David “Rez” Graham, ex-engenheiro sênior da Maxis, e Luke Dicken, ex-head de IA da Take-Two, vivem na linha de frente de uma das discussões mais intensas do desenvolvimento de games: como usar inteligência artificial sem cair no hype vazio. Enquanto o Vale do Silício se apaixonou recentemente por modelos de linguagem de grande escala (LLMs), modelos de difusão e fronteiriços, os dois veteranos debatem há anos o que realmente funciona dentro de um motor de jogo — e o que é apenas fumaça. O embate, que ganhou destaque no cenário internacional, expõe as contradições entre a promessa de uma IA generativa que transforma tudo e as limitações práticas de hardware, custo e design.
O que está em jogo na inteligência artificial dos games
A pergunta central que Graham e Dicken enfrentam diariamente é direta: qual o valor real da IA quando aplicada a um produto interativo, com ciclos de desenvolvimento apertados e públicos exigentes? Para Graham, que passou anos na Maxis trabalhando com simulações complexas como The Sims, a IA sempre foi uma ferramenta de emergência narrativa e comportamental — sistemas que precisam ser previsíveis o bastante para o designer controlar, mas flexíveis o suficiente para surpreender o jogador. Dicken, por sua vez, trouxe da Take-Two uma visão mais estratégica: inteligência artificial como vantagem competitiva em escala, mas sem abrir mão da estabilidade que um produto AAA exige.
O debate não é novo, mas ganhou contornos urgentes com a explosão dos LLMs. De um lado, entusiastas apontam para a possibilidade de diálogos infinitos, NPCs que lembram conversas anteriores e mundos que se adaptam em tempo real. Do outro, céticos como Graham alertam que modelos generativos consomem recursos proibitivos em consoles e PCs de médio porte, além de introduzirem latência e imprevisibilidade que podem quebrar a experiência do jogador.
O pragmatismo de Graham versus a visão de sistema de Dicken
Graham defende que a IA nos games precisa ser enxuta e determinística na maior parte do tempo. Em jogos de simulação e estratégia, por exemplo, árvores de comportamento (behavior trees) e máquinas de estado finito ainda são a espinha dorsal de NPCs críveis porque oferecem desempenho previsível em qualquer hardware. “Não adianta ter um NPC que conversa como Shakespeare se ele trava a cada cinco segundos ou age de forma incoerente”, costuma argumentar. Para ele, o avanço real está em integrar pequenos módulos de aprendizado de máquina em pontos específicos — como animação adaptativa ou variação de diálogo — sem substituir os sistemas clássicos.
Dicken, embora não descarte o valor das abordagens tradicionais, enxerga uma oportunidade maior em modelos que aprendem com o comportamento do jogador. Durante sua passagem pela Take-Two, ele liderou projetos que usavam IA para balanceamento dinâmico de dificuldade e geração procedural de missões. A diferença, segundo ele, é que esses sistemas precisam ser desenhados desde o início com métricas de qualidade e falhas seguras — algo que muitas startups de IA generativa ignoram. “O problema não é a tecnologia, é a integração. Um modelo que funciona em laboratório pode destruir um jogo se não for testado em milhões de sessões reais”, afirma Dicken.
O que é uma IA útil em jogos? Resposta direta
Uma inteligência artificial útil em games é aquela que melhora a experiência do jogador sem comprometer desempenho, previsibilidade ou custo de desenvolvimento. Exemplos concretos incluem sistemas de pathfinding otimizados, inimigos que coordenam táticas em tempo real e geradores de diálogo que respeitam a lore do jogo. Modelos de linguagem de grande escala podem ser empregados, mas apenas em contextos controlados, como cenas roteirizadas ou assistentes de criação de conteúdo para desenvolvedores, e nunca em tempo real em consoles de geração atual sem aceleração dedicada.
Os riscos do hype: LLMs, difusão e o mercado brasileiro
Para o mercado brasileiro, o debate tem implicações práticas diretas. O custo de hardware no Brasil torna ainda mais crítica a eficiência dos algoritmos. Enquanto jogadores norte-americanos e europeus podem ostentar GPUs de última geração, a base instalada no país ainda depende de placas como GTX 1060 ou RTX 2060, sem aceleração para inferência de modelos grandes. Adotar LLMs embarcados em jogos AAA sem considerar essa realidade pode criar uma experiência de baixa qualidade ou simplesmente inviabilizar o título no mercado latino-americano.
Além disso, desenvolvedores brasileiros independentes, que frequentemente operam com orçamentos reduzidos, precisam de soluções de IA que não exijam servidores remotos caros ou APIs que consomem créditos por requisição. A abordagem de Graham, de módulos locais e leves, soa mais adequada para a realidade de estúdios como os que produzem jogos para a Steam no Brasil. Já a visão de Dicken, focada em sistemas de aprendizado contínuo, pode ser aplicada em jogas live service que rodam em servidores centralizados — um modelo que exige investimento inicial maior, mas pode gerar receita recorrente.
O futuro da IA nos games: coexistência ou ruptura?
O que fica claro no diálogo entre os dois especialistas é que não há uma resposta única. Jogos de quebra-cabeça, aventura narrativa e simulação terão caminhos diferentes de adoção. Enquanto Graham aposta em IA como artesanato — ferramentas que o designer controla com precisão —, Dicken vislumbra um futuro em que a inteligência artificial se torne um co-designer, capaz de sugerir mecânicas e adaptar mundos em tempo real. Ambos, no entanto, concordam em um ponto: a indústria precisa de mais investigação empírica e menos fogos de artifício. O debate entre eles serve como lembrete de que tecnologia, por si só, não faz um bom jogo — o que importa é como ela serve à diversão e à imersão do jogador.
