top of page

GDCのAI調査、生成AIを利用するゲーム業界従事者の増加を確認

4 時間前
読了時間: 18分

GDCが11月に実施した調査によると、回答したゲーム業界の専門職のうち、職場で生成AIを利用している人は40%で、前年の36%から増加した。学習したパターンからコンテンツを生成するソフトウェアである生成AIは、広範な信頼を得ないまま職場での利用者を増やしている。GDCのAI調査は、この技術を選択的に利用しながらも、その影響を警戒する業界の姿を描いている。

この違いは、スタジオの経営陣やソフトウェアベンダーに重い課題を突きつける。導入が進んだだけでは、従業員が生成されたアートワークを歓迎していること、自動化された出力を信頼していること、あるいはツールが業界を改善すると考えていることの証明にはならない。開発者は限定的な作業ではアシスタントを有用と感じながら、雇用主による導入方法には反対することもあり得る。

中心的な分岐は、社内向けの支援と、プレイヤーに届くクリエイティブ素材の間にある。ValveのSteamプラットフォームは、すでに開示ルールでこれらのカテゴリーを区別している。GDCの調査結果は、この境界を注視すべき理由を示している。導入の次の段階は、チームが何を受け入れ、維持し、出荷への責任を負うかに左右される。

GDCのAI調査が実際に示すこと

最も明確な変化は、ゲーム開発の改善が実証されたことではなく、職場での利用が増えたと報告されている点だ。 GDCの生成AIに関する調査結果では、導入率は4ポイント上昇した。導入者のうち57%は毎日利用していると回答した。否定的な見方は55%で、前回の54%と比べて、GDCは実質的に変化がないとしている。

分母を考慮する必要がある。これらの結果は、実務の開発職以外も含む、回答したゲーム業界の専門職に関するものだ。すべてのプログラミング、アート、デザイン、制作チームで同じ割合がAIを使用しているという主張に置き換えるべきではない。幅広い業界サンプルは、特定の職能に限定した調査とは異なる問いに答える。

毎日利用しているという数値も、あくまで導入者に限定されたものだ。回答者の大半が毎日この技術を使っているという意味ではない。これらの集団を分けて捉えることで、理解しやすい見出しが、AIがどれほど深く制作現場に入り込んでいるかを誇張した説明へと変わるのを防げる。

報告書は2026年11月12日に公開された。GDCの業界調査の発表によれば、2,600人以上のゲーム業界従事者が参加した。また、公開時期を年末近くへ移した理由も説明している。読者は今回の版を現在の状況のスナップショットとして扱い、すべての比較が等間隔の年次測定を指すものだと想定しないほうがよい。

このタイミングこそ、今この結果に注目する価値がある理由でもある。チームは、承認し、統合し、将来のプロジェクトへ持ち込むツールについて判断を下している。現在の利用状況のスナップショットは、そうした議論の事実に基づく出発点となる。ただし、特定の導入のビジネス上の根拠までは示していない。

解釈はいくつか考えられる。従業員がアシスタントを試しているのかもしれないし、反復的な雑務に依存しているのかもしれない。既存ソフトウェアに組み込まれた機能を利用している可能性もある。導入率という見出しの数値だけでは、それぞれの説明がどれほど寄与しているかは分からない。また、従業員が自発的に、しぶしぶ、あるいは管理職からの圧力の下でAIを使い始めたのかも判断できない。

したがって、有用な解釈ではアクセス、活動、成果を分けて考える必要がある。アクセスとは、従業員がツールを利用できることを指す。活動とは、その従業員が実際にツールを利用することだ。成果は、生成された作業が許容可能な労力とレビューの範囲で要件を満たすかどうかに関わる。

この調査が主に明らかにするのは、活動と態度である。成果の評価には、明確な基準に照らして評価された完成作業など、別種の証拠が必要になる。制作の高速化を主張するスタジオは、生成と並行して、確認、統合、修正も考慮に入れる必要がある。

この区別は、頻繁な利用をどう解釈すべきかも変える。反復利用は、ツールが誰かの日常業務の中に居場所を見つけたことを示す。しかし、その位置づけが中核的なのか、周辺的なのか、一時的なのか、あるいは代替困難なのかは分からない。毎日の利用は、大きな制作上の依存関係と同じくらい、短い管理業務を表すこともある。

GDCのAI調査は、職場での導入をより詳しく検討するに足る信頼できる理由を提供している。一方で、モデルの品質、スタジオの効率性、開発チームの将来的な構成について、普遍的な結論を示すものではない。

スタジオの経営陣は、より具体的な導入の問いに直面している

スタジオの経営陣はいま、どの作業がAI利用を正当化するのか、そして生成された作業の責任を誰が負うのかを説明する必要がある。 技術を受け入れるよう求める一般的な指示だけでは、従業員にほとんど指針を与えられない。スタジオが作業内容、許可される情報、レビュー手順、承認責任者を特定して初めて、判断には意味が生まれる。

調査は、職場の文脈が重要であることも示唆している。Dean Takahashiによる職場導入に関する報道では、AAAの従業員の27%が生成AIの利用を奨励または強要されたと感じていたのに対し、インディースタジオでは9%だった。AAAは、大規模な予算を伴うゲーム制作を指す。この表現を組み合わせた数値では、支援的な奨励と強制を区別していない。

この違いは重大だ。任意のアシスタントを提供される従業員と、利用実績を示すことを期待される従業員では、置かれる状況が異なる。両方の経験を広い導入の物語として数えると、その背後にある経営上の選択が見えにくくなる。

スタジオの経営陣にとって、当面の課題は説明責任にある。生成された作業がプロジェクトに入るなら、それが他の作業に適用されるのと同じ基準を満たすかどうかを、誰かが判断しなければならない。生成を委任しても、最終成果物への責任まで委任されるわけではない。

たとえば、あるプロデューサーがアシスタントを使って社内向けの進捗報告書の下書きを作成する仮定を考えてみよう。プロデューサーがその内容をプロジェクト記録と照合できるなら、下書きは有用かもしれない。しかし、存在しない依存関係がスケジュールに入り、他チームがそれを前提に作業を組み立てるようになれば、リスクが生じる。

問うべきは、完成した報告書がより正確になるのか、あるいは作成コストが下がるのかという点だ。プロンプト数を数えても、この違いは捉えられない。下書き時間だけを測定しても、プロデューサーや受信者に追加で課される確認作業は見落とされる。

同じ考え方は、コードベースの未知の部分を調べるプログラマーの仮定にも当てはまる。アシスタントによる説明は出発点になり得る。それでもプログラマーは、挙動を変更する前に、その説明が実際の実装と一致しているかを確認する必要がある。

これらの例は、調査対象となったスタジオで記録された成果ではなく、分析上の例示である。単一の職場利用カテゴリーに、結果が大きく異なる作業が含まれる理由を示している。ニュースとしての価値の一部は、単純な導入率と複雑な制作上の判断との間にあるこの不一致にある。

従業員にも、推測せずに適用できる方針が必要だ。スタジオは、機密のプロジェクト詳細を外部サービスへ入力できるかを明確にすべきである。生成された素材をプロトタイプに残せるのか、制作に入れられるのか、あるいはマーケティングに登場させられるのかも説明する必要がある。

こうした境界は、部門間の関係に影響する。一人が行った実験でも、その出力が下流工程へ移れば、別チームに義務を生じさせることがある。たとえば仮のアセットには、レビュー担当者が置き換えや承認の必要性を理解できるよう、明確なステータスが必要となる。

ツールベンダーも関連する商業上の課題に直面している。アシスタントが何かを生成できると示しても、スタジオがそれを経済的に受け入れられることの証明にはならない。購入者は、そのツールが既存のレビュー、文書化、承認の慣行にどう適合するかを理解する必要がある。

このため、導入をうたうスローガンよりも、統合に関する証拠のほうが有用になる。説得力のある導入事例では、元の作業、結果、そして残る人間の労力が説明されるだろう。また、アシスタントの性能が低かった状況や、異例に綿密な監督が必要だった状況も特定するはずだ。

購入や方針に関する判断への圧力は差し迫っている一方、制作上の影響はより長いプロジェクトサイクルの中で展開する。組織はツールをすぐに承認できる。しかし、その周囲に信頼できる習慣を確立するには、より持続的な取り組みが必要となる。

社内支援と完成コンテンツには異なる検証が必要

誰かの作業準備を助けるツールと、プレイヤーに直接届けられるコンテンツでは、受け入れに求められる基準が異なる。 これが本稿の中心的なトレードオフだ。社内支援は暫定的なものにとどめやすく、簡単に破棄できる。完成素材は、プロジェクトのクリエイティブ、技術、商業上の要件を満たさなければならない。

Valveは、AIコンテンツの開示に関する文書で、この違いを明示している。Steamが重視するのは、一般的な効率向上ではなく、プレイヤーに提供され消費される生成コンテンツだ。開発中に生成された素材と、ゲームの実行中に生成されるコンテンツを区別し、後者には追加の保護措置を求めている。

この方針は、職場での導入と目に見えるAIコンテンツを別々に測定する必要がある理由の説明にもなる。誰かがアシスタントを幅広く利用していても、その文章、画像、音声を出荷しているとは限らない。反対に、基盤となるツールを利用するチームメンバーが比較的少なくても、プロジェクトには生成アセットが含まれる可能性がある。

Valveとの比較は、適用範囲と説明責任に関するものだ。GDCは専門職に仕事と見解について尋ねている。Steamの開示プロセスは、顧客が受け取る製品に関わる。どちらも開発の異なる部分を表すため、一方の尺度をもう一方の代替として用いることはできない。

仮想的なブレインストーミングの場は、前者のカテゴリーを示す。デザイナーが社内プロトタイプの名称候補を求め、その大半を却下したうえで、独自の方向性を発展させる。出力は、人間による意思決定プロセスの中で使い捨ての素材として機能する。

仮想的な出荷済みの対話システムは、別のカテゴリーを示す。プレイヤーはゲームの一部としてその応答に触れる。その応答は、キャラクター描写、トーン、そしてプレイヤーによる世界観の理解に直接寄与する。

違いは芸術的な好みを超える。議論を促すことが目的なら、粗い提案が失敗しても害は少ない。完成コンテンツとして提示される素材は、周囲の体験の中で機能する必要がある。一貫しない品質は、準備中の不便さではなく、製品の一部となる。

これは、社内利用がすべて受け入れ可能である、あるいは出荷される利用がすべて受け入れ不可能であることを示すものではない。承認は作業とその結果に応じるべきだということを示している。スタジオには、自らが行いたい主張に適した証拠が必要となる。

社内調査では、有用な証拠は正確性と、結論を信頼できる資料まで遡れる能力に関わる。制作アセットでは、評価はプロジェクトの方向性との一貫性も扱う必要がある。インタラクティブな生成では、多様なプレイヤー入力にわたる挙動を評価しなければならない。

これらは、同じ基盤技術が支えている場合でも異なる問いである。ある用途で良好に機能するデモが、他の用途まで決着させるわけではない。それらを交換可能なものとして扱うと、肯定的な議論も批判的な議論も精度を失う。

知識の取り扱いは、生成された要約がそれを裏付ける記録から切り離されるおそれがあるため、この議論に含めるべきです。整理されたエンジニアリング・ナレッジベースは、ドキュメントや意思決定の記録を残すうえで有用な参考例になります。その重要性は、特定の生成ツールを採用する理由ではなく、トレーサビリティにあります。

プリプロダクション中に、あるメカニクスをなぜ断念したのかをチームが振り返る場面を想像してください。洗練された説明も、実際の判断を反映している場合にのみ有用です。チームには、当初の調査結果、制約、未解決の意見対立にアクセスできる必要があります。

同じ原則は、生成された素材が他者に引き渡される場合にも当てはまります。レビュー担当者には、自分が見ているものを判断するための十分な文脈が必要です。そうした文脈がなければ、暫定的な提案であっても、完成済みのドキュメントや承認済みフォルダーに含まれているというだけで権威を帯びかねません。

だからこそ、支援と完成コンテンツの境界には注意を払う必要があります。その境界は、実験が他者の支援を必要とする確約へと変わる時点を決定します。導入率はツールが業務に入り込んでいることを示しますが、何がゲームに残るのかを決めるのは受け入れ判断です。

調査では生産性やレイオフの因果関係を解明できない

報告された利用状況から生産性向上を立証することはできず、同時期のレイオフからAIがその原因だったと立証することもできません。 これらは別個の主張であり、それぞれ別の証拠を必要とします。両者を一つの物語にまとめれば、この調査に設計上可能な範囲を超える説明力を与えることになります。

雇用に関する結果では、方法論上の注意点が特に明確です。GDCによると、レイオフの影響を受けた人々の参加率は高いようです。これは彼らの経験を検討する価値を高める一方、このサンプルを業界全体の雇用統計として扱おうとする試みには制約を課します。

AI導入については、より広い教訓として、調査回答と測定された制作成果を区別する必要があります。労働者はツールを使っていると正確に報告できても、その効果を定量化しているとは限りません。また、特定の状況での有用性を認めつつ、業界全体には否定的な見解を示すこともあります。

したがって、導入率と意識に関する数値は分けて扱うべきです。関連するクロス集計がなければ、導入者のうち何人が個人的に否定的な見解を持つのかを読者は算出できません。全体的な結果が示すのはサンプル水準での共存であり、個々のユーザー全員の信念ではありません。

態度の小さな変化についても、同様の慎重さが求められます。調査間のわずかな差だけで、意見に意味のある変化が起きたとは示せません。経時的な動きを解釈する際には、サンプル構成、質問文、回答者の特性がすべて重要です。

懐疑的な見方にも正確さが必要です。雇用、著作性、創造的基準への懸念は、報道するに値する正当なテーマです。しかし、それらはすべての導入が雇用を減らす、あるいは品質を損なうことを自動的に証明するものではありません。各主張には、特定の判断または結果に結び付いた証拠が必要です。

生産性を主張するには、明確な比較が求められます。チームはどのような条件下で、どの要件に照らして、どの作業を完了したのでしょうか。修正にはどれほどの時間がかかりましたか。別の部門が追加作業を引き継ぐことになりましたか。

仮に、あるアーティストが支援を受けてより多くのドラフト案を作成したとします。その結果だけでは、プロジェクトの進行が速くなったかどうかは分かりません。チームは承認済みの方向性に早く到達するかもしれませんし、ブリーフを満たさない素材のレビューにより長い時間を費やすかもしれません。

重要なのは、受け入れられた成果です。より多くの候補を生み出すプロセスであっても、総作業量を増やす可能性があります。同様に、目に見える素材をほとんど生み出さないプロセスでも、誰かが有用な方向性を素早く見極める助けになるかもしれません。

どちらの結果も、この技術から自動的に導かれるものではありません。だからこそ、この調査は詳細な評価を省略する近道になるのではなく、より詳しい評価を促すべきです。その結果は調査する価値のある問いを示す一方、答えはタスクに依存したままです。

雇用に関する主張には、さらに慎重さが必要です。スタジオの発表では、組織再編、変化するプロジェクトのニーズ、効率化目標が理由として挙げられる場合があります。AIの役割を立証するには、両者が同時に起きたと指摘するだけでなく、特定の導入と人員配置の判断を結び付ける証拠が必要です。

それでも、従業員の懸念は雇用主のコミュニケーションに反映されるべきです。期待が不明確であれば、任意のツールでさえ将来の役割に関するシグナルのように感じられる可能性があります。リーダーは、何が変わると見込んでいるのか、今後の判断をどの証拠が導くのかを説明することで、その不確実性に対応できます。

この調査では、AIが学習を改善するかどうかも決着しません。アシスタントは、誰かが不慣れな問題を理解する助けになるかもしれませんし、理解しないまま先へ進めるようにするかもしれません。両者を区別するには、その後に本人が何を説明でき、何ができるかを調べる必要があります。

購入者にとって実務上の意味は、検証できる主張を求めることです。幅広い効率化を約束するベンダーは、その主張の根拠となるタスクと条件を明示すべきです。導入の成功を説明するスタジオは、完成した仕事をどう評価したかを説明すべきです。

批評家にとっても、同じ基準はより強い議論を支えます。具体的な失敗、異議のあるアセット、記録された人員配置の判断を特定するほうが、すべての利用を同一視するより有益です。具体的な証拠があれば、回避可能な問題とより広範な意見の対立を区別しやすくなります。

GDCのAI調査は、読者がこうした限界を保つときに最も有用です。これは職場におけるトレンドと根強い懐疑論を記録しています。一方で、価値、害、因果関係に関する重要な問いは、引き続き調査の対象として残されています。

スタジオが次のAI方針を定める際に注目すべき点

次に有用となる証拠は、ツールの利用を明確な方針、受け入れられた仕事、そしてプレイヤー向けの判断と結び付けるものです。 今後数か月で、そうしたシグナルは賛成・反対を示す広範な宣言よりも多くを明らかにするでしょう。選択的な導入が安定した運用慣行になるかどうかを示せるからです。

最初のシグナルは、スタジオの方針がより具体的になることです。どのタスクを許可するのか、従業員がどの情報を入力できるのか、生成された出力を誰が承認するのかを説明する企業に注目してください。こうした詳細によって、方針を評価できるようになります。

調査支援と制作アセットを区別する方針は、導入が選択的かつ意図的になりつつあるという解釈を強めます。利用目標を中心とする方針は、価値を示す証拠としては弱いものです。作業が改善されたかどうかを確立せず、参加状況だけを測定することになるからです。

また、スタジオが従業員に提案された利用方法への異議申し立てをどのように認めるかにも注目してください。レビュー経路があれば、意見の相違に対処できます。それがなければ、方針は精密に見えても、異議のある結果にどう対応すべきか従業員を迷わせるおそれがあります。

二つ目のシグナルは、完了した仕事に関する証拠です。有用な説明では、元のタスクを特定し、生成後に何が残ったかを記述するべきです。成功事例を複雑にする場合でも、レビューと修正に要した労力を含める必要があります。

許容可能な品質を、より少ない総労力で実現した結果は、特定の導入を支持する根拠を強めます。大幅な下流工程での修正を示す結果は、それを弱めます。どちらの知見も、プロンプト数やアクセス権を持つ従業員数より有益です。

これらの評価には、責任を持って他の場面へ適用できるだけの文脈が必要です。社内の企画タスクにおける結果を、完成したアートワークに関する約束へと変えてはいけません。成功したプロトタイプも、本番システムが信頼性高く機能する証拠になるとは限りません。

三つ目のシグナルは、スタジオが生成コンテンツをプレイヤーにどう説明するかです。開示の具体性、実験的な素材とリリース済み素材の区別、プレイヤーがアセットに疑問を呈した際の対応に注目してください。明確な説明は、実際の選択を見える形にします。

チームが完成コンテンツに対する厳格な承認境界を維持しながら社内支援を拡大するなら、それは調査の中心的な緊張関係を補強するでしょう。リリース済みの生成コンテンツについて、より広い受容を記録するなら、導入が支援作業に集中しているという考え方に疑問を投げかけることになります。

プレイヤーの反応にも慎重な解釈が必要です。論争は期待と提供物の不一致を明らかにすることがあります。しかし、肯定的なコメントが普遍的な受容を証明しないのと同様に、論争だけでオーディエンス全体の反応を立証することはできません。

スタジオの説明は、仕事そのものを扱うときに最も重要になります。何が生成されたのか。どのようなレビューが行われたのか。チームは何を残し、置き換え、修正したのか。こうした回答は、プレイヤーと専門家に具体的に評価できる対象を与えます。

同じ問いは、持続する慣行と実験を区別する助けにもなります。チームが、ツールが役立つ場面と追加作業を生む場面を説明できるとき、そのツールは恒久的な位置を得ます。その説明は、最初のデモンストレーションを過ぎても通用するものであるべきです。

次の発表を評価する読者は、タスクから始めて受け入れられた成果まで追跡してください。誰が出力を確認したのか、どの情報がそれを支えたのか、主張される利点に修正時間が含まれているのかを尋ねてください。職場での導入と完成コンテンツの承認は分けて考えてください。雇用に関する主張は、実際の人員配置の判断に関する証拠と比較してください。GDCのAI調査は、調査対象となった専門家のうち、これらのツールを利用する人が増えていることを示しています。次の報道上の課題は、その利用が何を達成しているのかを見極めることです。スタジオがAIによってプロセスが改善したと述べるなら、実際の仕事、レビュー、そしてその結果に責任を持つ人々に注目してください。

 
 

無料で始めましょう

ローカルファーストのパーソナル知識管理付きAIアシスタント

より良いAI体験のために、

remio は現在、 Windows 10+ (x64)とM-Chip Mac のみをサポートしています。

仕事のAIパートナー
remioでもっと仕事が進む

計画・作成・仕上げまで
すべてをひとつに

bottom of page