Evgeny Tolstykh no se limitó a pedirle a una IA que redactara un correo electrónico cortés o resumiera una reunión en su investigaciones recientes. Lo desafió a construir un departamento de producción de juegos AAA desde cero. En un experimento cara a cara, Tolstykh asignó a un modelo de lenguaje grande (LLM) la tarea de generar hojas de ruta artísticas, estructuras de Jira y estimaciones de producción, y luego comparó los resultados con la producción de su equipo humano.
Los hallazgos fueron crudos.
La IA redujo los plazos de planificación de semanas a horas, pero llegó con una advertencia: una peligrosa tendencia hacia un optimismo «alucinado». El experimento de Tolstykh ofrece una visión granular de la fricción entre la velocidad algorítmica y la realidad caótica del desarrollo de juegos.
Este cambio no está sucediendo en el vacío. Datos recientes de la industria confirman que Tolstykh está a la vanguardia de un giro estructural masivo. Según un Encuesta de Google Cloud 2025el 90% de los desarrolladores de juegos ahora están integrando IA generativa en sus flujos de trabajo y el 95% informa que la tecnología está reduciendo activamente las tareas repetitivas.
Quizás lo más notable para los productores es que el 44% de los desarrolladores ahora utilizan IA para procesar información de forma autónoma, lo que permite una toma de decisiones más rápida en todo el proceso. Esta rápida adopción se produce cuando el 94% de los encuestados cree que la IA será, en última instancia, la clave para reducir los crecientes costos de producción.
La base matemática para la creatividad
Uno de los resultados más sorprendentes del experimento fue la propuesta de la IA de un «BTSU» (unidad de caparazón de nivel BT) para estandarizar la complejidad del arte. Mientras que Tolstykh proporcionó el concepto inicial de una «unidad áurea» para la estimación, la IA formalizó las matemáticas de forma independiente.
«La contribución clave del modelo no fue el surgimiento de la idea en sí, sino su formalización», dice Tolstykh. «La IA dedujo de forma independiente la estructura de la fórmula, justificó la elección de los parámetros y explicó su lógica sin aclaraciones adicionales».
Fundamentalmente, Tolstykh retuvo todos los datos específicos del proyecto y las estimaciones internas para probar las capacidades «listas para usar» del modelo y respetar las estrictas restricciones de la NDA. La IA se basó en sus representaciones estadísticas internas de cómo se descomponen los objetos complejos en varios dominios para construir una línea de base funcional.
«Traté la fórmula BTSU no como una verdad objetiva descubierta, sino como una hipótesis generada por el modelo y sujeta a validación y calibración con datos de producción reales», explica.
Navegando por la «trampa del optimismo»
Las estimaciones iniciales de IA eran 1,5 veces inferiores a las del equipo humano. Incluso después de refinar las indicaciones con datos de referencia, Tolstykh mantuvo un margen de contingencia del 15%, un elemento básico de su práctica de producción. Él ve esto no como una solución para el «optimismo de la IA», sino como una protección necesaria contra el caos inherente al desarrollo en vivo.
Sin embargo, Tolstykh sostiene que la perspectiva de la «sala limpia» de la IA tiene su propio valor. «Una perspectiva limpia, similar a la de un laboratorio desde el vacío, puede ser una lente interesante para observar los procesos desde el exterior», afirma. Obliga a los productores a preguntarse cómo sería un proyecto si se eliminaran las inevitables fricciones del mundo real.
El elemento humano en un futuro agente
Mientras Tolstykh se prepara para explorar la «IA agente», sistemas diseñados para actuar con más autonomía, reconoce el temor existencial que sienten muchos directores de proyectos. Sin embargo, insiste en que el núcleo del papel del productor sigue a salvo de la automatización.
«La IA no es capaz de reemplazar a los humanos en lo más importante: tomar decisiones y asumir responsabilidades en condiciones de incertidumbre», afirma Tolstykh. «La gestión de conflictos, la comunicación con las partes interesadas y el equilibrio entre la calidad, los plazos y la moral del equipo implican no sólo el análisis, sino también la confianza, el contexto y las relaciones personales construidas a lo largo del tiempo».
Compara el futuro de la producción con la aviación. Los pilotos automáticos existen desde hace décadas, pero el capitán todavía comanda el avión. «La IA agente puede convertirse en un potente asistente en la planificación y la previsión, pero la decisión final, especialmente cuando hay mucho en juego y no hay una única respuesta correcta, sigue correspondiendo a un ser humano», añade.
Cuando la alucinación se convierte en innovación
En ocasiones, la IA producía sugerencias espontáneas, como una «Plantilla de producción de armadura de titán», que el equipo de Tolstykh finalmente validó como una estrategia sólida. Esto plantea una pregunta difícil: ¿cómo se distingue una «mala suposición» de una «hipótesis brillante»?
«Si una sugerencia de IA no puede encajar en un proceso real, no se sostiene en la práctica o no tiene una lógica interna clara, entonces es una mala suposición», explica Tolstykh. Asesora a productores jóvenes para que se centren en la verificación en lugar de en la confianza ciega. «Nuestra principal superpotencia es la verificación de hechos; debemos verificar todo lo que se dice».
Para que una «alucinación» se convierta en una característica, debe ser comprensible y comprobable. En opinión de Tolstykh, la IA es más útil cuando ofrece periódicamente hipótesis que pueden probarse y rechazarse de forma segura sin romper el sistema.
La seguridad psicológica de las herramientas simples
Si bien la industria a menudo busca suites de IA costosas y de nivel empresarial, Tolstykh aboga por el uso de los LLM de nivel de consumidor más simples. Encuentra que estas herramientas accesibles reducen la barrera de entrada para los veteranos escépticos.
«Herramientas simples y accesibles permiten a las personas experimentar sin sentir riesgo o perder el control», dice Tolstykh. «El enfoque cambia de '¿Deberíamos implementar esto?' a '¿Cómo puede ayudarme esto con mi tarea específica?'»
Al eliminar la presión «de arriba hacia abajo» de las integraciones complejas, estas herramientas se sienten psicológicamente más seguras. Para el desarrollador veterano, una herramienta que ayuda silenciosamente con tareas concretas es mucho más fácil de aceptar que una que promete una revolución.
