Créer les décors avec l’IA ou laisser l’IA jouer dans le jeu : la Gamescom sépare enfin les deux tendances

Deux jeux peuvent être présentés comme « créés avec l’IA » alors qu’ils n’ont presque rien en commun. Dans le premier, une IA aide le studio à écrire du code, produire un décor ou tester une scène, puis disparaît avant la sortie. Dans le second, elle continue à prendre des décisions pendant que vous jouez. Pour son édition 2026, gamescom dev transforme enfin cette différence technique en deux tracks distincts : « AI in Production » et « AI in Gameplay ».

Cette séparation n’est pas seulement sémantique. Elle change le coût du jeu, sa dépendance à Internet, la puissance nécessaire sur la machine du joueur, les risques de modération, la reproductibilité des parties et même la façon de tester une mise à jour. Demander « ce jeu utilise-t-il l’IA ? » ne suffit donc plus. La bonne question devient : où l’IA tourne-t-elle, et tourne-t-elle encore une fois le jeu livré ?

La Gamescom ne parle plus d’une seule « IA dans les jeux vidéo »

La page officielle des sessions et tracks de gamescom dev 2026 présente explicitement « AI in Gameplay » et « AI in Production » comme les deux grandes perspectives de son programme IA. Le track est coorganisé avec l’équipe de l’AI and Games Conference et piloté par Tommy Thompson, Shraddha Gupta, Duygu Cakmak, Gabriel Robert et Matthias Siemonsmeier.

L’événement comptait environ 220 sessions et 390 intervenants au total. La conférence accessible aux détenteurs de billets s’est tenue les 24 et 25 août ; le dimanche 23 était consacré aux activités des intervenants et VIP. La Gamescom destinée au grand public se déroule ensuite du 26 au 30 août, après l’Opening Night Live du 25.

Mise à jour du 26 août : les cinq exemples ajoutés plus bas proviennent des pages officielles détaillées des sessions. Nous distinguons ce que ces pages qualifient explicitement de démonstration en direct, les systèmes de production présentés et les détails d’infrastructure qui ne sont pas publics. Un simple intitulé de conférence n’est jamais utilisé comme preuve qu’une démonstration a réussi.

AI in Production : l’IA travaille dans le studio

Dans le premier cas, l’IA intervient pendant la fabrication. Elle peut accélérer la préproduction, proposer des variantes, automatiser une tâche répétitive ou aider un développeur à comprendre un moteur. Son résultat finit dans le dépôt, le build, les fichiers du jeu ou la documentation, mais le modèle qui l’a produit n’a pas nécessairement besoin d’accompagner chaque copie vendue.

Cette famille recouvre notamment :

• le code : compléter une classe, expliquer une erreur de compilation, générer un outil d’éditeur ou préparer un test ;
• les assets : explorer des concepts, produire des variantes de textures, de décors ou d’objets, puis les retoucher et les valider ;
• l’animation : nettoyer une capture, proposer des transitions ou prévisualiser un mouvement ;
• le level design : assister le placement d’objets, vérifier des contraintes de navigation ou générer une première passe ;
• les tests et la QA : parcourir une scène, détecter une collision, reproduire un bug ou créer des cas de test ;
• la localisation : préparer une traduction, repérer les chaînes qui dépassent l’interface et accélérer les contrôles terminologiques.

Une session illustre bien ce périmètre. La page officielle de JetBrains sur le développement agentique dans Unreal Engine avec Rider décrit explicitement des démonstrations en direct couvrant architecture, génération de squelette C++, diagnostic de crash, placement d’acteurs et tests automatisés. L’agent obtient des moyens d’agir au-delà du fichier source, mais il reste ici un outil du développeur.

C’est aussi la logique de Unity MCP, qui permet à Claude Code ou Cursor de modifier une scène et ses GameObjects. L’IA agit dans le moteur pendant le travail du studio. Une fois le jeu compilé, le joueur n’a pas besoin de lancer Claude pour que la porte, l’arène ou les ennemis existent.

Le test décisif : peut-on éteindre l’IA après le build ?

Imaginez qu’un studio génère cent variantes de rochers avec un modèle, puis sélectionne, retouche et compresse les dix meilleures. Le jeu livré contient des meshes et des textures classiques. Si le service d’IA ferme demain, les rochers ne disparaissent pas. Le studio perd un outil de production, pas une mécanique du jeu déjà installé.

La même règle vaut pour du code généré puis relu, des animations exportées ou des traductions validées. La contribution de l’IA peut être importante, mais son coût d’inférence est concentré avant la sortie. Les résultats peuvent être versionnés, mis en cache, testés et distribués comme les autres fichiers.

AI in Gameplay : l’IA travaille encore pendant la partie

Dans le second cas, l’IA n’aide plus seulement à fabriquer le jeu : elle participe à son exécution. Elle reçoit l’état de la partie, les actions du joueur ou son message, puis produit une décision qui modifie l’expérience en cours.

Cette catégorie peut englober :

• des personnages non-joueurs adaptatifs qui choisissent une action en fonction d’un contexte plus large qu’un script fixe ;
• des dialogues dynamiques qui interprètent une question libre et composent une réponse ;
• un directeur de jeu qui ajuste rencontres, rythme ou difficulté selon le comportement observé ;
• une narration générée qui recompose une quête ou ses conséquences à partir des décisions du joueur ;
• une génération dynamique de cartes, d’objectifs, d’objets ou de règles pendant la partie.

Wargaming a consacré une session à un système de direction de trajectoire entraîné par renforcement pour World of Tanks: HEAT, de l’environnement d’apprentissage à l’intégration dans le moteur. Il relève de « AI in Gameplay » parce que la politique obtenue intervient dans la conduite des véhicules en jeu, pas seulement dans l’outil qui les a conçus.

Attention : « l’IA tourne encore » ne signifie pas obligatoirement qu’un immense modèle génératif contacte un serveur à chaque seconde. Un réseau entraîné en amont peut être exporté et exécuté localement. Une politique apprise peut également fonctionner sans texte génératif. La frontière pertinente n’oppose donc pas IA générative et IA traditionnelle ; elle oppose l’assistance à la fabrication et la décision prise pendant l’expérience du joueur.

Où tourne l’IA : sur le PC, la console ou dans le cloud ?

Une IA de gameplay peut être locale. Le modèle est alors livré avec le jeu et utilise le processeur, le GPU ou une unité dédiée de la machine. Cette approche réduit la dépendance au réseau et évite une facture par requête, mais elle augmente la taille du téléchargement, les contraintes matérielles et les efforts d’optimisation. Elle doit aussi fonctionner sur les configurations minimales réellement supportées.

Elle peut aussi être distante. Le jeu envoie une requête à un service qui renvoie un dialogue, une décision ou un contenu. Le studio peut mettre à jour le modèle sans patcher toutes les machines, mais chaque partie peut alors générer un coût de calcul. Il faut gérer la latence, les coupures, la montée en charge le soir du lancement et le devenir de la fonctionnalité si le serveur ferme.

Enfin, un système hybride peut conserver localement les décisions rapides et confier au cloud les tâches lentes ou ouvertes. Un ennemi ne peut pas attendre deux secondes pour esquiver, alors qu’un personnage peut parfois préparer une réponse entre deux scènes. L’architecture dépend donc du rythme du gameplay, pas uniquement de la qualité du modèle.

Les conséquences économiques sont opposées

Une équipe qui génère des concepts peut fixer un budget mensuel et arrêter la génération lorsque les assets sont validés. Un jeu dont dix millions de joueurs interrogent un modèle doit raisonner en coût par session, limiter la fréquence des appels, mettre en cache ce qui peut l’être et prévoir le succès comme l’échec commercial.

Cette différence influence aussi le prix du jeu. Une fonctionnalité dépendante d’une API payante transforme potentiellement une vente unique en coût récurrent. Le studio doit alors financer l’inférence par le prix initial, une durée de service limitée, un abonnement, des microtransactions ou des calculs locaux. Rien de tout cela n’est imposé par une texture créée avec l’IA six mois avant la sortie.

Tester un asset généré n’a rien à voir avec tester un PNJ génératif

Un décor produit avec l’aide d’une IA peut être inspecté avant le build : droits d’utilisation, cohérence artistique, topologie, collisions, poids, performances et présence d’éléments indésirables. Une fois validé et figé, il se comporte comme un asset classique.

Un système qui génère une réponse à chaque joueur possède un espace de sorties beaucoup plus large. Les tests doivent inclure les tentatives de contournement, les insultes, les demandes hors univers, les contradictions de scénario, les langues inattendues et les cas où le service ne répond pas. Il faut également empêcher le joueur d’obtenir une information qu’il ne devrait pas connaître ou de convaincre le PNJ d’ignorer les règles du jeu.

La reproductibilité devient un sujet de game design. Si deux joueurs posent la même question, doivent-ils recevoir la même réponse ? Une quête peut-elle rester terminable après une improvisation ? Comment rejouer un bug si le dialogue exact ne peut pas être reproduit ? Une IA de gameplay ne demande pas seulement une meilleure modération : elle oblige à définir ce qui doit rester déterministe.

La frontière n’est pas toujours là où l’on croit

Un outil peut appartenir aux deux mondes selon son moment d’utilisation. Un modèle qui génère une carte dans l’éditeur, puis enregistre le résultat avant la sortie, relève de la production. Le même modèle qui invente une nouvelle carte pour chaque partie relève du gameplay. Une IA qui entraîne des bots de test est un outil de QA ; une politique issue de cet entraînement et embarquée pour contrôler les adversaires devient une composante du jeu.

L’anticheat illustre une autre zone grise. Un modèle peut analyser les comportements en direct, mais il ne crée pas nécessairement la mécanique ressentie par le joueur. Le programme 2026 classe d’ailleurs certains sujets transversaux dans AI in Production. Les tracks organisent une conversation ; ils ne constituent pas une norme technique parfaite.

La règle la plus utile reste donc opérationnelle :

1. l’IA produit-elle un fichier ou une décision qui peut être figée avant livraison ?
2. reçoit-elle encore des données provenant de la partie en cours ?
3. sa réponse modifie-t-elle directement ce que le joueur voit, entend ou peut faire ?
4. le jeu conserve-t-il cette fonctionnalité si le modèle ou son serveur est coupé ?

Pourquoi cette séparation aide aussi les joueurs

Dans le débat public, « jeu créé avec l’IA » peut désigner un concept art préparatoire, du code assisté, une voix synthétique, un comportement d’ennemi ou un dialogue improvisé. Regrouper ces usages empêche de discuter précisément des droits, de l’emploi, de la consommation énergétique, de la confidentialité ou de la qualité.

Un joueur peut refuser qu’un studio utilise des images générées tout en appréciant une IA tactique. Un autre peut accepter l’assistance au code, mais refuser qu’un jeu envoie ses conversations vers un serveur. Ces positions ne sont pas contradictoires dès lors que l’on sépare la chaîne de production de l’expérience exécutée.

Cette distinction permet aussi de lire autrement les projets de création de jeux avec Roblox Build. Décrire une arène pour obtenir un premier prototype appartient à la fabrication. Si, demain, les personnages de cette arène interprètent librement chaque phrase du joueur, le projet bascule vers une autre architecture et une autre responsabilité.

Cinq systèmes réellement présentés les 24 et 25 août

Ces cinq cas ne sont pas déduits de leur seul titre. Les pages officielles précisent les architectures, les étapes montrées et, pour deux sessions, l’existence de démonstrations en direct. Lorsqu’elles ne disent pas si l’inférence est locale ou distante, nous le signalons au lieu de l’inventer.

1. JetBrains Rider a piloté Unreal au-delà du fichier C++ — AI in Production

Ce qui a été montré : la session JetBrains reposait sur Rider, l’Agent Communication Protocol et des skills propres à Unreal Engine. Sa page officielle annonce des démonstrations en direct d’un flux complet : conseil d’architecture, squelette C++, triage d’un crash, placement d’acteurs à partir d’une consigne et tests automatisés. Ce n’était donc pas une simple complétion de code dans une fenêtre de chat.

Où tourne le modèle : dans l’environnement de production relié à Rider et à l’éditeur Unreal, avant le build. La page ne précise pas quel modèle ni quel hébergement a servi à chaque démonstration. Le résultat peut finir dans le projet, mais l’agent n’a pas besoin d’être livré au joueur.

2. Tencent a présenté une chaîne IA complète pour animer les personnages 3D — AI in Production

Ce qui a été présenté : la session « Breathing Life into Geometry » détaillait trois modèles : rigging automatique d’un milliard de paramètres, skinning automatique de 1,3 milliard de paramètres et génération de mouvement par un modèle DiT de 1,1 milliard. La page officielle mentionne notamment les os physiques pour cheveux et jupes, un gain supérieur à huit fois pour le skinning manuel et des modes texte-vers-mouvement, vidéo-vers-mouvement et interpolation.

Le communiqué de Tencent publié après les conférences apporte un exemple concret d’IA utilisée dans la production avec Motus. Notre analyse détaille les étapes du personnage statique à l’animation, les retouches encore à évaluer et les alternatives accessibles aux indépendants.

Où tourne le modèle : dans le pipeline de fabrication, avant la livraison. Les squelettes, poids de skinning et animations produits deviennent des assets contrôlables. La page ne documente pas l’infrastructure exacte d’inférence, mais rien n’indique que ces trois grands modèles doivent accompagner chaque copie du jeu.

3. Tencent a associé un LLM et du renforcement dans un FPS — AI in Gameplay

Ce qui a été démontré : la session sur les agents autonomes de champ de bataille décrit explicitement des démonstrations de combat en direct. L’architecture dite « dual-brain » confie au LLM la compréhension sémantique, les ordres libres du joueur et le raisonnement tactique de haut niveau, tandis que l’apprentissage par renforcement optimise les décisions et l’exécution en temps réel.

Où tourne le modèle : les deux composantes participent à la partie en cours ; nous sommes donc bien dans le runtime. La page officielle ne dit pas si le LLM était local ou servi à distance pendant la démonstration. Elle confirme en revanche que la couche RL gère l’action en temps réel, là où la latence est la plus critique.

4. Wargaming a relié une politique de direction RL au moteur — AI in Gameplay

Ce qui a été présenté : la session World of Tanks: HEAT a déroulé la chaîne complète de direction de trajectoire : exploration initiale, conception des récompenses, environnement d’entraînement proche des conditions de production, capteurs évitant raycasts et vision par ordinateur, puis intégration dans le moteur. L’intérêt du cas tient précisément au passage du sandbox à une politique exploitable en jeu.

Où tourne le modèle : l’apprentissage a lieu hors de la partie, dans un environnement dédié ; la politique entraînée est ensuite exécutée dans le moteur pour guider le véhicule. La page officielle ne précise pas si cette inférence finale est effectuée sur le client ou sur un serveur.

5. Roco Kingdom utilise une IA de combat déployée sur des milliards de parties — AI in Gameplay

Ce qui a été présenté : Tencent a détaillé le pipeline de combat de Roco Kingdom : encodage hiérarchique d’états de longueur variable, clustering sémantique des compétences par LLM, double historique des actions et déploiements, récompenses adaptées aux mécaniques comme la météo, entraînement distribué puis déploiement allégé. La page officielle indique que le système supporte déjà des milliards de matchs en ligne.

Où tourne le modèle : les grands calculs d’entraînement et le clustering sont préparés hors ligne ; la version légère du système décide pendant les combats PvE. Le programme ne permet pas de déterminer si cette inférence de combat est côté client ou côté serveur.

Ces cinq exemples valident la séparation annoncée avant l’événement. JetBrains et la chaîne d’animation Tencent produisent du code ou des assets avant livraison. Les agents FPS, la direction RL de Wargaming et l’IA de combat de Roco Kingdom continuent, eux, à prendre des décisions dans la partie. La question du lieu exact — client, serveur du studio ou fournisseur externe — reste pourtant absente de plusieurs pages officielles, alors qu’elle conditionne coût, latence et durée de vie de la fonctionnalité.

La vraie révolution n’est peut-être pas celle que le joueur voit

L’IA en production peut transformer les délais, les métiers et les outils sans apparaître à l’écran. L’IA dans le gameplay peut être immédiatement perceptible, mais impose une infrastructure, des coûts et des garde-fous qui continuent bien après la sortie. Les deux tendances peuvent se rencontrer dans un même projet, mais elles ne doivent plus être évaluées avec les mêmes questions.

La catégorie jeux vidéo d’Okibata suivra les démonstrations de Cologne sous cet angle : non pas compter le nombre de fois où le mot IA est prononcé, mais déterminer si elle aide le studio à fabriquer le jeu ou si elle devient elle-même une partie du système de jeu.

Créer les décors avec l’IA et laisser l’IA jouer dans le décor sont deux révolutions différentes. En leur donnant enfin deux noms, gamescom dev fournit la grille de lecture qui manquait au débat.