Создатель Datasette и один из самых внимательных наблюдателей за AI-кодингом Саймон Уиллисон (@simonw) поделился неожиданно личным выводом: после серии экспериментов с вайб-кодингом игр он стал куда больше уважать профессию геймдизайнера. Штамповать нечто похожее на игру сегодня легко — но сделать игру, в которую реально хочется играть, оказалось «далеко за пределами» возможностей и самого Уиллисона, и Claude, и GPT-5.6.
Что такое вайб-кодинг и при чём тут игры
Термин «вайб-кодинг» ввёл сам Уиллисон ещё в начале эпохи агентных coding-инструментов: программист описывает желаемый результат на естественном языке, а модель — будь то Claude Code, Cursor или GPT-based ассистент — генерирует и правит код, пока результат не «зайдёт» по ощущениям. Для CRUD-приложений, скриптов и прототипов подход работает отлично: обратная связь быстрая, ошибки видно сразу, критерий успеха прост — работает или нет.
Игры — другая история. Здесь «работает» и «увлекательно» — два разных, слабо связанных критерия. Именно это разделение и стало главным открытием эксперимента.
Где ИИ реально помогает при разработке игр
С механической частью нейросети справляются уверенно: игровой цикл, отрисовка спрайтов, физика столкновений, UI меню, сохранение прогресса — весь этот код агент напишет за минуты, причём рабочий с первого-второго прогона. Для соло-разработчиков и хакатон-прототипов это огромная экономия времени: раньше на голый скелет игры уходили дни, теперь — часы. В этом смысле вайб-кодинг игр реально снижает порог входа в геймдев для людей без бэкграунда в разработке.
Почему «выглядит как игра» — не значит «весело»
Game feel не формализуется в промпт
Опытные геймдизайнеры годами оттачивают вещи, которые не описать одним запросом: инерцию прыжка, задержку отклика на нажатие, кривую сложности, ритм появления врагов. Это результат десятков итераций плейтестов, а не логическая задача, которую можно решить рассуждением. Языковая модель может сгенерировать код прыжка, но не «нащупать» тот единственный набор чисел, при котором прыжок ощущается приятно, — потому что у неё нет обратной связи от живого игрока внутри цикла генерации.
Границы возможностей ИИ в геймдизайне
Показательно, что Уиллисон прямо ставит рядом Claude и GPT-5.6: дело не в том, что одна модель умнее другой на несколько процентов бенчмарка. Ограничение системное — модели обучены предсказывать правдоподобный код и текст, а не оптимизировать субъективное «весело/не весело» на реальных игроках. Это тот класс задач, где чистое масштабирование LLM пока не даёт качественного скачка, в отличие от, скажем, рефакторинга кода или написания тестов.
Что это значит для разработчиков
Практический вывод простой: вайб-кодинг игр — отличный инструмент для быстрого прототипирования и обучения, но не замена геймдизайнеру. Разумная стратегия — использовать Claude Code или аналоги для черновой механики и рутины, а решения о балансе, ощущениях от управления и общей «магии» игры оставлять за человеком, который сам плейтестит и итерирует. Это же наблюдение полезно шире IT-индустрии: там, где успех определяется субъективным опытом человека, а не формальной корректностью, агентные инструменты пока играют роль черновика, а не автора.
Вывод
Эксперимент Уиллисона — редкий случай, когда энтузиаст AI-кодинга публично признаёт границу применимости технологии, а не рекламирует её всесилие. Вайб-кодинг игр доказал: делать код, который запускается, и делать игру, в которую хочется вернуться, — задачи из разных категорий сложности. Первую ИИ уже решил. Вторая, судя по всему, ещё долго будет полем для человеческого мастерства.
Добавить комментарий