게임 개발에 있어 에이전틱 AI의 역할과 실제 적용 사례, 개발 프로세스, 그리고 플레이어 경험을 향상시키는 방법에 대해 소개합니다.
스튜디오들은 게임 개발 제약 내에서 작동하는 정교하고 동적인 시스템을 오랜 시간 구축해 왔습니다. 그럼에도 불구하고 플레이어들은 더 많은 것을 원합니다. 더 역동적이고, 통제 가능하며, 재플레이성이 높은 경험을 원하죠. 그들은 더욱 동적인 게임 세계, 살아있는 듯한 캐릭터, 진정으로 인터랙티브하고 개인화된 경험을 원합니다. 스튜디오들은 이를 분명히 인지하고 있고, 저희 또한 그렇습니다. 결국, 우리의 공동 목표는 간단합니다: 플레이어를 위한 멋진 게임을 만드는 것. 이미 업계에 축적된 전문성을 존중하며, 실제로 스튜디오가 플레이어가 원하는 경험을 제공하는 데 도움이 되는 솔루션에 중점을 둠으로써 이 목표를 달성합니다.
에이전틱 AI 시스템은 게임 개발자들이 매우 동적인 게임 세계를 만들고, 플레이어에 반응하는 NPC, 개발 속도를 높이고 플레이어 지원 요청에 더 높은 품질의 답변을 제공하는 QAgent 등을 구현하는 데 도움을 줄 수 있습니다. 또한, 개인화된 마케팅 크리에이티브 생성 같은 비즈니스 라인 문제에도 활용할 수 있습니다. 신기술과 역량에 대한 대화는 종종 유행어와 과장된 약속에 집중되어, 멋진 게임 제작에 들어가는 기술적 예술성과 실질적 현실을 충분히 반영하지 못하는 경우가 많습니다. 본 블로그에서 공유할 기회들은 오늘 당장 비교적 쉽게 해볼 수 있는 것부터, 더 진보적인 미래의 기회까지 다양하게 다룹니다.
본격적으로 내용에 들어가기 전, 용어에 대해 짚고 넘어가야 할 것 같습니다. 게임에서 인공지능(AI)이란 매우 다양한 의미를 가집니다. 업계에서는 오랜 기간 NPC, 봇 형태의 AI, 그리고 프로시저럴 제너레이션 기법을 활용해 콘텐츠를 만들어 왔습니다. 머신러닝(ML) 및 강화학습(RL)이 더 보편화되면서 이것 또한 AI로 지칭됐습니다. 요즘에는 생성형 AI(트랜스포머 기반 모델)도 AI라고 불립니다. 본 블로그에서 "AI"라고 할 때는 "생성형 AI(GenAI)"를 의미합니다. 다른 용어가 필요할 땐 따로 명시하겠습니다.
에이전틱 AI란 독립적으로 행동하고, 실시간으로 적응하며, 맥락과 목표에 따라 복잡한 결정을 내릴 수 있는 자율적 목표 지향적 인공지능 시스템을 말합니다. 기존의 규칙 기반 AI가 스크립트된 행동이나 고정 루틴을 따르는 것과 달리, 에이전틱 AI는 동적 환경 내에서 학습, 추론, 진화를 목표로 설계됩니다.
성능 좋고 확장 가능한 에이전틱 AI 워크플로우를 구축하려면, 스튜디오들은 데이터가 있는 곳에 에이전트를 위치시켜야 합니다. Databricks는 게임 환경 내에서 신뢰할 수 있고 데이터 기반의 결과를 제공하는 AI 에이전트 개발, 평가, 거버넌스를 위한 유일한 통합 플랫폼을 제공합니다. AI Playground, MLflow Model Signatures 등 기존 Databricks 솔루션을 활용해 입력/출력 스키마를 정의함으로써, 데이터가 있는 곳에서 바로 에이전트를 프로토타이핑할 수 있습니다.
작동하는 것과 그렇지 않은 것의 예시는 다음과 같습니다:
| 스튜디오의 필요 | 흔한 커뮤니케이션 실수 | 더 효과적인 접근법 |
|---|---|---|
| 기존 엔지니어링 워크플로우와 통합되는 도구 | 전체 게임 코드 개편을 제안, 또는 데이터 전략이 없는 조각난 도구 네트워크 제안 | 기존 워크플로우에 내장되어 게임 텔레메트리 옆에서 동작하는 에이전트 시스템 |
| 초저지연 AI 추론 | 게임 서버(또는 더 나쁘게는 클라이언트)에서 직접 추론 | 게임 서버 인근(예: 쿠버네티스 사이드카)에 실시간 동작하는 경량 모델 |
| 출시 전 QA 지원 | 릴리스 전 고품질 플레이 데이터를 수집/확장할 계획 없는 RL 솔루션 제안 | 확장 가능한 인프라 위의 견고한 게임 경험 및 텔레메트리 수집 파이프라인, 행동 복제∙RL 자동화 결합 |
| 다양한 유저 세그먼트에 어필하는 마케팅 크리에이티브 | 단순히 대량 크리에이티브 생성에 집중, 마케터의 창의적 가치를 무시 | 캠페인 대상 유저 디테일 추출 후, 과거 크리에이티브 기반 스타터 이미지 생성, 마케터가 고품질 세그먼트 겨냥 크리에이티브 제작 가능 |
플레이어 중심 경험: 에이전틱 AI로 각 플레이어에게 진정으로 반응하는 세계와 캐릭터를 제공할 수 있습니다. 살아있는 NPC는 기억, 적응, 진화를 가능케 하여 매번 새로운, 개인화된 여정을 만듭니다.
플레이어 몰입도 향상: 동적 상호작용과 창발적 게임 플레이를 가능케 하여, 에이전틱 AI는 플레이어를 더 깊이 끌어당깁니다. 새로운 도전, 스토리, 행동이 등장해 플레이어를 계속 게임으로 이끕니다.
더 나은 게임 개발: 자동화된 QA 에이전트(QAgent)는 테스트와 콘텐츠 제작을 효율화합니다. 개발 사이클 단축, 품질 향상, 기존 QA 리소스의 AI가 할 수 없는 부분에 더 집중할 수 있도록 지원합니다.
라이브 게임 지원: 에이전틱 AI는 커뮤니티 지원 자동화, 플레이어 상호작용 모니터링, 라이브 콘텐츠 업데이트 개인화를 자동화하여 라이브 게임 운영 효율성을 높입니다. 운영 비용 절감과 더 안전하고 환영받는 환경을 보장합니다.
상위 정의를 구체화하기 위해, 위 목표와 역량을 뒷받침할 플레이어 중심의 대표 사례들을 소개합니다.
에이전틱 AI를 통해 NPC들은 플레이어의 선택을 기억하고, 성격을 적응시키며, 자신의 목표까지도 추구하게 만들 수 있습니다. 이들은 전례 없는, 놀라운 방식으로 반응하여 게임 세계를 더 몰입감 있게 만듭니다. 동반자가 플레이스타일에 따라 성장하고 변화하거나, 이전 대결을 기억해 앙심을 품는 라이벌, 또는 플레이어 결정에 따라 태도가 유동적으로 변하는 캐릭터를 상상해보세요. 게임은 원래 인터랙티브한 엔터테인먼트이며, 이런 컨셉은 완전히 새로운 것은 아닙니다. 에이전틱 AI는 이러한 다이내믹스를 한 단계 진화시킬 수 있는 도구입니다. 모든 행동 변화와 캐릭터 반응을 직접 미리 정의하는 대신, 에이전트가 이를 동적으로 생성해줍니다. 결과적으로, 플레이어 몰입도와 재플레이성이 향상된 더욱 개인적이고 생동감 넘치는 세계를 창조할 수 있습니다.
예를 들어, 마을 역사가 역할의 NPC를 만든다고 가정해 봅시다. 전통적으로라면 몇 가지 입력과 응답을 미리 써두고, 일부는 외주로 처리했을 겁니다. 에이전틱 시스템에서는 플레이어에게 더 많은 주체성을 줄 수 있습니다. PC 게임이라면 채팅 인터페이스에 자유롭게 입력하거나 사전 정의된 프롬프트를 쓸 수도 있겠죠. 콘솔 게임처럼 타이핑이 불편한 환경에서는 음성-텍스트 변환이나, 게임 상태에 따라 동적으로 프롬프트를 제안하는 에이전트도 도입할 수 있습니다. 플레이어의 질문이 입력되면, 에이전트는 이를 바탕으로 응답을 생성합니다. 예를 들어, 지식 기반 검색을 통해 마을(또는 게임 세계) 전설을 찾거나, 게임/플레이어 현상태를 설명한 테이블을 질의한 후 이를 바탕으로 프롬프트를 생성해 응답을 만들 수도 있습니다. 이러한 AI 시스템은 간단하게 시작해 점차 복잡하게 확장할 수 있고, 비교적 쉽게 지속적으로 발전시킬 수 있습니다.
AWS의 Andrei Muratov가 공유한 흥미로운 하위 사례로 "비구체적 NPC(disembodied NPC)"가 있습니다. 요즘 플레이어들이 기대하는 수준의 상호작용 품질을 보장하는 데 네트워크 지연이 과제가 되기 때문입니다. 일부 스튜디오들은 물리적 형태가 없이(비구체적) 존재하는 NPC 개발에 에이전틱 AI를 접목하고 있습니다. 예를 들면, 의인화된 동반자, 하늘의 목소리, 혹은 플레이어 머릿속 음성 등입니다. 육체적 형태가 없기에, 1) 얼굴 표정 애니메이션이 필요 없고, 2) 응답 생성에 더 많은 컴퓨팅 시간을 사용할 수 있으며, 3) 플레이어와의 인터랙션 범위를 제한함으로써 비용도 줄일 수 있습니다.
앞서 언급했듯, 봇 제작은 게임 개발자들에게 익숙한 영역입니다. 에이전틱 AI와 강화학습을 활용하면 이를 한 단계 진화시킬 수 있습니다. 여기서는 대표적인 QA 봇, 즉 QAgent를 예로 듭니다. QAgent의 아키텍처와 기술적 접근은 모든 봇 제작과 동일합니다. QAgent는 특히 자주, 빠르게 개발되어야 하고, 게임 메커니즘 진화에 따라 민첩하게 변화해야 하므로 좋은 예시입니다.
QAgent는 더 나은 게임 개발과 라이브 운영 지원이라는 "백엔드"적 용도에 최적화되어 있습니다. AI 기반 자동 QA 테스터로서 실제 사람처럼 게임 레벨을 플레이하고, 특정 행동을 수행하며, 버그나 예기치 못한 행동을 탐색합니다. 기존 스크립트 기반 테스트 자동화와 달리, QAgent는 게임 변화에 적응하고, 새로운 콘텐츠를 탐험하며, 동적 환경에 대응할 수 있습니다. 스튜디오는 더욱 효율적으로 테스트하고, 더 빨리 문제를 발견하며, 신작과 라이브 게임 모두에서 품질을 높일 수 있습니다.
Unreal Engine의 실험적 Learning Agents 플러그인을 이용하면, 인기 머신러닝 알고리즘의 효율적이면서 게임 친화적 구현과 함께, 블루프린트나 C++ 코드로 원하는 상호작용 인터페이스를 지정할 수 있습니다. 에이전트의 관찰(Observation), 행동(Action), 그리고 평가 척도(Reward Function)를 지정만 하면, Learning Agents가 필요한 데이터를 수집하고 학습 모델을 만듭니다. 강화 학습(즉, 스스로 게임을 하면서 보상 최대화를 학습)과 모방 학습(사람의 플레이 기록 데이터로부터 학습) 둘 다 지원합니다. Learning Agents를 직접 안 쓰더라도, 유사한 머신러닝 구현을 엔진에 직접 개발 후 트레이닝 루프와 결합해 에이전트를 만들 수 있습니다.
또한, 에이전트 행동 자동화 이상의 영역에서, QAgent 및 봇은 다양한 관심사 인식도 필요합니다. 예를 들어, 오브젝트 제약 위반 체크, 세션별 통계 집계(예: 더 이상 레벨을 클리어 할 수 없는 상황) 등은 결정적 방법으로 가능하지만, 어떤 테스트는 추가적인 ML 모델이 필요합니다. 예를 들어, 화면의 플레이어 캐릭터를 인식하는 오브젝트 인식 모델과, 이미지 내 인물이 T-포즈인지 분류하는 이미지 분류기를 활용해, 인간 테스터가 전통적으로 발견하던 시각적 결함도 자동 인식할 수 있습니다. 인간 테스터가 찾아낸 결함 데이터를 축적해 추가적으로 모델 학습에 사용하면, 데이터-인공지능 선순환(flywheel)이 일어납니다. 이로써, 더 빠르고 성공적인 출시, 긍정적 평가, 만족스러운 플레이어 경험으로 이어집니다.
QAgent/봇의 어떤 용도이든, 스튜디오들이 강하게 바라는 것은 'AI 모델을 빠르고 효율적으로 훈련/재훈련할 수 있는 능력'입니다. MLops 파이프라인을 개발/디자인 및 크리에이티브 빌드 주기와 연동시켜, 신속한 AI 워크플로우를 구축하면, 게임 출시 속도가 극적으로 증가합니다. 확장성 있는 클라우드 기반 데이터-인공지능 플랫폼 위에 기본적인 특성엔지니어링, 모델 관리, 전이학습 활용 등을 더하면 효과적으로 개발 전 과정에 접목해 팀의 노력을 한층 증폭시킬 수 있습니다. QA팀은 이미 빠른 응답을 위해 노력 중이기에, 모델 트레이닝 대기가 오히려 걸림돌이 되지 않으려면, 모델은 반드시 데이터 인근에 존재해야 합니다.
게임 내 불쾌한 경험이 있을 때 신고 티켓을 남기면, "접수 완료, 언젠가 답변드리겠습니다"류의 메시지를 받는 게 현실입니다. 그리고 드디어 받은 답변도, 내 고민과는 동떨어진 템플릿일 때가 많죠. 지원 인력을 채용∙유지하는 비용은 높고, 지식베이스를 최신화하는 것도 만만치 않기에, 플레이어 응대 품질이 낮은 건 어찌 보면 당연한 결과입니다.
에이전틱 AI는 플레이어 중심 커뮤니티 지원 경험을 만들 수 있는 기회를 제공합니다. 기존 단순 챗봇을 동적 지식 기반 챗봇으로 대체하는 것이 1단계입니다. 이 단계만으로도 즉각적으로 더 나은 경험을 줄 수 있습니다. 여기서 한발 더 나아가 에이전틱 AI가 입력을 분석 및 세부 사항 추출, 그리고 추가 시스템을 통합 활용해 더욱 풍부하고 맥락 맞는 응답을 생성하는 복합 AI 시스템을 만들 수 있습니다.
에이전틱 AI 커뮤니티 지원 시스템의 스토리보드를 상상해봅시다:
이러한 시스템은 오늘날에도 충분히 구축 가능합니다. 시간과 테스트, 노력이 필요하겠지만, 궁극적으로 재방문율을 높이는 플레이어 중심의 지원 경험을 만들 수 있습니다. 플레이어/커뮤니티 지원팀 역시 여전히 중요하며, 이 경험을 통해 얻은 긍정/부정 사례 학습을 기반으로 시스템 개선과 운영 협업도 강화할 수 있습니다. 목표는 역할 제거가 아니라, 그들이 만들어내는 가치를 높이는 데 있습니다.
지금까지 살펴본 사례들은 모두 인터랙션이 중심이었습니다. 하지만 모든 에이전틱 AI 활용 예시가 인터랙티브일 필요는 없습니다. 에이전틱 AI는 복수 단계, 동적 요구사항이 있는 과제에 특히 힘을 발휘합니다. 게임 내 대표적 예시가 대규모 마케팅 크리에이티브 생성입니다. UA 세그먼트 블로그에서도 언급했듯, 광고 플랫폼은 점차 블랙박스화되고, 유입 성과에 대한 정보도 줄어들고 있습니다. 이를 극복하려면, 다양한 유저 세그먼트별로 맞춤화된 마케팅 크리에이티브를 생성하는 방향이 효과적입니다. 이 과정을 에이전틱 AI가 더욱 빠르고 대규모로, 플레이어 세그먼트별 타겟팅까지 자동화해줄 수 있습니다.
예를 들어, 과거 사용한 광고 크리에이티브 이미지, 게임 스크린샷 등 시각 자료가 있고, K-Means 클러스터링으로 socializer, completionist, killer, explorer 등 플레이어 유형 세그먼트가 구축되어 있습니다. 이어 LTV 모델, 캠페인 소스, 광고 네트워크별 성과 데이터 등도 가지고 있다고 가정합니다. 이제 신규 마케팅 캠페인을 준비하며, "상위 2개 LTV 세그먼트별로 4개씩 마케팅 크리에이티브 시안과, 각 세그먼트별 과거 캠페인 성과 기반 UA 예산 분배안을 제안해달라. 단, 합류한 지 60~120일 된 플레이어만 고려"라고 입력합니다.
에이전틱 시스템은 이를 일련의 하위 단계로 분해하고, 제공된 이미지와 세그먼트/캠페인 데이터 등을 질의해, 각 세그먼트별 시안이미지와 UA 예산 배분안을 제안합니다. 이 결과물을 바탕으로 마케팅팀은 하나를 골라 실제 캠페인에 활용하거나, 대체로는 이를 기반삼아 최종 제품을 만듭니다. 이 접근법으로 매우 빠른 속도와 대규모로, 전체 유저뿐만 아니라 다양한 부분을 타겟하는 맞춤 캠페인을 제작할 수 있습니다. 결과적으로 ROAS, eCPM, 유저풀 모두 성장시킬 수 있게 됩니다.
게임은 본질적으로 인터랙티브 미디어이므로, 동적 경험을 제공하는 역량이 업계 내 강점입니다. 의사결정트리, 프로시저럴 생성에서 이제 에이전틱 AI까지, 업계는 꾸준히 새로운 방법론을 받아들여왔습니다. 본 글에서는 게임 내 에이전틱 AI의 일부 사례만을 살펴봤지만, 유사 사례에도 적용할 수 있고, 서로 조합도 가능합니다. 예를 들어 살아있는 NPC와 봇을 별개로 다루었지만, 이 둘을 결합해 협동(Co-op) 게임에서 플레이어 코치 역할로, 혹은 첫 경험(FTUE) 튜토리얼 트레이너로도 만들 수 있습니다. 에이전틱 AI는 창의적 접근의 문을 넓혀 주지만, 여전히 뛰어난 인재와 창의, 깊은 지식이 필수임을 잊지 말아야 합니다. 수 년간 다양한 도구들이 게임혁신을 이끈 것처럼, 이것도 그 일환일 뿐입니다. Straus Zelnick의 말처럼, “천재성은 인간의 영역이며, 앞으로도 그럴 것입니다.”
구조화·비구조화·지식 기반 등 모든 데이터를 한 곳에 모으는 것이 에이전틱 AI 시스템의 시작입니다. Databricks와 함께라면, 이러한 시스템을 훨씬 쉽게, 플레이어 중심 경험을 비용 효율적으로 실현할 수 있습니다. Databricks가 게임 기업에 어떻게 힘이 되는지 더 궁금하다면 databricks.com/games를 참고하거나 계정 담당자에게 문의해 주세요. 게임 데이터·AI에 관해서는 이북이나 솔루션 가속기도 참고하세요.
여러분이 만들어갈 혁신적 경험을 함께할 날을 기대합니다. 전 세계의 플레이어를 위해 힘써주셔서 감사합니다.
Huntting Buckley(GTM 담당자), Carly Taylor, Corey Abshire(게임 솔루션), Databricks Games
