게임 AI 이야기는 보통 두 극단으로 튀어. 하나는 “AI가 게임을 통째로 만들 것”이라는 쪽이고, 다른 하나는 “창작을 망가뜨릴 것”이라는 쪽이야.
하지만 PlayStation Studios의 Ryan Walesa가 한 강연을 보면, 실제 현장은 훨씬 덜 극적이고 더 실무적이야. AI가 먼저 들어가는 곳은 플레이어가 보는 NPC의 입이 아니라, 플레이어가 남긴 말과 버그와 서비스 신호를 읽는 운영실이야.1
무슨 일
Walesa는 PlayStation Studios에서 AI와 데이터 엔지니어링 팀을 이끈다고 소개해. 이 팀은 1st-party 게임 스튜디오와 직접 일하면서 머신러닝과 데이터 엔지니어링을 붙이는 중앙 기술 조직에 가깝다.
강연의 출발점은 게임 업계의 AI 논쟁이야. 어떤 회사는 모든 게임 회사가 AI를 쓴다고 말하고, 어떤 회사는 생성형 AI를 쓰는 스튜디오와 일하지 않겠다고 말한다. 어떤 개발자는 AI가 도움이 되지만 게임을 만들 수는 없다고 하고, 반대로 누군가는 완전한 AI 생성 게임을 예고하지.
Walesa가 여기서 잡는 선은 꽤 명확해. “AI”라는 말이 너무 뭉뚱그려졌다는 거야. 통계, 추천 모델, 컴퓨터 비전, 강화학습은 게임 안에서 오래전부터 쓰였어. 최근의 반발은 주로 생성형 AI가 창작 영역으로 들어오면서 커진 거지, 게임과 머신러닝이 처음 만난 게 아니야.
왜 중요한가
AAA 게임의 비용 구조가 이 논쟁의 배경이야. 강연에 따르면 지난 10년 동안 AAA 예산은 세 배 넘게 커졌고, 후속작은 지도, 캐릭터, 적, 무기, 트랙, QA 범위가 계속 커졌어. 개발 기간은 몇 년 단위고, 어떤 게임은 5년을 잡아야 해.
문제는 가격이 그만큼 오르지 않는다는 점이야. Walesa는 PS4에서 PS5로 넘어오며 가격이 대략 10달러 오른 정도라고 말해. 게임의 범위는 두 배가 되는데 가격은 조금만 오른다. 그러면 선택지가 좁아져. 야심을 낮추거나, 인력을 줄이거나, 야근을 늘리거나, 같은 팀이 더 많은 일을 하게 만드는 방법을 찾아야 해.
그래서 게임 업계가 AI를 만지는 핵심 이유는 “창작자를 없애기”보다 선형으로 늘어나는 비용 곡선을 눌러보려는 시도에 가까워. 이 프레임으로 보면 실제 적용 사례가 다르게 보인다.
확인된 것
전통적 머신러닝 쪽 사례는 이미 꽤 넓어. 캐릭터 애니메이션에서 발이 땅에 닿는 프레임을 찾아 사운드나 이펙트 태그를 붙이는 작업, Destiny의 추천 모델, 라이브 서비스 게임의 접속 이상 감지, 이탈 가능성이 큰 플레이어와 그 친구 그룹을 보는 소셜 그래프, 매치메이킹이 너무 뻔한 승부를 만들고 있는지 보는 공정성 분석이 나와.
여기서 공통점은 “창작물을 대신 만든다”가 아니야. 사람이 손으로 다 보기 어려운 신호를 줄이고, 비교하고, 이상한 곳을 찾는 일이야.
생성형 AI 쪽에서도 강연의 무게중심은 예술 이미지 생성보다 피드백 루프에 있어. PlayStation 쪽 사례로 나온 것은 Marathon 게임플레이 공개 뒤 4만 건 넘는 플레이어 대화를 LLM으로 주제와 감정으로 나누고, 개발팀이 읽을 수 있는 리포트로 만든 일이야. 예전이라면 BERT 같은 전통 모델로 했을 작업을, 지금은 LLM이 더 풍부한 분류와 요약으로 맡는다는 설명이지.
플레이어 지원도 비슷해. AI가 플레이어에게 직접 답하는 게 아니라, 들어온 티켓을 상담원이 읽기 쉬운 언어로 번역하고, 버그인지 괴롭힘인지 분류하고, 비슷한 버그 보고를 묶어준다. Helldivers 2 사례에서는 티켓 여러 건에서 공통된 버그 신호를 찾아 개발팀에 넘길 수 있다고 설명해.
QA와 출시 준비도 같은 방향이야. 게임이 출시되기 전 QA 팀은 많은 버그를 남긴다. 그중 어떤 것은 출시를 막아야 하고, 어떤 것은 작은 그래픽 문제일 수 있어. LLM은 이 많은 QA 데이터를 읽고 출시 준비 상태를 보는 리포트를 만드는 데 쓰인다고 해.
예술 쪽 사례도 하나 나온다. 머리카락 모델링이야. 캐릭터 아티스트에게 머리카락은 손이 많이 가는 작업이고, PlayStation 쪽은 실제 머리 모양을 찍은 파노라마 영상에서 머리카락을 분리하고 합성적으로 자라게 하는 방식을 실험하고 있다고 설명해. 여기서도 핵심은 “아티스트를 지우기”가 아니라, 헤어스타일리스트가 만든 물리적 스타일을 게임 자산으로 옮기는 새로운 제작 흐름이야.
주체의 주장과 실제 그림
강연자는 AI가 게임에 큰 생산성 이득을 준다고 본다. 하지만 동시에 “생성형 AI가 게임을 통째로 만든다”는 식으로 말하지 않아. 오히려 게임 개발의 복잡도를 계속 강조해. 게임은 음악, 사운드, 연기, 모션 캡처, 2D·3D 아트, 영상, 서사, 대사, 그리고 무엇보다 재미와 상호작용을 동시에 맞춰야 해. 마지막 세 달에야 재미를 찾는 경우도 있다고 말하지.
그래서 이 강연의 실제 그림은 더 좁고 더 단단해. AI는 데이터가 많고, 사람이 다 읽을 수 없고, 결과를 다시 사람이 판단할 수 있는 곳에서 먼저 값이 난다. 플레이어 대화 4만 건, 지원 티켓 수만 건, 지역별 접속 신호 수백 개, QA 버그 더미 같은 곳이야.
이건 agentic workflow 이야기와도 닿아 있어. 모델 하나가 똑똑해지는 것보다, 데이터를 가져오고, 분류하고, 리포트로 만들고, 사람이 다시 판단하는 흐름이 더 중요해진다는 점에서 그래.
다음에 볼 것
첫째, 게임 AI의 진짜 채택률은 창작 도구보다 운영 도구에서 먼저 봐야 해. 플레이어 피드백 분석, 고객 지원, QA, 이상 감지, 추천, 매치메이킹 감시처럼 이미 데이터가 쌓이는 곳이 먼저 커질 가능성이 높아.
둘째, 이 도구들이 중앙 기술팀의 데모에서 각 스튜디오의 일상 도구로 넘어가는지 봐야 해. Walesa는 빠른 데모가 스튜디오의 신뢰를 얻는 데 도움이 되지만, 실제 생산 시스템은 데이터 제품으로 만들어 분석 도구에 붙이는 쪽이라고 설명해. 이 차이가 중요해. 멋진 리포트 한 번과 매주 쓰는 인프라는 다르니까.
셋째, 플레이어 여론 분석이 디자인 결정을 얼마나 바꾸는지 봐야 해. 강연의 Q&A에서 Walesa는 LLM이 작은 커뮤니티를 발견하는 데 도움은 주지만, 모든 커뮤니티를 만족시키는 게임은 지루하다고 말해. 결국 데이터는 결정을 대신하지 않아. 어떤 플레이어를 실망시킬지까지 포함해, 창작 방향은 사람이 고른다.
넷째, “AI가 게임을 만든다”는 말보다 “AI가 게임 제작의 어느 병목을 줄였나”를 물어야 해. 그 질문으로 보면 지금 가장 강한 신호는 NPC의 즉흥 대사가 아니라, 보이지 않는 백오피스의 반복 작업이야.
댓글