Wonder News Morning: 일본 온라인 게임사 조사에서 AI 이용률 100%, 3D 공간 잇는 MAGIC

최신 JOGA 시장 조사에 포함된 일본 온라인 게임사는 모두 생성형 AI를 쓰는 것으로 나타났다. 오늘 Wonder News는 여러 3D 공간을 이어 만드는 시스템, 음성으로 게임을 고치는 실험, 자동 플레이테스트, 협업형 이야기 만들기, 화면을 보고 도구를 쓰는 에이전트, 내부를 살펴볼 수 있는 코딩 에이전트 도구, 3,970억 매개변수 모델을 더 빠르게 실행한 사례도 전한다.

밤사이 달라진 것

• AUTOMATON WEST가 7월 14일 밤 JOGA 온라인 게임 시장 조사 2026의 일부 내용을 전했다. Gemini, Claude, GitHub Copilot 이용률도 공개됐다.
• Google은 7월 14일 Ironwood TPU에서 Qwen 3.5-397B를 실행할 때 작업 종류에 따라 처리량을 3.1배와 4.7배 높였다는 기술 보고서를 냈다.
• Develop:Brighton은 7월 15일 이틀째 일정을 진행한다. 게임 제작 전 과정에서 AI를 활용하는 방법을 다룬 “AI Wants to Play” 강연이 디자인 분야 일정에 포함됐다.

업계 이용 현황과 행사

일본 온라인 게임사 조사에서 생성형 AI 이용률 100%가 나왔다

Japan Online Game Association과 Kadokawa ASCII Research Laboratories는 7월 10일 JOGA 온라인 게임 시장 조사 2026을 발간했다. AUTOMATON WEST가 인용한 사전 공개 자료에 따르면 조사 대상 온라인 게임사의 생성형 AI 이용률은 100%였다.

가장 많이 쓰는 도구는 Gemini로 94%였다. Claude가 84%, GitHub Copilot이 76%로 뒤를 이었다. 기업은 이용자 취향 분석과 행동 예측에 생성형 AI를 활용하는 데 가장 큰 관심을 보였다. 이용자는 저작권 침해와 게임들이 서로 비슷해질 가능성을 가장 많이 걱정했다.

공개된 자료에는 조사에 참여한 기업 수가 나오지 않는다. 따라서 일본 게임 산업 전체를 조사한 결과로 해석해서는 안 된다. 조사 범위도 2025년 Computer Entertainment Supplier’s Association 조사보다 좁다. 당시에는 일본 게임사 54곳 가운데 51%가 AI를 어떤 방식으로든 쓴다고 답했다.

Develop:Brighton 디자인 일정에 AI 제작 강연이 들어갔다

영국 게임 개발자 행사 Develop:Brighton이 7월 14일부터 16일까지 열린다. 올해로 20주년을 맞았다. 주최 측은 2025년 행사에 5,500명이 참석했다고 밝혔으며, 올해도 기획, 그래픽, 음향, 사업, 프로그래밍, 교육을 폭넓게 다룬다.

디자인 분야에는 “AI Wants to Play: A Game Designer’s Guide to AI in Every Stage of Development”가 포함됐다. 이 강연 하나로 참석자의 생성형 AI 지지 여부를 판단할 수는 없다. 다만 레벨 설계, 이야기, 접근성, 제작 실무를 다루는 행사 안에서 AI 활용법도 함께 논의된다는 점은 분명하다.

이어지는 세계와 실시간 편집

MAGIC은 실제로 이동할 수 있는 3D 공간을 이어 만든다

MAGIC은 자연어 지시 하나를 받아 여러 공간이 이어진 게임 프로젝트를 만든다. 먼저 방과 이동 통로를 함께 설계하고, 물체를 배치한 뒤에도 내부를 돌아다닐 수 있는지 확인한다. 공간 이동 스크립트를 작성한 다음에는 각각의 통로를 실제로 실행해 검사한다.

새로 만든 시험 100건에서 연구진은 MAGIC이 모든 경우에 실행 가능한 프로젝트를 만들었다고 보고했다. 작동하는 공간 이동을 찾는 평가에서는 정밀도 0.99, 재현율 0.95, F1 0.96을 기록했다. 비교 대상인 일반 LLM과 Holodeck보다 기준 통로를 더 많이 복원했고, 돌아다니기 쉬운 배치도 더 많이 만들었다.

이 평가는 공간이 서로 연결되고 통과할 수 있는지를 측정한다. 만들어진 프로젝트에 재미있는 목표, 전투, 성장 요소, 다시 플레이할 이유가 있는지는 확인하지 않았다.

음성으로 아케이드 게임 설정값 약 100개를 바꿨다

Maya Grace Torii, Takahito Murakami, Yoichi Ochiai는 플레이 도중 말로 바꿀 수 있는 Space Invaders 방식의 게임을 만들었다. LLM이 음성 지시를 해석해 규칙, 화면, 조작, 음향을 다루는 설정값 약 100개를 정해진 형식으로 수정한다.

이용자 실험에서는 대체로 긍정적인 경험과 보통 수준의 작업 부담이 보고됐다. 프로그래밍 경험은 결과에 큰 영향을 주지 않았다. 화면에서 곧바로 보이는 값의 수정은 사용 편의성과, 핵심 규칙 수정은 재미와 더 밀접했다. 코드를 제한 없이 생성하는 방식이 아니라 미리 정한 설정 범위 안에서 게임을 고친다는 점도 중요하다.

플레이테스트와 함께 만드는 이야기

그래프 모델과 트랜스포머가 Candy Crush 플레이를 예측했다

새 연구는 손으로 만든 입력값을 계속 추가하지 않고도 이용자 행동을 예측할 수 있는지 Candy Crush Saga 보드에서 시험했다. 연구진은 그래프 어텐션 네트워크와 BERT 방식 트랜스포머를 합성곱 신경망 기준 모델과 비교했다.

논문에 따르면 두 범용 표현 방식은 어려운 보드에서 더 좋은 성능을 보였다. 다만 초록에는 참가자 수나 대표 정확도 수치가 없다. 이 결과는 모델 구조 비교를 뒷받침하지만 자동 모델이 사람의 플레이테스트를 대신할 수 있다는 근거는 아니다.

FIERO는 실물 카드와 생성형 이야기 만들기를 결합했다

FIERO는 여러 사람이 함께 이야기를 쓰는 웹 기반 카드 게임이다. 실물 카드가 대화의 틀을 만들고, 디지털 화면은 상황에 맞는 이미지를 생성하고, 집단의 결정을 돕고, 이야기의 일관성을 확인하고, 각자의 아이디어를 합친다.

60명이 참여한 연구에서 FIERO 참가자는 온라인 문서만으로 함께 글을 쓴 집단보다 더 많은 아이디어와 새로운 발상을 냈다. 저자들은 줄거리의 일관성도 높아졌고, 참가자가 느끼는 주도권은 줄지 않았다고 보고했다. 생성형 AI가 혼자 이야기를 쓰는 대신 함께 노는 과정의 한 부분을 맡은 셈이다.

살펴보고 시험할 수 있는 에이전트

StructAgent는 작업 상태를 정리해 Minecraft까지 가져갔다

StructAgent는 긴 작업 기록을 그대로 쌓지 않는다. 에이전트가 무엇을 했고 그 결과가 어땠는지 간결하게 정리한다. 중간 지점을 저장하고, 확인 절차를 통과해야 다음 단계로 넘어간다. OSWorld-Verified에서 Qwen 3.5-9B의 성공률은 27.0%에서 46.9%로, Qwen 3.5-27B는 31.6%에서 62.2%로 올랐다.

가장 높은 성능을 낸 공개 모델 MiniMax-M3는 78.9%를 기록했다. 연구진은 같은 구조를 Minecraft에도 적용했지만 초록에는 별도의 Minecraft 점수가 없다. 게임 에이전트가 이동, 도구 사용, 달라지는 세계 상태를 긴 순서에 걸쳐 기억해야 한다는 점에서 살펴볼 만한 결과다.

MM-ToolSandBox는 에이전트 실패의 53%가 화면 정보 판독에서 시작됐다고 분석했다

Apple 연구진이 공개한 MM-ToolSandBox에는 16개 분야의 도구 500개 이상이 들어 있다. 사람이 확인한 일반 시나리오 258개와 화면 조작 변형 50개는 여러 이미지, 지시 수정, 목표 변경, 상태 변화를 처리하도록 요구한다.

시험한 모델 12개 가운데 가장 좋은 모델도 성공률 50%를 넘지 못했다. 연구진은 계획 자체가 맞았던 경우에도 화면의 정보를 잘못 읽어 생긴 실패가 전체의 53%였다고 분석했다. 화면을 보며 게임을 만드는 도구에서는 다음 행동을 정하는 능력만큼 현재 장면과 화면 상태를 정확히 읽는 능력이 중요할 수 있다.

ToFu는 코딩 에이전트가 일하는 방식까지 공개했다

ToFu는 저장소를 읽고, 파일을 고치고, 명령을 실행하고, 개발 도구에 연결할 수 있는 MIT 라이선스 에이전트 실행 도구다. 연구 도우미로 쓸 수 있을 뿐 아니라, 연구자가 작업 순서와 도구 사용 방식을 직접 살펴보고 바꿀 수 있도록 내부 구조도 공개했다.

논문은 기존 도구보다 토큰을 적게 쓰고 비용이 낮으며 여러 언어를 더 잘 지원한다고 주장하지만, 초록에는 비교 수치가 없다. MIT 라이선스와 내부를 볼 수 있는 설계는 공개 자료에서 곧바로 확인할 수 있다.

모델 실행 기술

Google은 Ironwood에서 Qwen 3.5-397B를 더 빠르게 실행했다

Google의 7월 14일 기술 보고서는 전체 매개변수 3,970억 개 가운데 토큰마다 170억 개를 쓰는 전문가 혼합 모델 Qwen 3.5-397B-A17B를 다룬다. 연구진은 Ironwood TPU7x에서 어텐션, 전문가 선택, 장치 사이 통신을 처리하는 JAX·Pallas 구성 요소를 만들었다.

Google은 4월부터 6월까지의 개선으로 동시 요청 512개 환경에서 디코딩 중심 처리량이 약 3.1배, 입력 처리 중심 처리량이 약 4.7배 높아졌다고 밝혔다. 특수 장비에서 공급자가 직접 측정한 결과이므로 일반적인 가격이나 응답 속도를 보장하지는 않는다. Google은 이 최적화 기술을 오픈소스 모델 실행 도구 vLLM과 SGLang에 적용하고 있다고 설명했다.

다음에 볼 것

• JOGA 전체 보고서가 참여 기업 수, 질문 내용, 제작용과 이용자용 AI 활용의 구분을 공개하는지.
• 외부 개발자가 MAGIC 프로젝트를 직접 실행하고 고치며 공간 이동 외의 기능도 시험할 수 있는지.
• 이용자가 서로 충돌하는 규칙 변경이나 약 100개 설정값 바깥의 수정을 요구할 때 음성 편집기가 어떻게 반응하는지.
• Candy Crush 플레이 예측 모델이 새로운 규칙과 실제 이용자 집단에서도 성능을 유지하는지.
• FIERO의 결과가 아동, 교실, 이미 서로 아는 집단에서도 이어지는지.
• StructAgent가 Minecraft에서 어떤 과제를 수행했으며, 더 길고 자유로운 플레이에서도 상태 정리가 도움이 되는지.
• Develop:Brighton과 7월 19일 SIGGRAPH Games Summit에서 어떤 AI 게임과 제작 도구가 공개되는지.

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