Il 24 agosto 2026 GitHub ha illustrato un nuovo modulo destinato a controllare la qualità dei testi alternativi nel suo scanner di accessibilità. L’annuncio ricorda un limite essenziale: verificare che esista un attributo
altè relativamente semplice, ma stabilire se descriva correttamente un’immagine nel suo contesto resta un esercizio editoriale. L’IA può aiutare a concentrare la revisione umana; non trasforma un audit automatizzato in una prova di conformità.
Da ricordare: un sistema solido separa tre livelli. Le regole deterministiche rilevano gli errori certi, l’IA segnala i casi dubbi e una persona convalida intento, contesto ed esperienza reale. Confondere questi livelli produce troppi falsi positivi oppure un’eccessiva fiducia in un risultato incompleto.
1. Perché il tema torna a essere prioritario
Il rapporto WebAIM Million 2026 ha analizzato un milione di pagine iniziali e oltre 66,6 milioni di immagini. Indica che il 16,2% delle immagini non aveva testo alternativo, senza contare le immagini volutamente decorative con alt="". Tra quelle che lo avevano, il 10,8% presentava un testo considerato dubbio o ripetitivo: nome del file, parola generica, descrizione copiata o contenuto identico a quello di un’immagine vicina.
Questi dati illustrano due problemi diversi. Il primo è tecnico: l’informazione manca. Il secondo è semantico: esiste un valore, ma non aiuta l’utente. Uno scanner classico gestisce bene il primo caso e molto meno il secondo.
Per un’organizzazione soggetta a una politica di accessibilità, il rischio consiste nel trasformare un indicatore di copertura in una conclusione di conformità. Una campagna può mostrare il 100% degli attributi alt compilati lasciando comunque link privi di un nome utile, grafici incomprensibili e descrizioni ridondanti. L’automazione deve quindi migliorare la selezione degli elementi da rileggere, non eliminare la rilettura.
2. Presenza, qualità e funzione: tre controlli diversi
Un testo alternativo non serve sempre a descrivere ciò che rappresenta un’immagine. Dipende dalla funzione dell’elemento nella pagina.
Un’immagine informativa trasmette un contenuto assente nel testo vicino. La sua alternativa deve restituire quell’informazione utile, senza raccontare ogni dettaglio visivo. Un’immagine funzionale, collocata da sola in un link o in un pulsante, dovrebbe generalmente nominare l’azione o la destinazione. Un’immagine decorativa non deve essere annunciata e normalmente utilizza un attributo vuoto. Infine, un grafico complesso può richiedere una sintesi breve nell’alternativa e una spiegazione strutturata in un altro punto della pagina.
Questa distinzione spiega perché una descrizione apparentemente precisa possa restare scorretta. «Una freccia blu rivolta verso destra» descrive l’aspetto di un’icona, ma «Passaggio successivo» può essere l’alternativa corretta quando quell’icona costituisce l’intero contenuto di un pulsante. Al contrario, generare automaticamente una frase per ogni illustrazione decorativa peggiora l’esperienza aggiungendo rumore.
La prima regola di progettazione consiste quindi nel determinare la funzione prima di redigere il testo. È anche il primo punto che un audit deve verificare.
3. Che cosa possono dimostrare davvero le regole deterministiche
GitHub ha scelto cinque controlli eseguibili senza un modello esterno: attributo assente o composto solo da spazi, nome del file usato come alternativa, indicatore provvisorio come «TODO», parola generica come «immagine» o «grafico», e ripetizione della stessa alternativa su immagini vicine.
Il vantaggio di queste regole è la prevedibilità. Producono rilievi che il team può spiegare, riprodurre e correggere. Possono essere attivate a ogni pull request, senza costi di inferenza né trasferimento di schermate a un fornitore di IA.
Il controllo delle ripetizioni mostra tuttavia che il solo DOM non è sempre sufficiente. Due loghi identici possono comparire nell’intestazione e nel piè di pagina senza disturbare l’utente, mentre cinque icone vicine che ripetono «tre stelle su cinque» producono un risultato fastidioso. GitHub spiega di aver utilizzato la posizione visiva degli elementi per distinguere i gruppi realmente adiacenti.
Per un audit interno, la buona pratica consiste nel conservare poche regole rigide, documentate e testate su pagine reali. Un’euristica molto ambiziosa ma rumorosa finisce in genere per essere disattivata. Una regola modesta e affidabile continua a essere utilizzata.
4. Dove l’IA porta valore
Un’analisi assistita dall’IA diventa utile quando occorre mettere in relazione l’immagine con il suo contesto. Il titolo della pagina, l’intestazione più vicina, la didascalia, il testo circostante e la presenza di un link consentono di valutare se un’alternativa sia sufficiente, ridondante o orientata alla funzione sbagliata.
Il modello non dovrebbe ricevere l’istruzione vaga «migliora questo testo alternativo». Questa formulazione lo spinge a proporre sistematicamente un’altra frase, anche quando quella esistente è corretta. È preferibile fargli seguire una procedura decisionale: l’immagine è decorativa? L’informazione è già fornita da una didascalia? L’elemento è funzionale? Se nessuno di questi casi si applica, quale informazione manca a una persona che non vede l’immagine?
Il risultato deve restare un parere con un livello di fiducia e una breve motivazione. Può essere usato per dare priorità alla revisione, preparare una proposta o raggruppare difetti ricorrenti. Non deve riscrivere automaticamente centinaia di alternative in produzione.
È inoltre necessario costruire un set di valutazione interno composto da esempi corretti, scorretti e ambigui. Un modello che supera alcune dimostrazioni visive non è ancora un controllore affidabile per i contenuti aziendali, le lingue e lo stile editoriale.
5. I rischi legati a dati, costi e prompt injection
Non appena una pagina, un’immagine e il suo contesto vengono inviati a un servizio di visione, il controllo di accessibilità diventa un flusso di dati da documentare. Gli URL possono contenere token temporanei, identificativi di sessione o parametri aziendali. Le schermate possono rivelare informazioni sui clienti, schermate interne o dati personali.
Il modulo descritto da GitHub rimuove parametri e frammenti dagli URL prima di inviarli al modello e omette gli attributi che potrebbero esporre link firmati. È un approccio utile, ma non elimina la necessità di un inventario completo: origine delle immagini, registrazione, durata della conservazione, luogo del trattamento, eventuale OCR secondario e diritti di accesso ai risultati.
Anche il contenuto della pagina deve essere considerato non affidabile. Una frase nascosta in un documento può tentare di orientare il modello, anche durante un audit. Un formato di output strutturato limita la forma della risposta, ma non necessariamente il ragionamento che l’ha prodotta. Occorre isolare l’analisi, vietare qualsiasi azione, limitare i dati trasmessi e trattare l’output come un suggerimento.
Infine, una chiamata per immagine e per scansione diventa rapidamente costosa. Su un sito ricco di media, il controllo tramite IA deve essere campionato, pianificato o attivato sui contenuti modificati, mentre le regole deterministiche continuano a essere eseguite in modo continuo.
6. Come integrare il controllo nella CI/CD
Una pipeline efficace può funzionare a tre velocità.
A ogni modifica, i test rapidi verificano l’assenza dell’attributo, i valori vuoti involontari, i nomi dei file, i segnaposto e le ripetizioni evidenti. Bloccano solo i difetti certi. Una volta per notte o per settimana, una scansione più completa esegue il rendering delle pagine, osserva l’albero di accessibilità e analizza un campione di immagini con un modello. I risultati vengono aperti come attività da confermare, senza interrompere automaticamente la consegna.
Prima di una messa in produzione importante, una revisione umana controlla i template, i percorsi critici, i grafici, i pulsanti illustrati e le pagine editoriali ad alto traffico. Utilizza uno screen reader e verifica anche l’ordine di lettura, le etichette dei link, la struttura dei titoli e gli stati interattivi.
Gli indicatori devono restare interpretabili: numero di errori certi, numero di sospetti, quota confermata dopo la revisione, tempo di correzione e ricorrenza per componente. Un «punteggio IA» globale nasconde le cause e incoraggia confronti fuorvianti.
Questo approccio completa i principi presentati nella nostra guida su RGAA 4.1.2 e sulla preparazione al RGAA 5: industrializzare i controlli conservando le verifiche che solo una situazione d’uso può convalidare.
7. Il ruolo indispensabile della validazione editoriale
L’autore del contenuto conosce l’intento; lo sviluppatore conosce la struttura; l’auditor conosce i criteri; l’utente conosce l’esperienza. Nessuno di questi punti di vista è sufficiente da solo.
Per ogni tipo di immagine ricorrente, create una breve regola editoriale con un esempio: ritratto di una persona nominata, schermata di una funzionalità, schema di architettura, illustrazione d’atmosfera, icona di navigazione o grafico di dati. Aggiungete un campo obbligatorio che permetta di dichiarare che un’immagine è decorativa, invece di forzare la generazione di un testo.
In un sito multilingue, l’alternativa deve essere tradotta come un contenuto a tutti gli effetti. Copiare la versione francese in una pagina inglese può soddisfare un controllo tecnico, ma non rende accessibile l’informazione. Le validazioni devono quindi riguardare ogni lingua pubblicata.
La revisione umana non consiste nell’abbellire sistematicamente le formulazioni. Deve rispondere a una domanda semplice: una persona che non può accedere all’immagine comprende l’informazione o l’azione necessaria senza ascoltare ripetizioni inutili?
8. Un piano di attuazione in trenta giorni
Nella prima settimana, fate l’inventario dei componenti che contengono immagini e misurate gli errori certi in un ambiente di collaudo. Individuate le pagine dietro autenticazione e i dati che non devono mai uscire dalla vostra infrastruttura.
Nella seconda settimana, aggiungete le regole deterministiche alla pipeline e correggete i componenti condivisi prima dei contenuti isolati. Una correzione in un template può risolvere centinaia di occorrenze.
Nella terza settimana, testate un’analisi IA facoltativa su un campione rappresentativo. Misurate soprattutto i falsi positivi, i casi non analizzati e il valore reale dei suggerimenti. Documentate il flusso dei dati e fissate un limite al numero di chiamate.
Nella quarta settimana, organizzate una sessione di validazione con profili editoriali, tecnici e di accessibilità. Decidete quali controlli bloccano una consegna, quali generano un avviso e quali richiedono una revisione periodica. Conservate gli esempi confermati per migliorare il set di valutazione.
Conclusione
L’IA può rendere più pertinente un audit dei testi alternativi, soprattutto mettendo in relazione un’immagine con il suo contesto editoriale. Tuttavia non risolve né la definizione della funzione dell’immagine, né la validazione dell’esperienza reale, né la conformità complessiva di una pagina.
La strategia più affidabile resta progressiva: automatizzare ciò che può essere dimostrato, usare l’IA per far emergere i casi dubbi e riservare la decisione alle persone responsabili dei contenuti e dell’accessibilità. Partitech accompagna la realizzazione di queste catene di controllo, dall’audit dei componenti fino alla loro integrazione nelle pipeline di collaudo e distribuzione.