Evgueni Tolstykh ne s'est pas contenté de demander à une IA de rédiger un email poli ou de résumer une réunion dans son recherches récentes. Il l'a mis au défi de créer un département de production de jeux AAA à partir de zéro. Dans une expérience en face-à-face, Tolstykh a chargé un Large Language Model (LLM) de générer des feuilles de route artistiques, des structures Jira et des estimations de production, puis a mesuré les résultats par rapport aux résultats de son équipe humaine.
Les conclusions ont été sombres.
L’IA a réduit les délais de planification de quelques semaines à quelques heures, mais elle est arrivée avec une mise en garde : une tendance dangereuse vers un optimisme « halluciné ». L'expérience de Tolstykh offre une vision granulaire des frictions entre la vitesse algorithmique et la réalité chaotique du développement de jeux.
Ce changement ne se produit pas dans le vide. Des données récentes de l’industrie confirment que Tolstykh est à l’avant-garde d’un pivot structurel massif. Selon un Enquête Google Cloud 202590 % des développeurs de jeux intègrent désormais l'IA générative dans leurs flux de travail, et 95 % déclarent que la technologie réduit activement les tâches répétitives.
Peut-être plus particulièrement pour les producteurs, 44 % des développeurs utilisent désormais l'IA pour traiter les informations de manière autonome, permettant une prise de décision plus rapide tout au long du pipeline. Cette adoption rapide intervient alors que 94 % des personnes interrogées pensent que l’IA sera, à terme, la clé pour réduire la spirale des coûts de production.
La base mathématique de la créativité
L'un des résultats les plus frappants de l'expérience a été la proposition par l'IA d'un « BTSU » (unité de coque de niveau BT) pour standardiser la complexité artistique. Alors que Tolstykh a fourni le concept initial d'une « unité d'or » pour l'estimation, l'IA a formalisé les calculs de manière indépendante.
« La principale contribution du modèle n'a pas été l'émergence de l'idée elle-même, mais sa formalisation », explique Tolstykh. « L'IA a dérivé indépendamment la structure de la formule, a justifié le choix des paramètres et a expliqué leur logique sans clarification supplémentaire. »
Surtout, Tolstykh a caché toutes les données spécifiques au projet et les estimations internes pour tester les capacités « prêtes à l'emploi » du modèle et respecter les contraintes strictes de la NDA. L’IA s’est appuyée sur ses représentations statistiques internes de la façon dont les objets complexes sont décomposés dans divers domaines pour construire une base de référence fonctionnelle.
« J'ai traité la formule BTSU non pas comme une vérité objective découverte, mais comme une hypothèse générée par le modèle et soumise à validation et calibrage par rapport à des données de production réelles », explique-t-il.
Naviguer dans le « piège de l’optimisme »
Les estimations initiales de l’IA étaient 1,5 fois inférieures à celles de l’équipe humaine. Même après avoir affiné les invites avec des données de référence, Tolstykh a maintenu une réserve pour imprévus de 15 %, un élément essentiel de sa pratique de production. Il ne considère pas cela comme une solution à « l’optimisme de l’IA », mais comme une protection nécessaire contre le chaos inhérent au développement réel.
Cependant, Tolstykh soutient que la perspective de « salle blanche » de l’IA a sa propre valeur. « Une perspective propre, semblable à celle d'un laboratoire, sous vide, peut être une perspective intéressante pour examiner vos processus de l'extérieur », dit-il. Cela oblige les producteurs à se demander à quoi pourrait ressembler un projet si les inévitables frictions du monde réel étaient supprimées.
L'élément humain dans un futur agent
Alors que Tolstykh se prépare à explorer « l’IA agentique » – des systèmes conçus pour agir avec plus d’autonomie – il reconnaît la peur existentielle ressentie par de nombreux chefs de projet. Pourtant, il insiste sur le fait que le cœur du rôle de producteur reste à l’abri de l’automatisation.
« L'IA n'est pas capable de remplacer les humains dans ce qui compte le plus : prendre des décisions et assumer des responsabilités dans l'incertitude », déclare Tolstykh. « La gestion des conflits, la communication avec les parties prenantes et l'équilibre entre la qualité, les délais et le moral de l'équipe impliquent non seulement l'analyse, mais également la confiance, le contexte et les relations personnelles construites au fil du temps. »
Il compare l’avenir de la production à l’aviation. Les pilotes automatiques existent depuis des décennies, mais le commandant de bord commande toujours l'avion. « L'IA agentique peut devenir un assistant puissant en matière de planification et de prévision, mais la décision finale, surtout lorsque les enjeux sont élevés et qu'il n'y a pas de réponse unique, appartient toujours à un humain », ajoute-t-il.
Quand l’hallucination devient innovation
L'IA produisait occasionnellement des suggestions spontanées, telles qu'un « Modèle de production d'armure de Titan », que l'équipe de Tolstykh a finalement validé comme une stratégie solide. Cela soulève une question difficile : comment distinguer une « mauvaise supposition » d’une « hypothèse brillante » ?
« Si une suggestion d'IA ne peut pas s'intégrer dans un véritable pipeline, ne tient pas dans la pratique ou n'a pas de logique interne claire, alors c'est une mauvaise supposition », explique Tolstykh. Il encadre les jeunes producteurs pour qu'ils se concentrent sur la vérification plutôt que sur la confiance aveugle. « Notre principal super pouvoir est de vérifier les faits ; nous devons vérifier tout ce qui est dit. »
Pour qu’une « hallucination » devienne une caractéristique, elle doit être compréhensible et testable. Selon Tolstykh, l'IA est plus utile lorsqu'elle propose régulièrement des hypothèses qui peuvent être testées et rejetées en toute sécurité sans casser le système.
La sécurité psychologique des outils simples
Alors que l’industrie recherche souvent des suites d’IA coûteuses de niveau entreprise, Tolstykh préconise l’utilisation des LLM grand public les plus simples. Il constate que ces outils accessibles abaissent les barrières à l’entrée pour les vétérans sceptiques.
« Des outils simples et accessibles permettent aux gens d'expérimenter sans ressentir de risque ni perdre le contrôle », explique Tolstykh. « L'accent n'est plus mis sur « Devrions-nous mettre cela en œuvre ? » à « Comment cela peut-il m'aider dans ma tâche spécifique ? »
En supprimant la pression « descendante » des intégrations complexes, ces outils semblent psychologiquement plus sûrs. Pour le développeur chevronné, un outil qui aide discrètement à accomplir des tâches concrètes est bien plus facile à accepter qu’un outil qui promet une révolution.
