AI ساخت رو سریع کرد، تست دسترسیپذیری عقب موند
خلاصهٔ کاملتر
Andrew Chung از Level Access تو این مقاله یافتههای گزارش 2026 State of Digital Accessibility رو تعریف میکنه. از بیش از ۲۵۰۰ نفر پرسیدن AI کجای چرخهٔ توسعه کارشون رو سریع کرده: طراحی ۶۱٪، برنامهریزی ۵۸٪ و توسعه ۵۱٪، ولی QA و تست فقط ۳۰٪. نویسنده اسمش رو میذاره گردش کار دوسرعته: تیمها با سرعت میسازن و درست موقع جواب دادن به این سؤال که «این واقعاً دسترسیپذیره؟» ترمز میکنن.
این فقط یه نگرانی نظری نیست. اسکن WebAIM روی یک میلیون صفحهٔ اول سایتها نشون داده خطاهای خودکار تشخیصدادهشده تو یه سال ۱۰.۱٪ بیشتر شده، از ۵۱ به ۵۶.۱ خطا تو هر صفحه. WebAIM کدنویسی با کمک AI رو یکی از دلایل احتمالیش دونسته.
جالبترین یافته اینه که میزان استفاده از AI کمترین تفاوت رو بین تیمها ایجاد میکرد. «improverها» (یعنی سازمانهایی که تو همهٔ شاخصهای دسترسیپذیری بهتر شدن) به اندازهٔ بقیه AI استفاده میکنن؛ برتریشون تو آموزش، ارتباط و فرهنگ دسترسیپذیریه. تو برنامههای بالغ، آدمها تقریباً شش برابر بیشتر گفتن AI به اولویتبندی مشکلات کمک میکنه. نویسنده خودش هم میگه این دادهٔ نظرسنجیه و فقط همبستگی نشون میده.
پیشنهاد نویسنده اینه که قضاوت انسانی تو سه نقطه وارد بشه، بدون اضافه کردن مرحلهٔ جدید. پیدا کردن: از همون handoff، ترتیب focus، اسمهای دسترسیپذیر و stateها رو مشخص کنین و جایی بذارین که مدل میخونه، مثل AGENTS.md یا Cursor rules. تو pull request چک خودکار با ابزارهایی مثل eslint-plugin-jsx-a11y، Pa11y و Lighthouse CI بذارین، ولی usability رو آدمها بسنجن؛ چون یه dropdown میتونه چکهای خودکار رو پاس کنه ولی زیرمنوش با کیبورد کار نکنه. برای هر چک هم یه مسئول مشخص کنین.
درست کردن: بذارین AI پیشنویس اولیهٔ fix رو بنویسه، ولی یادتون باشه برای پاس شدن چک بهینه میشه، نه تجربهٔ درست. یه نتیجهٔ سبز میتونه از markupی بیاد که فقط ظاهرش درسته، مثل role="button" روی یه div، ARIA اضافی یا alt text ساختگی. بکلاگ رو هم بر اساس اثر جلو ببرین؛ اول چیزهایی که جلوی کار اصلی کاربر رو میگیرن، مثل پرداخت قبض یا ریست رمز.
مستند کردن: هر fix باید یه تست regression داشته باشه و تو توضیح PR بنویسین چی رو با کدوم فناوری کمکی تست کردین. به گفتهٔ نویسنده، Level Access با همین شواهد آماده زمان نوشتن گزارشهای VPAT/ACR رو بیش از ۷۰٪ کم کرده. نتیجهگیری مقاله اینه که AI بیشتر جواب نیست؛ باید دور ابزارها یه فرایند ساخت که قضاوت انسانی زودتر و بیشتر توش باشه.
نکات کلیدی:
- فقط ۳۰٪ از بیش از ۲۵۰۰ نفر گفتن AI بخش تست و QA رو سریعتر کرده
- خطاهای دسترسیپذیری صفحههای اول سایتها تو یه سال ۱۰.۱٪ زیاد شده (از ۵۱ به ۵۶.۱)
- میزان استفاده از AI کمترین اثر رو داشت؛ آموزش و فرهنگ تیم فرق اصلی بود
- ابزارهای پیشنهادی: eslint-plugin-jsx-a11y، Pa11y، Lighthouse CI، QualWeb و axe-core
- خروجی AI برای fix فقط پیشنویسه و باید semantics و رفتارش دستی چک بشه




