Large Language Models in Game Development: Implications for Gameplay, Playability, and Player Experience

논문 요약: 게임 개발에서 대형 언어 모델 (LLM) 의 통합이 게임플레이, 플레이 가능성, 플레이어 경험에 미치는 영향

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 게임 소프트웨어 공학 연구는 전통적으로 요구사항, 아키텍처, 테스트, 품질 보증에 초점을 맞추어 왔으나, 비디오 게임은 단순한 기능적 정확성 이상으로 '재미'와 '엔터테인먼트'를 제공하는 상호작용 시스템으로 정의됩니다.
• 문제: 최근 생성형 AI(특히 대형 언어 모델, LLM) 가 게임 내 대화 시스템, 절차적 콘텐츠 생성, 적응형 에이전트 등에 적용되면서 새로운 가능성이 열리고 있습니다. 그러나 기존 연구는 주로 LLM 의 기술적 적용 사례나 생성 능력에 집중해 왔을 뿐, 게임 개발 과정에서 LLM 이 통합될 때 기존에 정립된 게임 공학의 핵심 개념인 '게임플레이 (Gameplay)', '플레이 가능성 (Playability)', '플레이어 경험 (Player Experience)'에 어떤 구조적, 질적 영향을 미치는지에 대한 실증적 연구는 부족합니다.
• 연구 질문: 게임 개발 맥락에서 LLM 의 통합이 게임플레이 구조, 플레이 가능성 고려사항, 그리고 플레이어 경험에 어떤 영향을 미치는가?

2. 연구 방법론 (Methodology)

• 접근 방식: **협력적 자민족지학 (Collaborative Autoethnography)**을 사용했습니다. 이는 외부 관찰자가 아닌 개발자 themselves 가 자신의 경험을 기록하고 분석하여 더 넓은 실천을 이해하는 방법론입니다.
• 연구 대상: 캘거리 대학교의 3 학년 소프트웨어 아키텍처 과정 및 소프트웨어 지속 가능성 연구 프로젝트에 참여한 7 명의 학생 개발자.
• 개발된 게임 (아티팩트): LLM 을 아키텍처의 핵심 구성 요소로 통합하여 개발한 두 가지 게임:
  1. Wizdom Run: 학습 노트를 기반으로 LLM 이 생성한 객관식 문제를 통해 마나를 회복하거나 보스 전을 수행하는 RPG. (OpenAI 모델 사용)
  2. Sena: 소프트웨어 공학의 지속 가능성 주제를 다루며, LLM 을 통해 대화 기반 명확화, 시나리오 해석, 피드백 생성을 지원하는 학습형 게임. (Google Gemini 및 OpenAI 모델 사용)
• 데이터 수집 및 분석: 개발 과정 중 및 종료 후 작성된 5 개의 성찰적 서사 (Reflective Narratives), 설계 문서, 코드 저장소를 분석했습니다. '게임플레이', '플레이 가능성', '플레이어 경험'이라는 개념적 렌즈를 통해 주제 분석 (Thematic Analysis) 을 수행했습니다.

3. 주요 결과 (Key Results)

가. 게임플레이 구조 (Gameplay Structures) 에 미치는 영향

• 핵심 메커니즘의 변화: LLM 은 단순한 부가적 콘텐츠가 아니라, 자원 관리, 진행 시스템, 규칙 실행과 직접적으로 연결된 운영적 구성 요소가 되었습니다.
• 변동성과 개인화: 플레이어의 입력 (예: 학습 노트) 에 따라 콘텐츠가 동적으로 생성되어 매 플레이마다 다른 경험을 제공합니다.
• 구조적 한계: 생성된 변동성은 모델 설정과 시스템 제약 (예: JSON 포맷, 데이터베이스 스키마) 에 의해 통제되며, 확률적 콘텐츠 생성이 결정론적인 게임 규칙 프레임워크 위에 레이어링되는 형태를 취합니다.

나. 플레이 가능성 (Playability) 에 미치는 영향

• 아키텍처적 통제 필요성: 생성된 콘텐츠가 백엔드 시스템과 게임 로직과 원활하게 통합되려면 출력 형식을 엄격하게 제어 (Schema Enforcement) 해야 합니다.
• 난이도 보정 (Difficulty Calibration) 문제: 생성된 콘텐츠의 난이도가 의도대로 조절되지 않아 (예: '중간' 난이도가 '쉬움'으로 느껴짐) 진행의 균형이 깨지는 문제가 발생했습니다.
• 정확성과 공정성: LLM 이 잘못된 정답을 생성하거나 (예: 수학 문제의 정답 옵션 부재), 패턴화된 오답을 반복할 경우 플레이어는 게임의 공정성을 의심하고 몰입이 깨집니다. 이는 LLM 통합 게임의 플레이 가능성이 출력의 신뢰성, 일관성, 통제된 변동성에 크게 의존함을 보여줍니다.

다. 플레이어 경험 (Player Experience) 에 미치는 영향

• 개인화된 몰입: 플레이어의 맥락에 맞는 콘텐츠 생성은 참여도를 높이고 개인화된 진행 경로를 가능하게 합니다.
• 예측 가능성과 신뢰의 균형: 과도한 변동성은 혼란을 야기할 수 있으므로, 게임은 공정하고 플레이 가능하기 위해 일정 수준의 예측 가능성이 필요합니다.
• 맥락 부재의 위험: LLM 이 게임 내 맥락을 충분히 반영하지 못하거나 관련 없는 답변을 할 경우, 플레이어는 시스템의 신뢰성을 잃고 몰입이 저해됩니다.

4. 주요 기여 및 논의 (Key Contributions & Discussion)

• 아키텍처적 관점의 확장: 기존 연구가 LLM 의 '표현적 잠재력'에 집중했다면, 본 연구는 LLM 이 게임 아키텍처의 구조적 속성을 어떻게 재구성하는지 밝혔습니다.
• 새로운 공학적 요구사항: LLM 통합은 확률적 생성과 결정론적 게임 로직을 결합해야 하므로, 프롬프트 엔지니어링, 구조화된 출력 스키마, 유효성 검사 파이프라인 (Validation Pipelines) 이 게임 개발의 핵심 요구사항으로 부상했습니다.
• 품질 보증의 변화: 게임 소프트웨어 공학에서 '정확성', '형식 결정론', '난이도 정렬'은 더 이상 부수적인 구현 세부사항이 아니라, 게임플레이의 공정성과 신뢰를 좌우하는 **게임플레이-중요 속성 (Gameplay-critical properties)**이 되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 이론적 의의: 생성형 AI 가 게임의 기존 구성 요소 (게임플레이, 플레이 가능성, 경험) 와 어떻게 교차하는지에 대한 초기 실증적 통찰을 제공합니다.
• 실무적 시사점: 게임 개발자는 LLM 을 단순히 '적응형 콘텐츠 추가'가 아닌, 생성적 유연성, 구조적 통제, 경험적 신뢰성 간의 관계를 재설계하는 과정으로 접근해야 합니다.
• 향후 연구 방향: 개발자의 성찰을 넘어 실제 플레이어 (사용자) 를 대상으로 한 경험 중심의 실증 연구를 통해, LLM 기반의 변동성과 아키텍처 결합이 실제 게임 플레이 중의 참여도와 전반적인 경험에 미치는 영향을 규명할 필요가 있습니다.

요약: 본 논문은 LLM 을 게임 아키텍처의 핵심으로 통합했을 때, 게임의 변동성과 개인화는 증가하지만 이를 뒷받침하기 위해 정확성, 난이도 보정, 구조적 일관성을 위한 새로운 소프트웨어 공학적 통제 메커니즘이 필수적임을 강조합니다. 이는 게임 개발 패러다임을 '확정적 로직'에서 '확률적 생성과 결정적 규칙의 조화'로 전환시키는 중요한 시사점을 제공합니다.