GitHub推出了一個AI驅動的工作流程，可以自動分揀其工程團隊的無障礙功能回饋。該系統使用GitHub Actions、Copilot和他們的Models API將來自支援票券、社群媒體和論壇的報告集中到標準化的issue模板中。當使用者提交無障礙功能問題時，工作流程會觸發Copilot分析WCAG違規情況，分配嚴重性級別，並識別受影響的使用者群體，如螢幕閱讀器或鍵盤使用者。資深無障礙功能計畫經理Carie Fisher表示，Copilot能正確自動填寫約80%的結構化元資料，包括團隊分配和基本測試檢查清單。

這是聰明的基礎設施工作，不是華而不實的AI。GitHub識別出了一個真實的營運問題——無障礙功能報告分散在各個管道，所有權不明確——並建構了工具來解決它。這種方法展示了AI如何處理分類和路由的繁重工作，而不試圖在複雜的無障礙功能決策上取代人類判斷。這是真正能發揮作用並提供價值的實用AI應用，而不是追求理論能力。

沒有額外的資訊來源，我們缺少關鍵細節，比如除了那個80%數字之外的準確率，當Copilot分類錯誤時的錯誤處理，最重要的是——這是否真的能讓缺陷修復更快，還是只是讓待辦事項更有序。系統保留了人工驗證，但GitHub沒有說明驗證流程是什麼樣子的，或者AI建議多久會被推翻一次。

對於建構類似工作流程的開發者來說，關鍵洞察是使用AI進行結構化資料提取而不是決策制定。GitHub在Markdown中維護無障礙功能策略和組件文件來餵給Copilot提示的方法，創建了一個可維護的系統，其中領域知識保留在程式碼中，而不是埋在模型權重裡。真正的考驗不是AI是否能正確分類缺陷——而是工程團隊是否真的能更快地優先處理和修復無障礙功能問題。