AI dalam Game: Dari NPC hingga Generative AI

Kecerdasan buatan dalam game, atau games AI, telah lama menjadi salah satu fondasi penting dalam desain pengalaman bermain. Namun, istilah AI dalam konteks game sering disalahpahami seolah-olah selalu merujuk pada model generatif mutakhir. Secara historis, AI game jauh lebih luas: ia mencakup logika perilaku musuh, navigasi karakter non-pemain, sistem pengambilan keputusan, sampai algoritme yang membantu membangun level, misi, dan variasi konten. Karena itu, pembahasan tentang AI dalam game perlu ditempatkan dalam lintasan evolusi yang lebih panjang, dari NPC berbasis aturan dan procedural content generation menuju generative AI dan large language models yang kini mulai diintegrasikan ke produksi maupun pengalaman bermain langsung [4][1].

Dari sudut pandang sejarah teknologi, salah satu tonggak penting sebelum gelombang generative AI adalah procedural content generation atau PCG. Dalam survei fondasional yang banyak dirujuk, PCG dijelaskan sebagai pendekatan untuk menghasilkan konten game secara otomatis atau semi-otomatis menggunakan algoritme, dengan cakupan yang sangat luas, mulai dari objek 3D hingga puzzle [4]. Posisi PCG dalam sejarah games AI sangat penting karena ia menjawab persoalan yang terus muncul dalam industri game: skala produksi konten. Semakin besar dunia game, semakin mahal pula biaya pembuatan level, aset, variasi tantangan, dan elemen interaktifnya. Dalam konteks ini, AI bukan semata-mata membuat karakter “cerdas”, melainkan juga membantu pengembang memperluas dunia permainan secara efisien [4].

Analisis ini penting agar pembahasan modern tentang generative AI tidak terlepas dari akar teknis yang lebih lama. Sebelum NPC bisa diajak bercakap secara bebas, industri game sudah lama bereksperimen dengan otomatisasi konten dan simulasi perilaku. Artinya, evolusi games AI bukan lompatan mendadak, melainkan pergeseran bertahap. Tahap awal berfokus pada kontrol, determinisme, dan keandalan sistem; tahap berikutnya memperluas kemampuan ke ranah generasi konten; sementara fase terkini mulai mengarah pada model yang lebih terbuka, fleksibel, dan berbasis bahasa alami [4][1].

Pada era game klasik hingga modern awal, AI untuk NPC biasanya dibangun dengan pendekatan berbasis aturan, state machine, behavior tree, atau sistem keputusan yang dirancang secara eksplisit. Dalam model seperti ini, perancang game menentukan kapan musuh menyerang, mundur, berpatroli, atau memanggil bala bantuan. Pendekatan tersebut tidak selalu menghasilkan ilusi “kecerdasan” yang mendalam, tetapi memiliki keunggulan besar: dapat diprediksi, dapat diuji, dan dapat diseimbangkan dengan aturan permainan. Dalam desain game, kualitas AI sering kali tidak diukur dari seberapa mirip ia dengan manusia, melainkan dari seberapa baik ia mendukung ritme permainan, tantangan, dan rasa adil bagi pemain. Ini adalah poin desain yang tetap relevan bahkan ketika teknologi generatif mulai masuk ke dalam game.

Di sinilah penting membedakan antara kecerdasan buatan sebagai alat desain permainan dan kecerdasan buatan sebagai simbol kemajuan teknis. Sebuah NPC yang mampu menghasilkan dialog dinamis belum tentu lebih baik daripada NPC dengan skrip terbatas, jika perilakunya tidak konsisten dengan aturan dunia game. Sebaliknya, AI yang sederhana tetapi responsif dan andal dapat menciptakan pengalaman bermain yang lebih kuat. Catatan riset yang tersedia mendukung sudut pandang ini: kualitas AI pada akhirnya dinilai melalui pengalaman bermain, terutama dalam hal reliabilitas, responsivitas, integrasi naratif, dan batasan sistem, bukan semata-mata dari “kepintaran” model [5].

Gelombang baru generative AI dan large language models mengubah percakapan karena menawarkan sesuatu yang sebelumnya sulit dicapai secara praktis, yakni kemampuan menghasilkan bahasa, respons, atau variasi konten secara lebih terbuka. Scoping review akademik tahun 2024 tentang large language models dan video game mengidentifikasi 76 paper yang terbit antara 2022 hingga awal 2024 [1]. Distribusi tema dalam kajian tersebut menunjukkan bahwa pemanfaatan LLM di game tidak sempit. Sebanyak 27 dari 76 paper atau 35,5% terkait game AI, 25 paper atau 32,9% terkait game development, 17 paper atau 22,4% terkait narasi, dan 7 paper atau 9,2% terkait game research atau review [1]. Data ini penting karena menunjukkan bahwa diskusi tentang AI dalam game kini bergerak di dua medan sekaligus: alat bantu produksi dan sistem yang tampil langsung di hadapan pemain.

Dari sisi produksi, generative AI dipandang menarik karena dapat membantu workflow kreatif. Dalam kerangka yang didukung oleh review tersebut, model bahasa tidak hanya dipakai untuk chatbot NPC, tetapi juga untuk penulisan, ideasi, prototyping, dan berbagai aspek pengembangan game [1]. Ini sejalan dengan arah umum industri kreatif digital, di mana AI tidak selalu menggantikan proses desain, melainkan mempercepat eksplorasi alternatif. Dalam praktiknya, nilai terbesar generative AI pada tahap produksi bisa jadi bukan pada hasil akhir yang sepenuhnya otomatis, melainkan pada kemampuannya menurunkan biaya eksperimen. Pengembang dapat menghasilkan banyak kemungkinan dialog, deskripsi misi, atau variasi interaksi untuk kemudian diseleksi dan disesuaikan oleh manusia.

Namun, dari perspektif desain game, ada perbedaan mendasar antara AI sebagai alat produksi dan AI sebagai bagian dari runtime gameplay. Ketika AI digunakan sebagai tooling, banyak masalah dapat disaring sebelum rilis. Hasil generasi bisa ditinjau, diedit, bahkan dibuang. Tetapi ketika AI dipasang langsung dalam pengalaman bermain, standar yang dituntut jauh lebih tinggi. Respons harus cepat, relevan, aman, dan konsisten dengan logika permainan. NPC yang bisa bercakap-cakap secara dinamis memang menarik, tetapi jika ia memberikan informasi yang salah, bertindak di luar aturan dunia, atau merusak tempo permainan, maka fitur tersebut dapat berubah dari keunggulan menjadi gangguan.

Contoh arah produk yang sering dibicarakan saat ini dapat dilihat pada dokumentasi resmi NVIDIA ACE for Games. Platform tersebut memosisikan generative AI sebagai rangkaian kemampuan karakter, mencakup model untuk speech, intelligence, dan animation, dengan opsi deployment baik di cloud maupun on-device [3]. Use case yang ditekankan adalah NPC atau companion yang dapat berbicara, bertindak, dan dianimasikan secara real time [3]. Dari sudut pandang teknis, pendekatan semacam ini penting karena menunjukkan bahwa percakapan natural bukan satu-satunya komponen. Agar karakter terasa hidup, sistem perlu menghubungkan pemahaman bahasa, keputusan tindakan, suara, dan ekspresi visual dalam satu pipeline [3].

Fakta ini menggeser ekspektasi tentang NPC modern. Pada generasi sebelumnya, NPC biasanya dipahami sebagai objek interaktif yang menawarkan fungsi terbatas: memberi quest, menjual item, memberikan petunjuk, atau menjadi musuh dengan pola serangan tertentu. Dengan stack generative AI, arah pengembangan bergerak menuju karakter yang secara teoritis dapat mempertahankan percakapan lebih alami, merespons konteks, dan menampilkan presentasi audiovisual yang lebih adaptif [3]. Meski demikian, dokumentasi vendor tetap harus dibaca hati-hati. Dokumentasi resmi sangat baik untuk menjelaskan kapabilitas teknis yang ditawarkan, tetapi bukan evaluasi independen tentang apakah fitur tersebut benar-benar meningkatkan kualitas gameplay atau diterima baik oleh pemain [3].

Di titik ini, penting membuat pembedaan yang tegas antara fakta, analisis, dan opini. Fakta yang tersedia menunjukkan bahwa teknologi untuk membangun NPC percakapan real time memang sedang dipaketkan dan dipromosikan secara aktif oleh vendor [3]. Analisis yang dapat ditarik adalah bahwa industri sedang menguji model interaksi baru antara pemain dan karakter game. Adapun opini yang harus dihindari adalah menganggap bahwa kemampuan berbicara secara otomatis berarti desain game menjadi lebih baik. Kualitas pengalaman bermain tetap harus dibuktikan melalui implementasi, pengujian, dan penerimaan pemain dalam konteks permainan tertentu.

Dari sisi adopsi industri, data GDC 2025 State of the Game Industry memberi gambaran yang relatif kuat tentang fase transisi saat ini. Survei tersebut melibatkan lebih dari 3.000 developer dan profesional game, dengan margin of error kurang lebih 2% [2]. Hasil yang paling relevan menunjukkan bahwa 52% responden bekerja di perusahaan yang sudah mengimplementasikan generative AI, 36% menyatakan bahwa mereka secara pribadi menggunakannya, dan 30% menilai generative AI berdampak negatif pada industri game [2]. Angka-angka ini mengandung pesan ganda yang penting untuk artikel mana pun tentang games AI: adopsi nyata dan signifikan, tetapi penerimaan sosial-profesionalnya jauh dari bulat.

Kekhawatiran yang disebut dalam survei tersebut juga memperlihatkan bahwa perdebatan tentang AI dalam game bukan sekadar urusan fitur baru. Beberapa alasan kekhawatiran yang muncul meliputi pencurian kekayaan intelektual, konsumsi energi, penurunan kualitas konten AI, bias, dan isu regulasi [2]. Dari perspektif industri, keberadaan masalah ini berarti adopsi generative AI tidak bisa dinilai hanya dari seberapa mudah teknologi diintegrasikan. Pengembang dan penerbit juga harus mempertimbangkan legitimasi data latih, biaya infrastruktur, pengelolaan risiko reputasi, serta implikasi hukum di berbagai yurisdiksi. Dengan kata lain, games AI modern tidak hanya persoalan desain sistem, tetapi juga tata kelola teknologi.

Secara analitis, kondisi tersebut menjelaskan mengapa pembahasan AI dalam game kerap terbelah menjadi dua narasi. Narasi pertama menekankan potensi produktivitas: percepatan workflow, peningkatan variasi konten, dan kemungkinan bentuk interaksi baru. Narasi kedua menyoroti risiko: ketidakpastian kualitas, masalah etika, ketergantungan vendor, serta ancaman terhadap standar profesi kreatif. Kedua narasi ini didukung oleh data yang ada. Karena itu, pendekatan yang paling akurat bukan memuji atau menolak secara total, melainkan menempatkan generative AI sebagai teknologi yang sedang diadopsi secara signifikan namun masih diperdebatkan secara keras [2].

Pada level desain pengalaman pemain, salah satu koreksi paling penting terhadap hype generative AI datang dari studi tentang AI companions. Studi IEEE Transactions on Games tahun 2026 menganalisis 15.412 review Steam dari 17 judul lintas genre [5]. Temuan utamanya menunjukkan bahwa kompetensi fungsional dalam combat, koordinasi, dan survival merupakan baseline ekspektasi pemain; kegagalan mekanis mendorong sentimen negatif; sementara integrasi emosional dan naratif dapat memperkuat sentimen positif dan mengurangi dampak kekurangan teknis [5]. Temuan ini sangat relevan karena menegaskan bahwa NPC atau companion yang “terasa hidup” tidak cukup hanya mampu berbicara menarik. Mereka tetap harus andal dalam sistem permainan.

Implikasinya besar bagi pengembangan games AI berbasis generatif. Sering kali diskusi publik terlalu fokus pada kemampuan percakapan, padahal bagi pemain, fungsi dasar karakter pendamping jauh lebih konkret. Jika companion gagal membantu saat pertempuran, salah posisi ketika navigasi, atau membuat keputusan yang merugikan survival, kualitas percakapan yang baik tidak serta-merta menyelamatkan pengalaman bermain [5]. Sebaliknya, ketika fondasi mekanisnya kuat, elemen emosional dan naratif dapat memperkaya hubungan pemain dengan karakter. Dengan demikian, generative AI sebaiknya dipahami sebagai lapisan tambahan yang memperdalam presentasi dan relasi, bukan pengganti bagi reliabilitas sistemik.

Sudut pandang ini juga membantu memahami batas praktis dari adopsi LLM di runtime game. Secara teori, model bahasa dapat membuat dialog lebih kontekstual, improvisasional, dan personal. Namun dalam sistem game yang sesungguhnya, improvisasi harus selalu dibatasi oleh desain. NPC tidak boleh memberi janji quest yang tidak ada, merusak pacing naratif, atau menimbulkan interpretasi yang bertentangan dengan mekanik inti. Artinya, semakin terbuka model generatif, semakin penting pula pagar sistemiknya. Dalam praktik desain, kebebasan ekspresi AI justru harus dipagari agar pengalaman pemain tetap konsisten. Ini mungkin tampak paradoksal, tetapi justru menjadi inti dari perancangan games AI modern.

Jika ditarik lebih jauh, evolusi dari AI klasik ke generative AI dapat dibaca sebagai pergeseran dari sistem yang seluruhnya ditentukan desainer ke sistem yang sebagian perilakunya didelegasikan pada model probabilistik. Pada AI berbasis aturan, pengembang tahu relatif pasti bagaimana NPC bereaksi dalam kondisi tertentu. Pada AI generatif, pengembang lebih banyak mengelola kemungkinan melalui prompt, batasan, filtering, dan integrasi konteks. Perbedaan ini bukan hanya teknis, melainkan juga filosofis. Desain game tradisional cenderung mengutamakan kontrol dan repeatability, sedangkan generative AI membuka ruang variasi yang lebih besar tetapi juga memperbesar ketidakpastian.

Hal ini menjelaskan mengapa PCG layak disebut sebagai jembatan konseptual dalam sejarah AI game. Procedural content generation telah lama mengajarkan industri bahwa otomatisasi konten dapat memberi skala, variasi, dan efisiensi, tetapi tetap membutuhkan tujuan desain yang jelas [4]. Generative AI membawa semangat serupa ke ranah bahasa, karakter, dan interaksi, hanya saja dengan derajat keterbukaan yang lebih tinggi. Dengan kata lain, jika PCG adalah jawaban atas tantangan produksi konten berskala besar [4], maka LLM menawarkan kemungkinan baru untuk produksi dan interaksi yang lebih dinamis [1]. Akan tetapi, keduanya sama-sama menunjukkan bahwa otomatisasi terbaik dalam game bukanlah yang bekerja tanpa batas, melainkan yang diarahkan dengan tepat.

Dalam konteks produksi, ini berarti pengembang perlu menentukan di mana AI memberi nilai paling besar. Untuk beberapa proyek, nilainya mungkin terletak pada bantuan menulis dialog awal atau ide quest. Untuk proyek lain, nilainya mungkin pada variasi barks, respons situasional, atau pipeline karakter berbasis suara dan animasi [1][3]. Tetapi ada pula kasus di mana penggunaan AI belum layak, baik karena alasan biaya, risiko kualitas, maupun ketidaksesuaian dengan identitas desain. Keterbatasan ini perlu diakui secara jujur karena sumber yang tersedia pun menekankan bahwa banyak bukti masih berada pada tahap dokumentasi vendor, demo, atau survei awal, sementara dampak jangka panjang terhadap desain, biaya inferensi, moderasi, dan retensi pemain masih terbatas [1][2][3].

Dari sudut ekonomi produksi, situasinya juga belum sepenuhnya jelas. Survei industri dapat menunjukkan tingkat adopsi dan sentimen [2], tetapi tidak otomatis membuktikan performa produk atau return on investment. Dokumentasi vendor bisa menunjukkan stack teknologi dan skenario penggunaan [3], tetapi bukan jaminan bahwa implementasinya efisien untuk semua studio. Kajian akademik dapat memetakan arah riset [1], namun belum tentu merepresentasikan kompleksitas deployment pada game komersial skala besar. Oleh karena itu, klaim bahwa generative AI pasti menghemat biaya atau pasti meningkatkan kualitas belum dapat diperlakukan sebagai fakta umum berdasarkan sumber yang tersedia di sini.

Hal lain yang tak kalah penting adalah perubahan peran desainer dan penulis game. Ketika AI mulai ikut menghasilkan teks, respons, atau variasi konten, pekerjaan kreatif tidak otomatis hilang, tetapi bergeser. Tugas kurasi, pengarahan, pengujian, dan penetapan batas menjadi jauh lebih penting. Dalam desain NPC percakapan, misalnya, penulis tidak hanya menyusun dialog final, melainkan juga membangun persona, aturan dunia, gaya bahasa, serta pagar topik yang boleh dan tidak boleh dijawab. Desainer sistem juga harus memastikan bahwa hasil generasi tidak memotong alur permainan atau menghasilkan tindakan yang berlawanan dengan mekanik inti. Secara praktis, generative AI justru bisa meningkatkan kebutuhan akan desain yang disiplin.

Dalam hubungan dengan pemain, disiplin ini akan menentukan apakah AI terasa sebagai peningkatan atau sekadar gimmick. Pemain pada umumnya tidak menilai arsitektur model; mereka menilai pengalaman. Jika companion terasa membantu, responsif, dan memiliki kehadiran naratif yang mendukung petualangan, maka AI dinilai berhasil [5]. Jika sebaliknya, pemain akan cepat melihatnya sebagai sistem yang mengganggu, tak peduli secanggih apa model di baliknya. Di sinilah games AI berbeda dari demonstrasi teknologi murni. Dalam game, kecanggihan yang tidak selaras dengan desain dapat menurunkan kualitas pengalaman, bukan meningkatkannya.

Karena itu, salah satu kerangka paling sehat untuk membaca masa depan AI dalam game adalah memisahkan tiga lapisan penerapan. Lapisan pertama adalah AI untuk produksi, seperti ideasi, penulisan awal, dan dukungan workflow [1]. Lapisan kedua adalah AI untuk generasi konten terstruktur, yang dalam sejarahnya terhubung dengan PCG sebagai jawaban atas persoalan skala [4]. Lapisan ketiga adalah AI yang berhadapan langsung dengan pemain, misalnya NPC percakapan, companions, atau agen otonom real time [3][5]. Ketiga lapisan ini saling berhubungan, tetapi kebutuhan kualitasnya berbeda. Tooling produksi dapat mentoleransi hasil mentah karena masih melalui kurasi manusia, sedangkan runtime AI membutuhkan reliabilitas yang jauh lebih tinggi karena berdampak langsung pada pengalaman pemain.

Jika tren riset saat ini menjadi petunjuk, maka large language models kemungkinan akan terus dieksplorasi pada semua lapisan tersebut. Review akademik yang memetakan 76 paper dari 2022 hingga awal 2024 menunjukkan bahwa bidang ini berkembang cepat dan lintas fungsi [1]. Namun, kehati-hatian tetap diperlukan karena review tersebut bersifat preliminary dan cakupannya berhenti di awal 2024 [1]. Dengan laju perkembangan AI yang sangat cepat, praktik terbaik, biaya, dan arah implementasi bisa berubah dalam waktu singkat. Karena itu, artikel tentang games AI yang bertanggung jawab seharusnya tidak membuat klaim finalistik, melainkan menekankan bahwa industri sedang berada dalam fase eksperimen besar.

Pada saat yang sama, data adopsi dari GDC 2025 menunjukkan bahwa eksperimen tersebut bukan lagi pinggiran [2]. Ketika lebih dari separuh responden bekerja di perusahaan yang telah mengimplementasikan generative AI, sulit untuk menyebut teknologi ini sebagai tren sementara tanpa relevansi industri [2]. Akan tetapi, fakta bahwa 30% responden juga memandang dampaknya negatif mengingatkan bahwa adopsi tidak identik dengan legitimasi penuh [2]. Dalam banyak teknologi industri, fase seperti ini adalah fase paling menentukan: teknologi mulai tersebar, tetapi norma penggunaannya belum matang.

Dalam kerangka itu, pertanyaan kunci bagi masa depan AI dalam game bukan hanya “apa yang bisa dilakukan AI?”, tetapi “apa yang sebaiknya dilakukan AI dalam desain game tertentu?”. Pertanyaan pertama bersifat teknis dan cenderung dijawab oleh vendor, prototipe, atau demonstrasi [3]. Pertanyaan kedua bersifat desain, ekonomi, dan etika; jawabannya bergantung pada genre, platform, target pemain, sumber daya studio, dan batasan produksi. Tidak semua game memerlukan NPC yang bercakap bebas. Tidak semua studio membutuhkan workflow penulisan berbasis model bahasa. Dan tidak semua bentuk otomatisasi akan memperkuat identitas sebuah game. Dalam banyak kasus, nilai AI justru muncul ketika ia digunakan secara sempit tetapi tepat.

Dengan demikian, evolusi games AI dapat diringkas sebagai perjalanan dari kontrol menuju keluwesan, tanpa pernah benar-benar meninggalkan kebutuhan akan struktur. AI berbasis aturan membentuk fondasi keandalan perilaku. PCG memperluas kemampuan industri untuk membangun konten dalam skala besar [4]. LLM dan generative AI membuka kemungkinan baru dalam produksi, narasi, dan interaksi pemain [1][3]. Namun semua tahap itu berbagi satu prinsip yang sama: teknologi AI hanya bernilai sejauh ia melayani pengalaman bermain. Studi tentang sentimen pemain terhadap AI companions menegaskan prinsip tersebut dengan sangat konkret: fungsi dasar yang andal adalah baseline, sedangkan kedalaman emosional dan naratif menjadi penguat, bukan pengganti [5].

Pada akhirnya, masa depan AI dalam game kemungkinan tidak akan ditentukan oleh satu model atau satu vendor, melainkan oleh kemampuan industri merancang integrasi yang tepat antara kecerdasan sistemik, skala produksi, dan kualitas pengalaman pemain. Fakta-fakta yang tersedia mendukung pandangan bahwa game AI sedang bergerak ke arah yang lebih luas dari sekadar musuh yang bereaksi terhadap pemain. Ia kini mencakup pipeline produksi, generasi konten, percakapan real time, hingga pendamping virtual yang lebih ekspresif [1][3][4]. Namun bukti yang sama juga mengingatkan bahwa adopsi cepat datang bersama kontroversi yang serius [2], dan bahwa pemain tetap menilai AI berdasarkan manfaat nyata di dalam permainan [5].

Oleh sebab itu, kesimpulan yang paling seimbang adalah sebagai berikut. Generative AI memang memperluas horizon games AI, tetapi tidak menghapus pelajaran lama dari desain game. NPC yang menarik tetap harus berfungsi dengan baik. Konten yang dihasilkan otomatis tetap membutuhkan tujuan desain. Tooling produksi yang cepat tetap perlu pengawasan kreatif. Dan inovasi teknis tetap harus diuji terhadap standar paling sederhana namun paling menentukan: apakah ia membuat game menjadi lebih baik untuk dimainkan. Selama pertanyaan ini menjadi pusat evaluasi, evolusi AI dalam game dapat dibaca bukan sebagai pergantian total dari sistem lama ke sistem baru, melainkan sebagai perluasan bertahap dari cara industri membangun dunia, karakter, dan pengalaman bermain.