최근 대규모 언어모델(LLM)이 웹 개발 등 다양한 분야에서 생산성을 높이고 있지만, 게임 개발에서는 아직 그 잠재력을 충분히 발휘하지 못하고 있습니다. 이는 게임이 코드 외에도 복잡한 에셋, 시각적 요소, 상호작용 시스템 등 LLM이 접근하기 어려운 '불투명한' 비코드 요소들을 많이 포함하고 있기 때문입니다. 게임 개발자가 LLM을 효과적인 도구로 활용하려면, LLM이 게임의 내부 상태와 데이터를 직접 읽고 조작하며 변경의 결과를 평가할 수 있도록 'AI 하네스(harness)'를 초기 단계부터 설계해야 합니다.
이러한 하네스 설계를 위해 몇 가지 핵심 기법이 제안됩니다. 첫째, '결정론적 상태 재현'입니다. 게임 시작 시 단일 난수원(random number source)을 사용하고 모든 비결정적 동작을 이 경로로 통일하여, 특정 게임 상태를 언제든 정확히 재현할 수 있게 만듭니다. 이는 LLM이 같은 조건에서 변경 사항을 반복 검증하는 기반이 됩니다. 둘째, '저장/불러오기' 기능을 개발 초기부터 설계하여 게임의 모든 상태를 쉽게 직렬화하고 역직렬화할 수 있도록 합니다. 셋째, 모든 게임 내 객체를 'Thing'이라는 단일 타입으로 표현하고 '명령 패턴(Command Pattern)'을 적용하여, LLM이 재컴파일 없이 게임 상태를 직접 조작하고 변경을 시험할 수 있게 합니다. 넷째, '정적 데이터'를 코드 밖으로 분리하여 LLM이 데이터 파일을 수정하는 방식으로 게임의 수치를 반복적으로 시험할 수 있도록 합니다. 마지막으로, 게임 로직(시뮬레이션)을 엔진과 분리된 독립 라이브러리로 만들어 LLM이 시뮬레이션만으로도 변경의 효과를 빠르게 검증하고, 시각적 변경에 대해서는 '이미지 차이 비교' 도구를 활용하여 LLM이 변경 전후의 시각적 차이를 정량적으로 평가할 수 있도록 돕습니다.
이러한 AI 하네스 설계는 LLM이 게임이라는 복잡한 블랙박스를 열고 더 많은 요소에 직접 접근할 수 있게 함으로써, 게임 개발의 반복 주기를 획기적으로 단축할 수 있습니다. 개발자는 물론 AI 에이전트도 재컴파일이나 복잡한 환경 설정 없이 게임의 로직, 데이터, 시각적 요소를 변경하고 즉시 그 효과를 검증할 수 있게 되는 것입니다. 이는 특히 대규모 게임 프로젝트에서 개발 생산성을 크게 향상시킬 잠재력을 가지며, LLM을 단순한 코드 생성 도구를 넘어 게임 디자인 및 밸런싱, 콘텐츠 생성 등 광범위한 영역에서 강력한 협력자로 활용할 수 있는 길을 열어줄 것입니다. 궁극적으로는 개발자가 더 창의적인 작업에 집중하고, AI가 반복적이고 검증 중심적인 작업을 수행하는 효율적인 개발 패러다임을 구축하는 데 기여할 것으로 기대됩니다.