随着企业 AI 进入价值最大化时代：开发团队可以从数字可访问性中学到什么

随着代币成本现实的显现，AI 整合的经济学已经发生了巨大变化。代币最大化在其存在期间或许有趣，但没有投资回报率的创新是不可持续的。如今我们已超越廉价代币时代，AI 必须通过企业范围内真实、可衡量的业务成果来证明自身价值。这意味着不再把 AI 投向每一个挑战。组织需要更加有策略地使用 AI，发挥其擅长的领域，并在有更好方案时采用其他方法。

AI 速度的隐藏成本

AI 工具带来的开发速度提升值得庆祝。但如果代码充斥问题，实际进展几乎可以忽略不计。其后果十分严峻：时间和金钱的损失、法律风险以及糟糕的客户体验。

数字可访问性领域可以为我们提供大量关于如何战略性使用 AI 的经验。这是一个标准已被编码、合规要求严格的日常场景，毫无容错或低效的余地。对于数字可访问性而言，目标不是更好地修复问题，而是从根本上防止问题的产生。任何 AI 应用都应以此为目标，否则技术债务会快速累积。

根据 IBM 的数据，忽视技术债务可能导致投资回报率下降为 18% – 29%。此类结果可能抹去 AI 任何速度提升的收益。在 Deque 2026 年对 200 位企业工程领袖的调查中，64% 将可访问性列为后期生产返工的首要驱动因素，尽管这些团队明确要求其 AI 代理编写可访问代码。

可访问性债务与技术债务类似，是组织数字资产中未解决的可访问性问题的累计。这种债务会随时间复利——在设计和开发阶段未处理的问题，后期修复成本会更高。最新研究表明，在生产环境中发现的可访问性问题，其修复成本是设计阶段的 30 倍。这为组织提供了强有力的财务动机，促使其尽早捕获问题，尤其是在当今代码产出量巨大的情况下。

战略性 AI 与确定性工具

AI 并非总是最佳答案。在许多情况下，基于规则的确定性工具能够提供更一致、更快速且更低成本的结果。要决定何时使用何种工具，团队应先将工作流拆分为子任务，并评估如何最佳地解决每个挑战。例如，需要一致性验证的任务——将每个元素与既定标准进行检查——非常适合使用确定性、基于规则的工具。

AI 适用于判断、综合和生成选项，但不适合验证：即每次都以相同方式检查所有内容。

一些工程团队通过重复进行同一审查并比较结果来处理此问题。此方法可行，但并非免费。在 Deque 自己的实验中，单次代码审查大约消耗了任务代币的 60%。实际编码占约 13%。编写测试所占比例相当。且一次审查往往不足。相同的审查通常需要对同一代码库进行三到十次才能收敛出完整的真实问题列表。每一次审查都是全新的搜索，而非累积的，因此上一次的结果不会被保留。

是否值得取决于成本容忍度。组织可以生成足够的代理，让它们迭代并相互检查工作，从而收敛到满意的答案。但这样做意味着要以代币和周期时间付费。更简单的替代方案是：确定性检查每次都返回相同结果，无需重复审查。

利用上下文与人机协同

另一项近期案例研究描述的方法是将自动化、具备代理能力的 AI 与人工审查相结合。在组织的新工作流中，可访问性发现被提供给 AI 代理，后者使用修复工具直接对源代码应用预期的 HTML 修正，并自动创建和记录拉取请求。工程师随后审查 AI 生成的更改，批准拉取请求，并对质量和结果保持治理。结果显示，恢复了 253 小时的工程时间，整体修复速度提升了 98%。该工作流预计可节省超过 $25,000 的工程成本。

从 AI 代理获得良好结果取决于其设置方式，而不仅仅是良好的提示。工程师将其称为“利用工程”和“上下文工程”：构建特定的工具、检查和可用信息，使代理能够在特定环境中出色工作，而不是让模型自行摸索。审查代码的代理并不需要将整个代码库加载到其上下文窗口中。让它搜索相关文件，仅提取所需的周边代码，通常能以更低成本完成更好的工作，而不是一次性提供全部内容。同样的逻辑也适用于在多次调用之间复用上下文，而不是每次都从头重建。

退一步想，记住这一切重要的原因在于 AI 生成的代码量正以真正疯狂的速度增长。在这种背景下，成本上升似乎不可避免：要么是因为必须修复未经验证的 AI 代码产生的所有问题，要么是因为在代码投入生产前需要检查日益增多的代码量。

但成本上升并非不可避免。数字无障碍提供了一种解决方案——它涉及多重平衡：在 AI 与基于规则的确定性工具之间；在 AI 驱动的自动化与人工验证之间；以及在可扩展性与成本效益之间。实现这些平衡取决于组织纪律。组织越早培养有意图、有效且恰当地使用 AI 的纪律，就越早能够看到 AI 投资的积极、可衡量的回报。