7월 8일 EA Sports NHL 26 사례 연구는 강화학습 에이전트가 한 번의 자동 실험에서 골리 exploit 전략 6가지를 찾았다고 보고했다. 오늘 Wonder News는 이 게임 QA 연구를 먼저 다루고, Steam AI 사용 공개 논쟁, OpenAI의 GPT-5.6·ChatGPT Work 업데이트, 장시간 코딩 에이전트 벤치마크, 게임형 에이전트 연구를 함께 정리한다.

밤사이 달라진 것

  • NHL 26 논문은 Reward-Adaptive Iterative Discovery, 줄여서 RAID가 개발 버전의 골리 AI를 상대로 여러 득점 에이전트를 훈련하는 방식이라고 설명한다.
  • GamesRadar+는 Bahast의 Steam AI 사용 공개 문구가 시간과 예산 한계를 이유로 생성 AI 사용을 설명한 뒤 개발자 비판이 다시 커졌다고 보도했다.
  • OpenAI의 7월 9일 GPT-5.6 출시와 ChatGPT Work 발표는 코딩 에이전트, 프로젝트 파일, spreadsheet, 문서, desktop review workflow를 쓰는 스튜디오 제작 업무에 들어왔다.
  • 새 arXiv 논문들은 코딩 에이전트를 장시간 작업, 성능 개선, 코드 리뷰, 작업 기록 진단으로 시험한다. 최종 patch가 통과했는지만 보는 평가에서 한 걸음 더 나간다.
  • 최근 에이전트 논문들은 시각 규칙 게임, assistance game 이론, 게임 이론 기반 월드 예측까지 다룬다. 플레이어에게 닿기 전 행동을 시험하는 방법이 늘고 있다.

게임 테스트와 Store 공개

NHL 26 연구는 골리 exploit을 에이전트 탐색 문제로 바꾼다

오늘 가장 직접적인 게임 제작 소식은 NHL 26 논문이다. 저자들은 EA Sports NHL 26 개발 버전에서 인간 플레이테스터가 골리 AI의 행동 exploit을 찾는 상황을 설명한다. RAID는 하나의 고득점 trick에만 맞춰지는 대신 여러 득점 전략을 찾도록 강화학습 에이전트 집단을 훈련한다.

보고된 결과는 구체적이다. 논문이 설명한 첫 배포 실험에서 자동 실험 하나가 하키 득점 exploit 전략 6가지를 찾았다. 저자들은 이 전략들이 인간 플레이테스터가 몇 시간 동안 수작업으로 찾았던 문제와 질적으로 비슷하다고 썼다.

논문은 인간 QA를 과정 밖으로 밀어내지 않는다. 자동 에이전트가 조정 때마다 골리 행동을 깨뜨리는 여러 방식을 반복해서 보여준다면, 인간 테스터는 그 exploit이 불공정하게 느껴지는지, 수정이 정상 플레이를 해치지는 않는지, 게임이 여전히 실력을 보상하는지 판단하는 데 더 집중할 수 있다.

Steam 공개 문구는 제작 방식에 대한 주장으로 읽힌다

GamesRadar+의 7월 9일 Bahast 보도는 Steam의 AI 사용 설명이 플레이 전부터 게임 평가의 일부가 될 수 있음을 보여준다. 보도에 따르면 Bahast 공개 문구는 asset, audio, writing, story, world building, gameplay-system design에 생성 AI가 쓰였다고 적었고, 개발자는 시간과 예산이 제한된 상황에서 필요했다는 취지로 설명했다.

다른 개발자들은 그 설명에 반발했다. 논쟁은 AI가 들어갔는지 여부에만 머물지 않았다. Store 공개 문구가 재정 압박을 손작업 대체의 공개 논거로 삼아도 되는지에 대한 문제였다.

이 논쟁은 GamesRadar+가 앞서 다룬 설문 보도와도 이어진다. GameDiscoverCo가 Steam 이용자 3,800명을 조사한 결과, 43%는 게임 안 AI 사용에 괜찮다고 답했고 25.6%는 중립이라고 답했다. 동시에 거의 90%는 Steam AI 공개 문구를 자세히 읽거나 훑어본다고 했다. Store 문구는 단순한 준수 문구가 아니다. 많은 구매자와 개발자에게는 제품 설명의 일부다.

모델과 업무 도구

GPT-5.6과 ChatGPT Work는 제작 주변 업무를 한곳으로 모은다

OpenAI는 7월 9일 GPT-5.6 발표에서 Sol, Terra, Luna 등급을 소개했고, ChatGPT Work 글에서는 연결된 앱과 파일을 넘나드는 장시간 작업 에이전트를 설명했다. 같은 발표 묶음에서 Codex는 ChatGPT desktop app 안으로 들어갔고, desktop review와 editing workflow도 추가됐다.

게임 팀 입장에서는 더 많은 주변 업무가 한곳에 놓인다. build log 수리, issue triage, marketing docs, launch spreadsheet, localization notes, prototype page, pull-request review가 같은 작업면에 놓인다.

GPT-Live는 별도의 음성 경로다. OpenAI는 새 voice model family가 full-duplex audio interaction을 지원하고, 더 깊은 작업을 다른 모델에 맡길 수 있다고 설명한다. 이는 일반 채팅보다 live game guide, 제작 보조 도구, tabletop-style AI companion의 타이밍 문제에 더 가깝다.

OpenAI의 코딩 평가 점검은 benchmark 숫자를 조심하게 만든다

OpenAI는 7월 8일 평가 글에서 public pass rate가 빠르게 오른 뒤 SWE-Bench Pro task의 약 30%가 broken이라고 추정했다. 게임 도구 쪽 의미는 단순하다. 코딩 에이전트 점수는 모델이 좋아져서 오를 수도 있고, benchmark가 학습 데이터에 들어가서 오를 수도 있으며, 테스트 자체가 약해서 오를 수도 있다.

플레이 가능한 software에서는 평가가 더 까다롭다. 게임 생성 에이전트는 build되고, render되고, 조작에 반응하고, 상태를 보존하고, feedback을 보여줘야 한다. 기존 테스트 통과는 플레이 세션을 견디는 것보다 약한 증거다.

코딩 에이전트 벤치마크

DeepSWE는 과거 fix를 캐지 않고 새 task를 쓴다

DeepSWE는 7월 8일 공개된 benchmark로, 91개 open-source repository와 5개 언어에 걸친 original long-horizon engineering task 113개를 담았다. 저자들은 task를 새로 작성했고 upstream에 기여하지 않았다고 설명한다. 에이전트가 공개된 과거 fix를 외워서 푸는 가능성을 줄이려는 설계다.

채점 방식도 일반 patch benchmark보다 엄격하다. DeepSWE는 요청된 기능을 확인하는 hand-written verifier를 쓰고, 같은 기능을 제공하는 어떤 구현도 받아들인다. 논문은 independent LLM judge가 DeepSWE verifier와 불일치한 비율이 1.4%였고, SWE-Bench Pro의 inherited test와는 32.4% 불일치했다고 보고했다.

게임 bug에는 올바른 수정이 여러 개 있을 수 있다. 역사적으로 merge된 patch만 정답으로 삼으면 맞는 대안을 벌할 수 있다. 플레이 가능한 게임을 보는 checker는 행동이 고쳐졌는지를 물어야 한다.

PERFOPT-Bench는 에이전트가 속도 개선을 증명하게 한다

PERFOPT-Bench는 성능 엔지니어링을 겨냥한다. 각 task는 정확하지만 일부러 느리게 만든 codebase에서 시작하고, 에이전트는 정확성을 유지한 채 측정 대상 성능을 높여야 한다. 저자들은 7개 agent stack을 7개 장시간 optimization task에서 평가했다.

이 경고는 게임 엔진에도 맞는다. raw speedup은 에이전트가 workload를 고친 결과가 아니라 benchmark 자체를 우회한 결과일 수 있다. frame time, loading, physics, pathfinding, multiplayer server load는 한 번의 빠른 숫자가 아니라 반복 가능한 측정이 필요하다.

TraceProbe는 agent 작업 기록을 들여다본다

TraceProbe는 최종 resolve rate만으로는 에이전트가 어떻게 답에 도달했는지 알 수 없다는 전제에서 출발한다. 논문은 코딩 에이전트 trajectory를 9가지 action type으로 정규화하고, 2,500개 run에서 search loop나 verification skip 같은 패턴을 찾는다.

게임 팀은 이미 비슷한 증거를 비공식적으로 본다. 에이전트가 scene file을 봤는지, script만 봤는지, build를 돌렸는지, level을 시험했는지, 실패한 edit를 되돌렸는지를 확인한다. 작업 기록을 보면 통과한 test 하나를 전체 답으로 받아들이지 않고, 실제 작업을 검토할 수 있다.

Code review 연구는 사람의 판단을 남겨 둔다

7월 8일 논문 3100 Opinions on Code Review in an AI World는 AI가 작성한 pull request에 대한 practitioner discourse를 분석한다. 논문은 review가 코딩 에이전트의 효과를 결정하는 control point이며, 결과가 좋아질지 나빠질지는 모델 하나가 아니라 팀의 구조와 사람의 전문성에 달려 있다고 본다.

게임 제작에도 같은 기준이 필요하다. 에이전트가 쓴 gameplay script, shader, build fix, asset pipeline 변경은 시스템을 이해하는 리뷰어가 봐야 오래 유지할 수 있다.

게임 에이전트 연구

ZendoWorld와 assistance game은 에이전트가 어떻게 묻고 돕는지 시험한다

일요일판에서 다룬 ZendoWorld는 후속 benchmark로 계속 볼 만하다. 이 과제는 에이전트가 새 장면을 제안하고 feedback을 읽으며 숨은 시각 규칙을 찾을 수 있는지 시험한다. 논문은 VLM 기반 에이전트가 이미 본 예시를 잘 분류하더라도 약한 실험을 제안하는 경우가 많다고 보고했다.

Provably Optimal Learning Algorithms for Assistance Games는 도움을 이론 쪽에서 다룬다. 이 논문은 정보를 가진 인간과 정보를 모르는 assistant가 반복해서 상호작용하는 상황을 연구하고, joint policy를 학습하는 regret bound를 제시한다. 제품 발표는 아니지만, 시간이 지나며 인간 행동에서 배워야 하는 assistant를 생각하는 형식적 틀을 준다.

두 논문은 제작 도구에도 같은 질문을 던진다. 에이전트가 사용자 의도를 이해하기 위해 좋은 질문을 던지고 적응할 수 있는가, 아니면 이미 보이는 것을 설명하는 데 그치는가.

월드 예측 연구는 게임형 에이전트와 가까워지고 있다

WCog-VLA는 자율주행 연구에서 나왔지만 구조는 게임과 겹친다. 이 논문은 semantic world cognition, generative world evolution, 전략 추론을 위한 Game-CoT annotation 8만 5,000개를 결합하고, NAVSIM에서 92.9 PDMS score를 보고했다.

AI 게임 쪽에서 볼 부분은 driving domain 자체가 아니다. 여러 행위자가 어떻게 움직일지 예측하고, 가능한 결과를 따진 뒤 행동하는 loop다. Racing game, tactical RPG, NPC crowd, generated world 모두 이 문제의 어떤 버전을 필요로 한다.

AI 네이티브 게임 연구는 정의를 좁게 잡는다

AI Native Games: A Survey and Roadmap은 AI-native game을 runtime generative AI가 core loop를 구성하는 게임으로 정의한다. 저자들은 candidate artifact를 선별하고 공개 AI-native game과 prototype 53개를 분석했다고 썼다.

이 경계는 제작 이야기를 더 정확하게 만든다. AI 보조 art, optional NPC chat, code generation은 의미가 있을 수 있지만, 그것만으로 게임이 AI-native가 되지는 않는다. 게임은 제작 shortcut을 넘어 play 자체에서 generative AI에 기대야 한다.

다음에 볼 것

  • RAID 같은 게임 테스트 방식이 sports, tactics, racing, multiplayer balancing 등 다른 장르에서도 공개되는지.
  • Steam 개발자들이 AI 공개 문구에서 asset, audio, writing, code 사용을 구체적으로 적되 제작 예산을 방어하는 글처럼 쓰지 않게 되는지.
  • GPT-5.6과 ChatGPT Work가 build log, playtest trace, 실제 tool workflow가 있는 게임 엔진 사례를 내놓는지.
  • DeepSWE처럼 새 task를 쓰는 benchmark가 production coding agent 평가의 기본값이 되는지.
  • 성능과 작업 기록 benchmark가 frame pacing, physics stability, asset import, scene regression 같은 게임 엔진 과제로 넓어지는지.
  • AI-native game 연구가 taxonomy를 넘어 지속되는 rule, goal, replay value를 가진 공개 playable example로 이어지는지.

이 한국어 기사는 영어 원문을 번역한 것이며, 번역 과정에서 오류가 있을 수 있습니다. 이 글은 Wonder Bricks AI Agent의 도움을 받아 작성했으며 SunnyLabs가 편집했습니다.