6 millions d’images. Il indique que 16,2 % des images ne possédaient pas de texte alternatif, sans compter les images volontairement décoratives avec alt="". Parmi celles qui en avaient un, 10,8 % présentaient un texte jugé douteux ou répétitif : nom de fichier, mot générique, description recopiée ou contenu identique à celui d’une image voisine.
Ces chiffres illustrent deux problèmes différents. Le premier est technique : l’information manque. Le second est sémantique : une valeur existe, mais elle n’aide pas l’utilisateur. Un scanner classique traite correctement le premier cas et beaucoup moins bien le second.
Pour une organisation soumise à une politique d’accessibilité, le risque consiste à transformer un indicateur de couverture en conclusion de conformité. Une campagne peut afficher 100 % d’attributs alt renseignés tout en laissant des liens sans nom utile, des graphiques incompréhensibles et des descriptions redondantes. L’automatisation doit donc améliorer la sélection des éléments à relire, pas supprimer la relecture.
2. Présence, qualité et fonction : trois contrôles différents
Un texte alternatif ne sert pas toujours à décrire ce que l’image représente. Il dépend de la fonction de l’élément dans la page.
Une image informative transmet un contenu absent du texte voisin. Son alternative doit restituer cette information utile, sans raconter chaque détail visuel. Une image fonctionnelle, placée seule dans un lien ou un bouton, doit généralement nommer l’action ou la destination. Une image décorative ne doit pas être annoncée et utilise normalement un attribut vide. Enfin, un graphique complexe peut nécessiter une synthèse courte dans l’alternative et une explication structurée ailleurs dans la page.
Cette distinction explique pourquoi une description apparemment précise peut rester incorrecte. « Une flèche bleue orientée vers la droite » décrit l’apparence d’une icône, mais « Étape suivante » peut être la bonne alternative lorsque cette icône constitue tout le contenu d’un bouton. Inversement, générer automatiquement une phrase pour chaque illustration décorative dégrade l’expérience en ajoutant du bruit.
La première règle de conception consiste donc à déterminer la fonction avant de rédiger le texte. C’est aussi le premier point qu’un audit doit vérifier.
3. Ce que les règles déterministes savent réellement prouver
GitHub a retenu cinq contrôles exécutables sans modèle externe : attribut absent ou composé uniquement d’espaces, nom de fichier utilisé comme alternative, marqueur provisoire tel que « TODO », mot générique comme « image » ou « graphique », et répétition de la même alternative sur des images proches.
L’intérêt de ces règles est leur prévisibilité. Elles produisent des constats que l’équipe peut expliquer, reproduire et corriger. Elles peuvent être activées sur chaque pull request, sans coût d’inférence ni transfert de capture vers un fournisseur d’IA.
Le contrôle des répétitions montre cependant que le DOM seul ne suffit pas toujours. Deux logos identiques peuvent apparaître dans l’en-tête et le pied de page sans gêner l’utilisateur, alors que cinq icônes voisines répétant « trois étoiles sur cinq » produisent un résultat pénible. GitHub explique avoir utilisé la position visuelle des éléments pour distinguer les groupes réellement adjacents.
Pour un audit interne, la bonne pratique est de conserver un petit nombre de règles strictes, documentées et testées sur des pages réelles. Une heuristique très ambitieuse mais bruyante finit généralement désactivée. Une règle modeste et fiable reste utilisée.
4. Où l’IA apporte de la valeur
Une analyse assistée par IA devient utile lorsqu’il faut rapprocher l’image de son contexte. Le titre de la page, le heading le plus proche, la légende, le texte environnant et la présence d’un lien permettent d’évaluer si une alternative est suffisante, redondante ou orientée vers la mauvaise fonction.
Le modèle ne devrait pas recevoir l’instruction vague « améliore ce texte alternatif ». Cette formulation l’incite à proposer systématiquement une autre phrase, même lorsque l’existant est correct. Il vaut mieux lui faire suivre une procédure de décision : l’image est-elle décorative ? L’information est-elle déjà fournie par une légende ? L’élément est-il fonctionnel ? Si aucun de ces cas ne s’applique, quelle information manque à une personne qui ne voit pas l’image ?
Le résultat doit rester un avis avec un niveau de confiance et une justification courte. Il peut être utilisé pour prioriser la revue, préparer une proposition ou regrouper les défauts récurrents. Il ne doit pas réécrire automatiquement des centaines d’alternatives en production.
Il faut également construire un jeu d’évaluation interne composé d’exemples corrects, incorrects et ambigus. Un modèle qui réussit quelques démonstrations visuelles n’est pas encore un contrôleur fiable pour vos contenus métier, vos langues et votre charte éditoriale.
5. Les risques de données, de coût et de prompt injection
Dès qu’une page, une image et son contexte sont envoyés à un service de vision, le contrôle d’accessibilité devient un flux de données à documenter. Les URLs peuvent contenir des jetons temporaires, des identifiants de session ou des paramètres métier. Les captures peuvent révéler des informations clients, des écrans internes ou des données personnelles.
Le module décrit par GitHub retire les paramètres et fragments des URLs avant l’envoi au modèle et omet les attributs susceptibles d’exposer des liens signés. Cette approche est utile, mais elle ne dispense pas d’un inventaire complet : origine des images, journalisation, durée de conservation, localisation du traitement, éventuel OCR secondaire et droits d’accès aux résultats.
Le contenu de la page doit aussi être considéré comme non fiable. Une phrase cachée dans un document peut tenter d’orienter le modèle, y compris pendant un audit. Un format de sortie structuré limite la forme de la réponse, pas nécessairement le raisonnement qui l’a produite. Il faut isoler l’analyse, interdire toute action, limiter les données transmises et traiter la sortie comme une suggestion.
Enfin, un appel par image et par scan devient rapidement coûteux. Sur un site riche en médias, le contrôle par IA doit être échantillonné, planifié ou déclenché sur les contenus modifiés, tandis que les règles déterministes restent exécutées en continu.
6. Comment intégrer le contrôle dans la CI/CD
Une chaîne efficace peut fonctionner à trois vitesses.
À chaque changement, les tests rapides vérifient l’absence d’attribut, les valeurs vides involontaires, les noms de fichiers, les placeholders et les répétitions évidentes. Ils bloquent uniquement les défauts certains. Une fois par nuit ou par semaine, un scan plus complet rend les pages, observe l’arbre d’accessibilité et analyse un échantillon d’images avec un modèle. Les résultats sont ouverts comme tâches à confirmer, sans casser automatiquement la livraison.
Avant une mise en production importante, une revue humaine contrôle les templates, les parcours critiques, les graphiques, les boutons illustrés et les pages éditoriales à fort trafic. Elle utilise un lecteur d’écran et vérifie également l’ordre de lecture, les intitulés de liens, la structure des titres et les états interactifs.
Les indicateurs doivent rester interprétables : nombre d’erreurs certaines, nombre de suspicions, proportion confirmée après revue, délai de correction et récurrence par composant. Un « score IA » global masque les causes et encourage les comparaisons trompeuses.
Cette démarche complète les principes présentés dans notre guide sur le RGAA 4.1.2 et la préparation du RGAA 5 : industrialiser les contrôles tout en conservant les vérifications que seule une situation d’usage peut valider.
7. Le rôle indispensable de la validation éditoriale
L’auteur du contenu connaît l’intention ; le développeur connaît la structure ; l’auditeur connaît les critères ; l’utilisateur connaît l’expérience. Aucun de ces points de vue ne suffit isolément.
Pour chaque type d’image récurrent, créez une règle éditoriale courte avec un exemple : portrait d’une personne nommée, capture d’une fonctionnalité, schéma d’architecture, illustration d’ambiance, icône de navigation ou graphique de données. Ajoutez un champ obligatoire permettant de déclarer qu’une image est décorative plutôt que de forcer la génération d’un texte.
Dans un site multilingue, l’alternative doit être traduite comme un contenu à part entière. Copier la version française dans une page anglaise satisfait peut-être un contrôle technique, mais ne rend pas l’information accessible. Les validations doivent donc porter sur chaque langue publiée.
La revue humaine ne consiste pas à embellir systématiquement les formulations. Elle doit répondre à une question simple : une personne qui n’accède pas à l’image comprend-elle l’information ou l’action nécessaire, sans entendre de répétition inutile ?
8. Un plan de mise en œuvre en trente jours
La première semaine, inventez les composants contenant des images et mesurez les erreurs certaines sur un environnement de recette. Identifiez les pages derrière authentification et les données qui ne doivent jamais quitter votre infrastructure.
La deuxième semaine, ajoutez les règles déterministes au pipeline et corrigez les composants partagés avant les contenus isolés. Une correction dans un template peut résoudre des centaines d’occurrences.
La troisième semaine, testez une analyse IA opt-in sur un échantillon représentatif. Mesurez surtout les faux positifs, les cas non analysés et la valeur réelle des suggestions. Documentez le flux de données et plafonnez le nombre d’appels.
La quatrième semaine, organisez une session de validation avec des profils éditoriaux, techniques et accessibilité. Décidez quels contrôles bloquent une livraison, lesquels génèrent une alerte et lesquels nécessitent une revue périodique. Conservez les exemples confirmés pour améliorer le jeu d’évaluation.
Conclusion
L’IA peut rendre un audit de textes alternatifs plus pertinent, notamment en rapprochant une image de son contexte éditorial. Elle ne résout toutefois ni la définition de la fonction de l’image, ni la validation de l’expérience réelle, ni la conformité globale d’une page.
La stratégie la plus fiable reste progressive : automatiser ce qui peut être prouvé, utiliser l’IA pour faire émerger les cas douteux et réserver la décision aux personnes responsables du contenu et de l’accessibilité. Partitech accompagne la mise en place de ces chaînes de contrôle, depuis l’audit des composants jusqu’à leur intégration dans les pipelines de recette et de déploiement.