Testování přístupnosti přes MCP: co dnes zvládnou AI agenti

Co MCP znamená pro přístupnost

Model Context Protocol (MCP) je otevřený standard vyvinutý společností Anthropic, který umožňuje AI asistentům standardizovaným způsobem se připojovat k externím nástrojům, API a zdrojům dat. Namísto toho, aby byla AI omezena na svá trénovací data, promění MCP jakýkoli nástroj, který dokážete popsat, v něco, co může AI použít na vyžádání — uprostřed konverzace, uprostřed pracovního postupu, uprostřed revize kódu.

Pro testování přístupnosti je tento posun zásadní. Ještě donedávna spuštění skenu přístupnosti znamenalo opustit editor, otevřít rozšíření prohlížeče, přejít na správnou URL, počkat na výsledky a pak je ručně interpretovat. MCP toto tření zcela odstraňuje.

Proč přístupnost patří do pracovního postupu s AI

Moderní vývoj je stále více podporován umělou inteligencí. Vývojáři píší kód s pomocí AI. Revize designu probíhají v nástrojích poháněných AI. Dokumentace se koncipuje v chatových rozhraních AI. Nasazovací pipeline se monitorují pomocí AI.

Přístupnost se přitom historicky přišroubovávala až na konec — audit, který proběhne po dostavění webu, kdy jsou náklady na nápravu nejvyšší. MCP to mění tím, že umožňuje zabudovat testování přístupnosti do libovolného bodu pracovního postupu, nejen na jeho konec.

Když může AI asistent zavolat skener přístupnosti přímo, dokáže:

Odhalit porušení, ještě když komponentu píšete
Zablokovat požadavek na sloučení, pokud najde kritické problémy
Zahrnout shrnutí přístupnosti do každé revize designu
Znovu otestovat po každém nasazení a zachytit regrese

Není to teorie. Přesně to se stane, když připojíte AI asistenta pro psaní kódu k nástroji pro přístupnost s podporou MCP.

Jak funguje MCP server od QualiBooth

QualiBooth již nabízí MCP server, ke kterému se mohou AI asistenti — včetně Claude — připojit. Po připojení může AI spouštět skutečné skeny přístupnosti podle WCAG proti jakékoli veřejné URL, přijímat strukturované výsledky a odhalovat prakticky použitelná zjištění, aniž by vývojář musel opustit svůj nástroj.

Typická interakce vypadá takto: vývojář požádá AI asistenta, aby zkontroloval nově nasazenou testovací stránku na problémy s přístupností. AI zavolá nástroj QualiBooth přes MCP, předá URL a obdrží zpět úplnou zprávu o porušeních — úrovně dopadu, počty dotčených prvků, odkazy na kritéria WCAG a pokyny k nápravě. AI pak zjištění prezentuje v kontextu, provázaná s kódem, na kterém vývojář právě pracuje.

Žádné rozšíření prohlížeče. Žádná samostatná záložka. Žádné ruční kopírování a vkládání. Sken proběhne uvnitř pracovního postupu.

Co sken pokrývá

MCP server QualiBooth spouští kontroly poháněné axe-core proti živě vykreslené stránce — stejným jádrem, jaké specialisté na přístupnost používají pro profesionální audity. Výsledky zahrnují:

Celkové skóre přístupnosti (0–100) a míru rizika žaloby
Porušení podle dopadu: kritická, závažná, střední, drobná
Nejdůležitější opravy: problémy s nejvyšší prioritou, které je třeba řešit jako první, s počty dotčených prvků a odkazy na pokyny k nápravě
Úplný detail porušení z axe-core: pro případy, kdy potřebujete jít do hloubky

Znamená to, že AI má stejné informace, jaké by měl inženýr specializovaný na přístupnost — a dokáže o nich uvažovat v kontextu vaší kódové základny.

Co to týmům umožňuje

Týmy, které propojí QualiBooth se svými AI nástroji, získají praktické schopnosti, jež bylo dříve nešikovné realizovat.

Průběžné monitorování přístupnosti. AI agent běžící podle harmonogramu může po každém nasazení zkontrolovat každou stránku vašeho webu a nahlásit regrese dřív, než na ně narazí uživatelé.

Revize kódu s ohledem na přístupnost. Když AI asistent posuzuje pull request obsahující změny v UI, může naskenovat náhledovou URL a zahrnout zjištění o přístupnosti vedle své zpětné vazby ke kódu.

Audit na vyžádání v CI/CD. AI orchestrující nasazovací pipeline může zavolat QualiBooth uprostřed nasazení, nechat vydání selhat, pokud najde kritická porušení, a předat zjištění zpět vývojáři.

Nižší práh pro nováčky v přístupnosti. Vývojáři, kteří nejsou specialisty na přístupnost, se mohou AI zeptat, co dané porušení znamená, proč záleží konkrétní skupině uživatelů a jak je opravit — s výsledky skenu jako kontextem.

Soulad s WCAG ve vývoji s podporou AI

Jedním z rizik vývoje s podporou AI je, že AI nástroje reprodukují vzory přístupnosti, které vypadají správně, ale WCAG nesplňují. Když AI vygeneruje modální okno, rozbalovací nabídku nebo formulář, není bez externího ověření žádná záruka, že vygenerovaný kód splňuje WCAG 2.2 úroveň AA.

Propojení QualiBooth přes MCP tuto smyčku uzavírá. AI vygeneruje kód, AI výsledek naskenuje, AI opraví, co najde. Právě tento těsný cyklus zpětné vazby — vygenerovat, otestovat, napravit, vše v jedné relaci — je způsob, jak může asistence AI výchozí úroveň přístupnosti webu skutečně zlepšovat, místo aby ji postupně nahlodávala.

Znamená to také, že když se problémy s přístupností v produkci přece jen objeví, může se doba od detekce k opravě zkrátit z týdnů (čekání na další plánovaný audit) na minuty (AI problém najde, vysvětlí jej a v témže pracovním postupu jej opraví).

Jak začít

MCP server QualiBooth je k dispozici už nyní. Pokud už používáte Claude nebo jiného AI asistenta kompatibilního s MCP, můžete si nástroj QualiBooth přidat do konfigurace a začít spouštět skeny přístupnosti přímo ze svého pracovního postupu s AI.

Pro týmy, které chtějí jít dál — opakované skeny, generování VPAT, manuální odborné revize — staví plná platforma QualiBooth na stejném jádru pro přístupnost. Vše, co nástroj přes MCP odhalí, lze eskalovat do plnohodnotného auditu.

Otázkou není, zda přístupnost patří do vašeho pracovního postupu s AI. Patří tam, a to ze stejného důvodu jako všude jinde: čím dříve problémy zachytíte, tím levněji se opraví. MCP je způsob, jak toho dosáhnout.