自动化评分70%≈实际合规40%：Deque数据让产品经理集体破

上个月某产品评审会上，一位产品负责人指着屏幕上的70分说"我们快达标了"。在场的设计师点头附和。我坐在角落，手里的咖啡突然不香了——按Deque自己的营销材料，这意味着他们实际只解决了不到40%的无障碍问题。

这个 gap（差距）大到足以让轮椅用户卡在支付页面，让视障用户迷失在导航菜单里。

评分游戏的数字魔术

axe-core、WAVE、Lighthouse这些工具，本质上是无障碍领域的拼写检查器。它们能快速扫出 alt 文本缺失、颜色对比度不足这类技术硬伤，效率确实高。

但拼写检查器读不懂上下文。它不会告诉你"银行"和"河岸"哪个词用错了地方。

自动化测试的覆盖率天花板很低。行业共识是20%-40%，Deque官方宣称能到57%——这个数字本身就成了罗生门。测试了哪些网站？样本量多大？有没有用户测试视频验证？我在他们官网翻了二十分钟，没找到方法论细节。

57%已经是行业天花板，但换算成实际场景足够荒诞：

自动化评分 70% × 57% 实际检测率 = 39.9% 真实合规度

也就是说，那个"快达标"的产品，其实连及格线都够不着。

"修给工具看"的荒诞剧场

评分机制扭曲了行为。开发者开始针对检测规则写代码，而不是针对真实用户。

我见过最讽刺的案例：某团队为了消灭 axe-core 的报错，给所有图片加了 alt="image"。工具绿了，屏幕阅读器用户听到的却是满屏"图片、图片、图片"——信息量为零，但评分涨了。

这种表演式修复（performative fixes）正在批量生产。按钮加了正确的 ARIA 标签，但点击后毫无反馈；表单通过了颜色对比度检测，但错误提示只显示为红色边框，色盲用户根本感知不到。

更隐蔽的伤害在决策层。当高管看到仪表盘上的绿色进度条，他们会问："无障碍预算能不能砍一半？"

一位无障碍顾问向我吐槽：「客户拿着90分的报告来谈判，说我们没必要再做用户测试了。我当场打开那个网站，用键盘试了五分钟，卡在第三个弹窗里出不来。」

工具本身无罪，但迷信有罪

我并非要否定自动化工具。axe-core 能在一分钟内扫出我肉眼半小时才能发现的重复ID，Lighthouse 的颜色对比度计算比人眼客观得多。它们是优秀的起点，但起点被误当成了终点。

真正的无障碍障碍，往往藏在工具触及不到的维度：

焦点顺序是否符合逻辑？屏幕阅读器用户能否预判下一步跳到哪里？复杂表格的表头关联是否正确？动态内容更新有没有及时通知辅助技术？

这些需要真人用键盘、用读屏软件、用放大器去一寸一寸地摸。一个视障测试员在购物车页面多卡了30秒，比任何评分都更接近真相。

Deque 自己的培训材料里其实写得很清楚：自动化检测是"第一层防线"，不是"唯一防线"。但营销话术的音量，往往盖过了免责声明的字号。

把评分从仪表盘上请下来

有些团队已经开始反其道而行。英国政府数字服务（GDS）在内部规范里明确禁止用自动化评分作为合规证据；微软的包容性设计团队把"真实用户任务完成率"设为北极星指标，工具评分只作参考。

更务实的做法是重新定义"完成"。不是100分，而是"关键用户旅程无障碍"——注册、搜索、支付、客服，每条路径至少通过一轮真人测试。

成本确实更高。但比起因无障碍诉讼赔掉的百万美元，或者永久流失的15%残障用户群体，这笔账不难算。

那个评审会后来怎么样了？我会后给产品负责人发了封邮件，附上一段3分钟的屏幕阅读器录屏。第二天，他回复：「我们重新排了优先级。」

没有道歉，没有解释。但下一版路线图里，用户测试的工时从8小时涨到了40小时。

如果你的团队也在用自动化评分汇报进度，我想问一个具体的问题：你们最近一次邀请残障用户参与测试，是在什么时候？