GitHub: Accessibility Agent pregledao 3.535 PR-ova s 68 % resolution rate, otkriva LLM bias prema accessibility antipatternima

GitHub je 15. svibnja 2026. objavio detaljnu case study o izgradnji general-purpose accessibility agent-a — alata koji autonomno pregledava i popravlja accessibility issues u open-source projektima. Rezultat: 3.535 pull requestova pregledano s 68 % resolution rate, plus značajno empirijsko otkriće o LLM bias-u prema accessibility antipatterns.

Što agent najčešće popravlja?

Top 5 issue tipa koje accessibility agent adresira:

1. Structure and relationships clarity za assistive technologies (semantic HTML, ARIA labels)
2. Clear naming for interactive controls (descriptive buttons, links, form elements)
3. User awareness of important announcements (live regions, focus management)
4. Text alternatives for non-text content (alt text, captions, transcripts)
5. Logical keyboard focus ordering (tab sequence, skip links)

Lista pokriva pretežno WCAG 2.1 Level A kriterije — minimum standard koji svaki web sustav treba dosegnuti.

Koji je critical finding o LLM bias?

GitHub članak naglašava nezgodno otkriće: “LLMs have an unfortunate bias towards producing accessibility antipatterns” jer su modeli trenirani na desetljećima inaccessible code-a koji je dominirao web razvojem. Praktične posljedice:

• LLM-ovi generiraju <div> umjesto <button> za interactive elements
• Propuštaju ARIA atribute na complex widgets
• Generiraju color contrast kombinacije koje krše WCAG kontrast minimum
• Koriste “click here” kao link text umjesto descriptive labela

Otkriće naglašava potrebu za manualno kataloziranim remediated issues kao training material za effective accessibility agente — bias se ne može eliminirati bez deliberate counter-training.

Po čemu se sequential dvotijerni model razlikuje od paralelnih sub-agenata?

Umjesto deploya više paralelnih sub-agenata (klasičan multi-agent pattern), GitHub koristi sequential dvotijerni model:

• Tier 1: Parent orchestration agent — upravlja task routing, koordinacija, validation finalnih PR-ova
• Tier 2: Sequence dva sub-agenta:
  • Passive reviewer — audit-focused, identificira issues bez code change
  • Active implementer — code-change capable, primjenjuje fix na temelju reviewer output-a

Sequential pristup donosi dvije konkretne prednosti:

1. Reduced token consumption — paralelni sub-agenti tipično duplikuje rad jer svaki nezavisno analizira context
2. Improved accuracy — reviewer prvo identificira issue precisely, implementer onda fokusirano popravlja samo identificirano

Pristup je suprotan od trenutnih multi-agent fashion-a koji forsiraju “više agenata istovremeno” — GitHub empirijski pokazuje da manje agenata sequential je često bolje.

Što ovo znači za multi-agent industry?

GitHub findings izazivaju popularni narrative koji LangChain Labs, AutoGen i CrewAI guraju — da je multi-agent paralelizacija inherentno bolja od single-agent ili sequential approach-a. Ako sequential dvotijerni model nadjača paralelne sub-agente za production agentic task, to znači da je arhitektonska kompleksnost (debugging, monitoring, recovery) možda preskupa za pojedinačnu accuracy improvement.

Pristup je complementary sa arXiv:2605.15132 APWA paper-om (15.5.) koji argumentira za distributed non-interfering parallel decomposition — APWA pristup radi gdje su zadaci stvarno parallel; GitHub pristup radi gdje su zadaci sequential. Industry treba kategorizirati workload-e prema appropriate arhitekturi.

Položaj i sljedeći koraci

Članak opisuje ongoing pilot bez specifičnog deployment completion datuma. GitHub tim navodi planove za potencijalno open-source-anje agenta kasnije. Pristup signalizira da je GitHub strategy ne “build proprietary accessibility tool” već “build empirical foundation, open-source pattern, omogućiti community da nastavi”.

Najava se uklapa u GitHub tjedan dnevnih objava: Copilot App Technical Preview (14.5.), Copilot Cloud Auto Model (14.5.), Copilot Cloud REST API (13.5.), Copilot Memory User Preferences (15.5.). Cijeli GitHub agentic stack se sazrijeva istovremeno.