Tillgänglighet och inkludering i AI-produkter

WCAG 2.2 bygger på fyra principer — innehåll ska vara möjligt att uppfatta, hantera, förstå och robust nog att fungera med hjälpmedel.

För offentlig sektor i Sverige är nivå AA ett lagkrav (lagen om tillgänglighet till digital offentlig service), och tillgänglighetsdirektivet utvidgar kraven till privata aktörer från 2025.

Grunderna gäller förstås även AI-gränssnitt:

Krav	I praktiken
Kontrast ≥ 4,5:1	brödtext mot bakgrund
Tangentbordsnavigering	allt ska gå att nå med Tab
Synlig fokusmarkering	man ska se var man är
Alt-text på bilder	eller alt="" om dekorativ
Etiketter på formulärfält	kopplade med for/id
Klickytor ≥ 24×24 px	särskilt på mobil

Men AI-gränssnitt har egna problem som WCAG inte skrevs för.

Fem AI-specifika tillgänglighetsproblem:

Problem	Varför det uppstår	Lösning
Strömmande svar	skärmläsare läser om texten när den ändras	aria-live="polite" på en stabil behållare, uppdatera i block
Genererade bilder utan alt-text	det finns ingen upphovsperson som skrev den	generera beskrivning med en VLM, låt användaren rätta
Ingen tidsgräns i väntan	oklart om systemet hänger	statusmeddelande i live-region, inte bara en snurra
Långa svar	tungt att navigera utan struktur	rubriker, listor, hopplänkar
Endast röstgränssnitt	utesluter dövhet och talsvårigheter	alltid ett textalternativ

Strömmande svar är det svåraste och det vanligaste felet. En naiv implementation uppdaterar samma element token för token; en skärmläsare tolkar det som att innehållet ändras hundratals gånger och läser om från början. Lösningen är att buffra till meningsnivå och använda aria-live="polite" så att uppläsningen inte avbryter sig själv.

Språklig inkludering är den andra halvan:

Grupp	Behov
Svenska som andraspråk	enklare språk på begäran, inte bara ett komplicerat svar
Dialekt och talspråk	modellen ska förstå indata som inte är skriftspråk
Teckenspråk	textalternativ, och video där det går
Lässvårigheter och dyslexi	uppläsning, kortare stycken, tydlig struktur
Kognitiv funktionsnedsättning	ett steg i taget, inga oväntade ändringar

Modellens egen partiskhet är också en tillgänglighetsfråga. En taligenkänning som fungerar sämre för dialekt, brytning eller talsvårigheter utesluter användare i praktiken, även om gränssnittet är perfekt. Mät prestandan per grupp, inte bara totalt.

Testning, i tre nivåer:

Nivå	Vad	Fångar
Automatiskt (axe, Lighthouse)	kontrast, etiketter, roller	~30 % av problemen
Manuellt	tangentbord, skärmläsare, 200 % zoom	mycket mer
Med verkliga användare	faktisk användning med hjälpmedel	det som ingen annan metod hittar

Den första nivån är billig och bör ligga i CI — AI-grafen kör npm run a11y med axe-core över alla sidor vid varje bygge. Men den fångar bara en tredjedel, och den sista nivån är den enda som hittar de verkliga problemen.

<!-- Strömmande AI-svar som fungerar med skärmläsare -->
<div role="region" aria-label="Svar från handledaren">
  <div id="status" aria-live="polite" class="sr-only">Handledaren skriver …</div>
  <div id="svar" aria-live="polite" aria-atomic="false"></div>
  <button id="avbryt">Avbryt</button>
</div>

// Buffra till meningsnivå — annars läser skärmläsaren om texten vid varje token
let buffert = "";
const svar = document.getElementById("svar");
const status = document.getElementById("status");

function taEmot(token) {
  buffert += token;
  if (/[.!?]\s$/.test(buffert)) {          // hel mening klar
    const p = document.createElement("p");
    p.textContent = buffert.trim();
    svar.appendChild(p);                    // lägg TILL, skriv inte över
    buffert = "";
  }
}

function klar() {
  if (buffert.trim()) {
    const p = document.createElement("p");
    p.textContent = buffert.trim();
    svar.appendChild(p);
  }
  status.textContent = "Svaret är klart.";
}

# Alt-text för genererade bilder — med möjlighet att rätta
def alt_text(bild, kontext: str) -> dict:
    beskrivning = vlm(
        "Beskriv bilden i högst 125 tecken för någon som inte ser den. "
        "Nämn bara det som syns. Skriv 'framgår inte' om något är oklart.\n"
        f"Sammanhang: {kontext}", bild)
    return {"alt": beskrivning[:125], "genererad": True, "kan_rattas": True}

# Mät modellprestanda PER GRUPP — inte bara totalt
def wer_per_grupp(asr, testset):
    import jiwer
    from collections import defaultdict
    per = defaultdict(list)
    for fall in testset:
        w = jiwer.wer(fall["facit"], asr(fall["ljud"]))
        per[fall["grupp"]].append(w)          # dialekt, brytning, ålder, talsvårighet
    return {g: round(sum(v) / len(v), 3) for g, v in sorted(per.items())}
# {'brytning': 0.31, 'dialekt_norrland': 0.19, 'rikssvenska': 0.08, 'talsvarighet': 0.44}
#  ↑ totalsiffran hade dolt att systemet är oanvändbart för en av grupperna

Sista utskriften är poängen: en genomsnittlig WER på 0,12 ser bra ut och döljer att systemet i praktiken utesluter användare med talsvårigheter.