90 procent af udviklere bruger allerede AI i deres daglige arbejde, ifølge en Google Cloud-undersøgelse omtalt af ArtificialIntelligence-News. Samtidig oplyste 7.818 Steam-titler AI-brug i 2025, en stigning på 681 procent over året før. Det er ikke bare nørdet pynt. Det er et skifte i rygraden af spilproduktion.
Og hvorfor nu? Fordi værktøjerne er rykket fra eksperimenter til produktionsklare byggeklodser. Fra hurtig konceptkunst til automatiseret test og NPC’er med session-hukommelse. Vi har i Snilld set teams skære dage og uger af iterationstiden. Men også nye problemer. Metadata-rod. GPU-regninger der løber. People-problemer i QA. Det hele på én gang.
Hurtigere assets, men hvilke krav stiller det
Ubisoft La Forge har bygget Ghostwriter, som genererer første udkast til NPC-replikker, så forfattere kan bruge tiden på indhold frem for volumen. Kilden peger på den brug. Det lyder banalt, men det ændrer faktisk dagligdagen: manus bliver mere kuratering og mindre tastearbejde. Jeg har selv siddet med et dansk studie for to måneder siden, hvor en designer åbnede en prototype, bad om 20 varianter af barmandslinjer og fik dem, før kaffen blev kold. Halvdelen røg ud. De bedste to-tre blev frø til rigtige scener.
På assetsiden har Tencent præsenteret Hunyuan3D-PolyGen, der kan spytte 3D-aktiver i kunstner-kvalitet ud, og kunstnere har ifølge kilden rapporteret over 70 procents effektivitetsløft. Det er et tal, vi tager med et forbehold: målemetoden er ikke fuldt dokumenteret uden for presse og blogindlæg. Men retningen passer med det, vi ser. Færre manuelle blok-modeller, flere review- og cleanup-trin før import til engine.
Meta WorldGen siges at kunne generere en traverserbar 3D-scene fra tekst på cirka fem minutter, klar til Unity og Unreal. Hvis det holder i praksis, skifter rollen for level design: fra at bygge alt i hånden til at redigere autogenererede layouts og lægge spilmekanik ind. Vi har set en dansk prototype, hvor verdenen var klar hurtigere end design-dokumentet. Der lugtede af støvet PC-blæser i testlokalet, men scenen stod der.
QA og playtest ændres
EA har ifølge kilden sat reinforcement learning-agenter til at spille og stressteste. De finder kantfejl mennesker ofte misser, fordi agenterne prøver mærkelige ruter og gentager tusindvis af runs uden at kede sig. Square Enix har annonceret et mål om at automatisere 70 procent af QA og debugging med generativ AI inden 2027 i samarbejde med University of Tokyo. Det er ambitiøst, og vi forventer, at dækningen bliver ujævn på tværs af spiltyper.
Det peger mod en hybrid model. Automatisering tager volumen; dømmekraften kræver tydelige kriterier, designbeslutninger og systematisk review. QA-rollen flytter fra at trykke på knapper til at designe eksperimenter, kalibrere agent-policy og tolke anomalier. Det kræver nye kompetencer. Mindre repetitiv test. Mere statistik og scenariebyg.
Vi blev faktisk ramt af én enkelt detalje hos et nordisk team: agenterne fandt en exploit, som speedrunnerne sikkert også ville have opdaget, men seks uger senere. Agenterne gjorde det på en eftermiddag. De menneskelige testere brugte tiden på at vurdere, om fixet ødelagde balance i midgame. Det var bedre brug af begge parter.
Fra scripted NPC til session memory
LLM-drevne NPC’er med session-hukommelse betyder, at figurer husker, hvad spilleren lige har gjort i samme session og svarer mere frit på improviseret input. Kilden beskriver det som et modenhedsspring fra hårde beslutningstræer. Ja, men der er hager: konsistens over længere spilforløb er svær, hallucinationer sker, latency dræber pacing, og alt skal modereres for sprog, tone og IP.
Teknisk set kræver det en mellemserver, der styrer kontekstvindue, persona-parametre, sikkerhedsfiltre og caching. Og logs. Mange logs. Vi anbefaler et simpelt kvalitetstæppe: per-NPC testprompter, målinger af svarlængde og svartid, og en fallback-tilstand med scripted replikker, når modellen fejler eller går offline. Det er ikke sexy, det virker.
IP-spørgsmål er heller ikke småting. Stemmer og skrivestil kan ligne kendte skuespillere eller forfattere for tæt. Her er værktøjer som ElevenLabs stærke til hurtig generering og lokalisering, men de kræver klare licenser, consent-opsamling og versionsstyring af stemmemodeller. Ellers brænder man nallerne.
Procedural og levende verdener
Moderne story engines forsøger at sy sidegrene ind dynamisk. Kilden nævner forskning som PANGeA, der viser, at LLM’er kan holde bedre narrativ sammenhæng i genereret indhold. Det lover godt. Men fuldt autonome, sammenhængende, branching historier i stor skala? Her er vi stadig i det fremadskuende felt. Vi har ikke set en stor kommerciel titel levere det uden kraftig kuratering.
Praktisk råd til producenter: læg et narrativt kontrolled på toppen. Definér faste milepæle og no-go tematikker. Brug AI til at udfylde mellemrum, ikke til at skrive skæbnen. Én af vores egne tests endte med, at en birolle introducerede en baghistorie, som modarbejdede en kerne-mission. Det tog en uge at rydde op i flags og trigger-conditions, fordi det sivede ind i tre sprogversioner.
Simulationsplatforme og større forretningsimplikationer
Genesis AI har lanceret Genesis World 1.0 med en fysikmotor, Nyx som realtids path-tracing renderer, Quadrants som Python-til-GPU compiler og et sim-interface, ifølge MarkTechPost. De jagter hurtigere model-evaluering til robotics. Hvorfor nævne det i spil? Fordi deres problem ligner spiludvikleres: hastighed i iteration og evaluering.
Genesis dokumenterer, at en typisk policy-evaluering med hundreder af opgaver og episoder ville kræve over 200 timers kontinuerlig robotdrift i den fysiske verden. I deres sim kører det under en halv time. To størrelsesordener hurtigere. Overført til spil betyder det, at hvis vores test-agenter, traversal-checks og balance-metrics kan køre i batch sim, så kan vi måle på tweaks i economy eller pathfinding natten over i stedet for uger.
Det er en analytisk parallel, indrømmet. Men pointen er praktisk: opsætning af reproducérbare sim-miljøer, faste seeds og bit-identiske runs giver en renere signal-til-støj i tuning. Vi savner stadig værktøjer, der gør det klik-bart i spilmotorer, men arkitekturen er klar.
Implementering rammer infrastrukturen
Hurtigere assets lyder gratis. Det er de ikke. AI skubber GPU-forbrug i vejret, både i cloud og on-prem. Vi har set mellemstore studier gå fra en uforpligtende test til 40-60.000 kroner om måneden i inferens under content-spidser. Uden budgetsikring. Og uden model-registre, der fortæller, hvilken version der lavede hvad. Det går, indtil det ikke gør.
Asset-pipelines ændrer sig også. Når PolyGen eller WorldGen pumper ind, skal der være nye quality-gates: tjek for topologi, navngivning, UV, LOD’er og licensmetadata før import. Ellers lander mursten i repoet. Vi har stået i et mødelokale i Sydhavnen og set to mapper kaldet final og final_final. Alle grinede. Men reelt kostede det to dages efterforskning at genskabe origin.
QA-workflows og kompetenceprofiler
QA-hold skal lære at designe coverage med RL-agenter, ikke bare skrive manuelle tests. Tænk: hvilket skill tree skal agenten have, hvilke mål optimerer den, hvor stopper vi den, så den ikke grinder i menuer. Og hvordan validerer vi, at fundne bugs er brugbare og ikke bare edge-case kuriositeter.
Det ændrer ansættelser. Færre rene testrutiner. Flere profiler, der kan script, læse logs og kommunikere med design og engineering. Testlederrollen bliver mere som en analytiker. Tempoet vinder.
Lokalisering, stemmer og rettigheder
ElevenLabs og lignende tjenester gør det muligt at klone og lokalisere stemmer hurtigt. Det skærer uger. Og gør re-voicing af patches realistisk for små teams. Bagsiden er governance: sporbarhed af stemmemodeller, dokumentation af consent og klare kontrakter med skuespillere. Vi anbefaler versionsstyring af voice-modeller på linje med kode: tags, changelogs, hvem godkendte hvad.
For Danmarks og Europas studier kommer GDPR oveni. Særligt hvis referenceoptagelser og annoteringer lander i amerikanske clouds. Det er ikke drama, men det kræver bevidste valg om region, databehandleraftaler og retention.
Metodiske forbehold og hvad tallene siger
Tallet for 7.818 Steam-titler med AI og 681 procents vækst kommer fra ArtificialIntelligence-News’ rapportering. Metoden for opgørelsen er ikke fuldt beskrevet. Hvad tæller som AI-documented usage? Er det udviklerens egen disclosure, tags, changelogs eller noget tredje. Vi noterer forbeholdet, men retningen giver mening set i lyset af platformens 2025-flod af auto-genererede titler og efterfølgende oprydninger.
Google Cloud-undersøgelsen med 90 procent AI-brug blandt udviklere fungerer som stærk indikator, men også her gælder stikprøve og spørgeramme. Det ændrer ikke vores konklusion: AI er hverdag. Men præcise effektmål skal måles lokalt i jeres pipeline, ikke lånes.
Tre konkrete implikationer for danske og europæiske studier
- Infrastruktur og drift: Aftal GPU-budgetter pr. projekt, brug model-registries, og læg CI til både kode og modeller. Mål inferens-kroner pr. godkendt asset, ikke kun pr. time.
- Governance og IP: Kortlæg licenser for stemmer og datasets. Dokumentér træningsdata hvor muligt. Lav en godkendelsesliste for, hvilke modeller der må bruges til hvad.
- Opskalering og lokalisering: Forbered voice-lokalisering som en løbende proces, ikke en slutfase. Byg QA-tjeklister for tone, slang og kulturelle no-go’s pr. sprog.
- Outsourcing-afvejning: Når AI løfter baseline-produktion, flytter outsourcing over mod specialopgaver og art direction. Vurdér, om I vil eje prompt-biblioteker og brush-styles internt.
- QA-hybrid: Kombinér RL-agent coverage med evaluering af fairness, pacing og følelser. Mål på bug-yield pr. agent-time sammenlignet med manuelle passes.
- Metadata-standarder: Kræv navnekonventioner, licensfelter og tekniske tjek før engine-import. Lav en rød knap der stopper import ved manglende felter.
Hvad værktøjerne faktisk ændrer i pipeline
Koncept og art: a16z har eksempler, hvor konceptkunst går fra tre uger til en time med AI i løkken. Vi har set lignende i Danmark, hvor et hold gik fra storyboard på væggen til første visuelle pakke samme dag. Det sparer tid, men kræver review-ritualer og style guides med konkrete prompteksempler, ellers glider stilen.
Kode og tools: AI-assisteret scripting hjælper små teams i browser- og mobilspil med hurtig prototype. Kilden nævner webspils-værktøjer, der kan generere spil fra tekst. Fint til ideation. I produktion bør det indhegnes og testes, især for performance og sikkerhed.
Audio: stemmegenerering forkorter runderne, men husk rumklang, prosodi og pauser. Det tager en lydtekniker at få det til at spille. AI kan levere stemmen; mix og iscenesættelse afgør kvaliteten i scenen.
Snillds vurdering og anbefalinger
Vi synes billedet er klart. AI er rykket ind som motor for baseline-output; retning, smag og de svære valg skal være eksplicitte og forankret i teamets kriterier. Vores bedste råd er at starte småt men rigtigt: ét pilot per pipeline-del, klare målepunkter og et sundhedstjek af jeres data og drift.
- Vælg tre piloter: konceptkunst, QA-agenter og voice-lokalisering. Definér KPI’er som tid til første godkendte asset, bug-yield pr. testtime og cost pr. minut færdig voice.
- Etabler model-ops: registry, versionsstyring, godkendelsesflow og rollback. Log alle genererede assets med model-version og prompt.
- Opkvalificering: rust QA med agent-design og simple RL-begreber. Giv art leads en prompt- og style-håndbog. Læg 10 procent buffer i sprint til oprydning.
- Governance: dokumentér rettigheder for stemmer, tekst og billeder. En side i Confluence er ikke nok. Lav en tjekliste pr. release.
Vi har set, at de teams der tager de fire skridt, får tempo uden at miste kvalitet. Et eksempel: et dansk studie skar konceptfasen fra tre uger til få timer, men kun efter de fik import-kvalitet og metadata på plads. Før det tabte de tid i den anden ende.
Hvad vi stadig ikke ved
Narrativ koherens i lange spil med LLM’er er ikke bevist i stor skala. Steam-tallet for AI-brug mangler metodegennemsigtighed. Og QA-automationsmål som 70 procent kan vise sig at være genre- og platformsspecifikke. Vi holder øje med, om branchens store titler faktisk leverer den hybridmodel, kilderne peger på.
Men retningen er næppe til debat. Vores oplevelse på gulvplan er, at forskellen først mærkes, når folk sidder med værktøjerne i hænderne. Og opdager hvilke fejl de nu kan lave hurtigere. Det er her, styringen tæller. Ikke magien.
