GDC AI 調查發現更多遊戲從業員在工作中使用生成式 AI
GDC 的 11 月調查顯示,40% 受訪遊戲業專業人士會在工作中使用生成式 AI,高於去年的 36%。生成式 AI 是從學習到的模式建立內容的軟件;它正獲得更多職場用戶,卻未贏得廣泛信任。GDC AI 調查描繪了一個正在為這項技術尋找選擇性用途、同時仍警惕其後果的行業。
這項區別為工作室領導層及軟件供應商帶來壓力。採用本身無法證明員工歡迎生成藝術作品、信任自動化輸出,或相信這些工具能改善行業。一名開發者或會發現助手適合某項狹窄任務,卻反對僱主部署它的方式。
核心分野在於內部輔助與直接面向玩家的創作素材。Valve 的 Steam 平台已在披露規則中區分這兩類內容。GDC 的發現令這條界線值得關注:採用的下一階段取決於團隊願意接受、保留,以及承擔上線責任的內容。
GDC AI 調查實際顯示甚麼
最明顯的改變是報稱職場使用更普及,而非遊戲開發已被證實有所改善。 GDC 的生成式 AI 調查結果顯示,採用率上升了四個百分點。在採用者當中,57% 表示每天使用。負面觀感為 55%,相比此前的 54%,GDC 形容差異基本不變。
分母很重要。這些發現針對受訪的遊戲業專業人士,包括不直接參與開發的職業。它們不應被解讀為每個程式設計、美術、設計或製作團隊中,都有相同比例的人使用 AI。廣泛的行業樣本,回答的是與限於特定工種的調查不同的問題。
每日使用的數字亦只描述採用者,並不表示大多數受訪者每天都使用這項技術。把這些群組分開看,可避免一個易於理解的標題演變成對 AI 已多徹底進入製作流程的誇大描述。
報告於 2026 年 11 月 12 日發表。GDC 的行業調查公告指出,超過 2,600 名遊戲從業員參與。公告亦解釋了改為接近年末發布的變化。讀者應把這一期視為目前情況的快照,而不應假定每項比較都涉及間距相等的年度測量。
這個時間點說明,這些發現為何值得現在關注。團隊正在決定會授權、整合並帶進未來項目的工具。當前使用情況的快照,為這些討論提供事實起點,但未有為任何特定部署的商業理據下定論。
仍有多種可能的解讀。員工或許正在試用助手、依賴它們處理重複工作,或使用已整合到現有軟件中的功能。整體採用指標無法告訴讀者每種解釋各自佔多大比重,也無法確定員工是自願、勉強,還是在管理層壓力下開始使用 AI。
因此,有用的解讀應區分使用權限、實際活動及成果。使用權限指員工能否使用某項工具。實際活動指該員工是否真正使用它。成果則關乎成品能否以可接受的投入與審核程度符合要求。
調查主要有助說明實際活動與態度。評估成果需要不同證據,例如根據清晰標準評核的已完成工作。一間工作室若聲稱製作更快,便需要連同生成過程,一併交代檢查、整合及修訂的成本。
這項區分亦改變讀者應如何理解頻繁使用。重複使用意味某項工具已在某人的日常流程中找到位置,但仍無法回答它的位置是否核心、邊緣、暫時,或難以替代。每天使用既可以描述一項簡短的行政工作,也可以描述對製作流程的重大依賴。
GDC AI 調查提供了可信理由,讓人更仔細審視職場採用情況。它並未對模型質素、工作室效率或開發團隊未來組成提供普遍定論。
工作室領導層面對更具體的採用問題
工作室領導層現在需要說明,哪些工作值得使用 AI,以及誰擁有產出工作的責任。 一句籠統的指示,要求員工擁抱這項技術,對他們幾乎沒有指引。當工作室界定任務、可使用的資訊、審核流程及負責驗收的人員,決策才具實質意義。
調查亦顯示職場環境很重要。Dean Takahashi 的職場採用報道指出,27% AAA 遊戲從業員感到被鼓勵或被施壓使用生成式 AI,相比之下,獨立工作室的比例為 9%。AAA 指大型預算遊戲製作。這個合併說法無法區分支持性的鼓勵與強制壓力。
這項區分影響重大。獲提供可選助手的僱員,面對的情況與被期望展示使用成果的人不同。把兩種經驗都納入寬泛的採用敘事,會掩蓋背後的管理選擇。
對工作室領導層而言,眼前壓力在於問責。若生成內容進入項目,必須有人決定它是否符合其他內容同樣適用的標準。把生成工作交出去,不代表最終結果的責任也被交出去。
試想一位製作人使用助手草擬內部狀態更新。若製作人能根據項目記錄核實內容,草稿或會有用;但若一項虛構的依賴關係被寫進進度表,其他團隊再據此安排工作,便會構成風險。
關鍵問題是,完成的更新是否變得更準確,或準備成本是否更低。單單計算提示詞數量,無法反映這項區別。只量度草擬時間,也會忽略製作人或收件人額外承擔的核查工作。
同樣的道理適用於一名假設中的程式設計師,探索程式碼庫中不熟悉的部分。助手的解釋可以提供起點,但程式設計師在改變行為前,仍需要確認它是否符合實際實作。
這些例子是分析說明,而非受訪工作室的已記錄成果。它們顯示為何單一的職場使用類別,包含後果截然不同的任務。新聞價值部分正在於,簡單的採用數字與複雜的製作決策之間存在落差。
員工亦需要可無須猜測便能套用的政策。工作室應明確說明機密項目細節能否輸入外部服務,亦應解釋生成素材可否停留於原型、進入製作,或出現在市場推廣內容中。
這些界線會影響部門之間的關係。一個人進行的實驗,若其輸出流向下游,便可能為另一個團隊帶來責任。例如,一項暫時資產需要清晰狀態,讓審核者知道它是否需要替換或批准。
工具供應商亦面對相關的商業挑戰。證明一個助手能夠產出某些內容,不等於證明工作室能以經濟上可接受的方式接納它。買家需要了解該工具如何融入既有的審核、文件記錄及批准流程。
這令整合證據比採用口號更有用。一份具說服力的部署說明,會描述原有任務、結果及餘下的人手投入,也會指出助手表現不佳或需要異常密切監督的情況。
採購及政策決策面對的壓力是即時的,而對製作的影響則會在更長的項目週期中展開。一個機構可以很快授權某項工具;要圍繞它建立可靠習慣,則需要更持續的投入。
內部輔助與成品內容面對不同考驗
協助某人準備工作的工具,與直接交付給玩家的內容,面對不同的驗收標準。 這是本文的核心取捨。內部輔助可以保持暫定性,亦容易捨棄;成品素材則必須符合項目的創意、技術及商業要求。
Valve 在其AI 內容披露文件中明確作出這項區分。Steam 聚焦於已上線並由玩家使用的生成內容,而非一般效率提升。它區分開發期間生成的素材與遊戲運行時生成的內容;後者需要額外保障措施。
這項政策有助解釋,為何職場採用與可見 AI 內容需要分開量度。有人可以廣泛使用助手,卻不會把它生成的文字、圖像或音訊上線。反過來說,一個項目也可能包含生成資產,即使使用底層工具的團隊成員相對不多。
與 Valve 的比較關乎範圍及問責。GDC 詢問專業人士的工作與看法;Steam 的披露程序則關乎顧客實際收到的產品。兩種衡量方式都不能取代對方,因為它們各自描述開發中的不同部分。
一場假設中的腦力激盪會議可說明第一類情況。設計師為內部原型要求提供可能的名稱,捨棄大部分建議,並發展出原創方向。輸出在人的決策過程中,只是可隨時棄置的素材。
一個假設中已上線的對話系統,則說明另一類情況。玩家會把其回應視為遊戲的一部分。這些回應直接影響角色塑造、語調,以及玩家對世界的理解。
這個差異不止於藝術偏好。粗略建議若只是用來引發討論,即使失敗也未必造成傷害。以成品內容呈現的素材,必須能融入周遭體驗。品質不一致會成為產品的一部分,而不再只是準備期間的不便。
這並不代表每一種內部用途都可接受,或每一種已上線用途都不可接受。它指出批准與否應取決於任務及其後果。工作室需要與其所欲提出的主張相稱的證據。
對內部研究而言,有用證據會關乎準確度,以及能否把結論追溯至可靠資料。對製作資產而言,評估還需要處理其與項目方向的一致性。對互動式生成而言,評估必須考慮面對眾多可能玩家輸入時的行為。
即使同一底層技術支援這些用途,它們仍是不同問題。一項在其中一類表現良好的示範,並不能解決其他問題。把它們視為可以互換,只會令支持與批評的論點都變得不夠精確。
知識處理應屬於此討論的一部分,因為生成的摘要可能會脫離其所依據的記錄。有條理的工程知識庫可作為保存文件與決策的實用參考。其關聯在於可追溯性,而非鼓勵採用任何特定的生成工具。
試想一個團隊在前期製作期間,重新檢視為何放棄某項機制。精心修飾的解釋,只有在反映實際決策時才有價值。團隊需要查閱原始發現、限制條件,以及尚未解決的分歧。
同一原則亦適用於生成內容在不同人手中流轉時。審閱者需要足夠的背景,才能判斷自己看到的是甚麼。缺乏這些背景時,一項暫定建議可能只因出現在完成的文件或獲批准的資料夾內,便被賦予權威性。
這正是為何協助與完成內容之間的界線值得關注。它決定了一項實驗何時會成為其他人必須支持的承諾。採用數字顯示工具正進入工作流程;而接受決定則決定甚麼會保留在遊戲中。
調查無法解答生產力或裁員的因果關係
使用情況的報告無法證明生產力提升,而同期出現裁員亦無法證明是由 AI 所致。 兩者是不同的主張,需要不同的證據。將它們合併為單一敘事,會令這項調查看似擁有超出其設計所能支持的解釋力。
就業結果尤其清楚地提示了方法上的警告。GDC 表示,受裁員影響的人士似乎有較高參與率。這使他們的經驗值得探討,同時亦限制了將該樣本視為業界就業普查的嘗試。
至於 AI 採用,更廣泛的教訓是要區分調查回應與量度得出的製作成果。員工可以準確報告自己正在使用某項工具,卻沒有量化其影響。他們亦可以對業界抱持負面看法,同時承認某工具在特定情況下有用。
因此,採用與情緒數字應保持分開。若沒有相關的交叉列表,讀者無法計算有多少採用者本人持負面觀點。整體結果只證明兩者在樣本層面並存,並不代表每位個別使用者的信念。
態度上的細微變化同樣應審慎看待。兩次調查之間的輕微差異,本身不足以證明觀點有實質轉變。在解讀隨時間出現的變動時,樣本組成、問題措辭及受訪者特徵都很重要。
質疑的論點亦需要精確。對就業、作者身份或創作標準的憂慮,都是合理的報道議題。但這並不會自動證明每一次部署都會減少職位或損害品質。每項主張都需要與特定決定或結果相連的證據。
任何生產力主張都需要清晰比較。團隊完成了甚麼工作、在甚麼條件下進行,以及要符合哪些要求?有多少時間花在修正上?是否有其他部門接手了額外工作?
假設一名藝術家在協助下產出更多草稿變體。單憑這個結果,仍無法揭示專案是否推進得更快。團隊可能較早確定獲批准的方向,也可能花更多時間審閱未能符合簡報要求的素材。
相關的衡量單位是獲接受的成果。一個產出更多候選方案的流程,仍可能增加整體投入。同樣地,一個幾乎不產出可見素材的流程,亦可能幫助某人迅速辨識出有用方向。
這兩種結果都不會自動由技術帶來。正因如此,這項調查應促使更詳細的評估,而非成為繞過評估的捷徑。其發現指出一個值得調查的問題,但答案仍取決於具體工作。
就業主張更需要謹慎。工作室的公告可能提及重組、專案需求改變或效率目標。若要確立 AI 的角色,便需要有證據將特定部署與人手決策連結起來,而非只指出兩者同時發生。
員工的憂慮仍應影響僱主的溝通方式。不清晰的期望,即使工具屬於可選使用,也可能令它看似是未來職位安排的訊號。領導層可透過說明預期會改變甚麼,以及甚麼證據將引導後續決定,來處理這種不確定性。
這項調查亦無法判定 AI 是否改善學習。助手可能幫助某人理解陌生問題,亦可能讓他們在未理解的情況下繼續前進。要區分這些結果,必須檢視該人其後能解釋甚麼及做到甚麼。
對買家而言,實際含意是應要求可供核實的主張。承諾廣泛效率提升的供應商,應具體說明該說法背後的工作及條件。描述成功採用的工作室,則應解釋如何評估完成的工作。
對批評者而言,同一標準可支持更有力的論點。指出具體失敗、存在爭議的資產,或有文件記錄的人手決定,比將所有使用情況視為等同更具資訊價值。具體證據更容易區分可避免的問題與更廣泛的分歧。
當讀者保留這些限制時,GDC AI 調查最具價值。它記錄了一項工作場所趨勢及持續存在的懷疑態度。至於價值、傷害及因果關係等重大問題,仍有待調查。
工作室制訂下一輪 AI 政策時值得留意的事項
下一批有用證據,將把工具使用與明確政策、獲接受的工作及面向玩家的決定連結起來。 未來數月,這些訊號比又一次籠統地表態支持或反對更能揭示情況。它們可顯示選擇性採用會否成為穩定的營運做法。
第一個訊號是工作室政策更具體。留意公司是否說明允許哪些工作、員工可提交哪些資訊,以及由誰批准生成內容。這些細節令政策可被評估。
若政策區分研究協助與製作資產,將更有力地支持採用正變得具選擇性且經深思熟慮的解讀。若政策以使用目標為核心,則較難證明價值。它衡量的是參與程度,卻無法確立工作是否有所改善。
亦應留意工作室是否說明員工如何能對建議使用方式提出質疑。審核途徑可令分歧化為可採取行動的事。若沒有這種途徑,政策即使看似精確,仍可能令員工不清楚如何回應有爭議的結果。
第二個訊號是有關完成工作成果的證據。有價值的說法應指出原始任務,並描述生成後仍須處理甚麼。即使這些細節令成功故事變得複雜,也應包括審閱與修正所需的投入。
若結果顯示可接受的品質伴隨較低的總投入,便會加強特定部署的理據。若結果顯示需要大量後續修正,便會削弱理據。無論哪種發現,都比提示詞數量或獲得使用權的員工人數更具資訊價值。
這些評估需要足夠背景,才能被負責任地引用。來自內部規劃工作的結果,不應變成對完成藝術作品的承諾。成功的原型,也不應自動成為製作系統能可靠運作的證據。
第三個訊號是工作室如何向玩家描述生成內容。留意披露的具體程度、實驗性素材與已推出素材之間的區分,以及玩家質疑某項資產時的回應。清晰說明可令實際選擇變得可見。
若團隊擴大內部協助的使用,同時為完成內容維持明確的批准界線,便會印證調查的核心張力。若他們記錄更廣泛地接受已推出的生成內容,便會挑戰採用仍集中於支援性工作的觀點。
玩家反應同樣需要審慎解讀。一宗爭議可能揭示期望與交付之間不一致,卻不能自動反映整個受眾的反應;正如正面留言亦不能證明所有人都接受。
工作室的說明在回應工作本身時最為重要。生成了甚麼?進行了甚麼審閱?團隊保留、替換或修正了甚麼?這些答案讓玩家與專業人士有具體內容可供評估。
同樣的問題有助區分持久做法與實驗。一項工具要贏得長久位置,團隊必須能說明它在哪些地方有幫助,以及在哪些地方帶來額外工作。這種說明應能經得起最初示範過後的考驗。
對正在評估下一項公告的讀者而言,應由任務開始,並一路追蹤至獲接受的成果。詢問誰檢查輸出、哪些資訊支持它,以及聲稱的好處是否包括修訂時間。將工作場所的採用情況與對完成內容的批准分開看待。把就業主張與實際人手決定的證據比較。GDC AI 調查證實,更多受訪專業人士正在使用這些工具;下一個報道挑戰,是判斷這種使用實際達成甚麼。當工作室表示 AI 改善了其流程時,請留意相關工作、審閱過程,以及對結果負責的人。



