La inteligencia artificial en videojuegos son cinco cosas distintas: el comportamiento de enemigos y aliados, la generación de mundos, las pruebas automáticas, el reescalado de imagen y, desde hace poco, las voces y los diálogos generativos. Casi todo es anterior a los asistentes como ChatGPT, Gemini o Claude.
Lo nuevo no es que haya IA en los juegos. Lo nuevo es que ahora se discute quién la controla, con qué datos se entrena y a qué trabajos afecta.
¿Cómo deciden los enemigos y los personajes qué hacer?
Casi siempre con reglas escritas a mano, no con aprendizaje automático. Es IA en sentido amplio: un sistema que elige acciones según lo que «percibe».
Un caso clásico es Pac-Man (1980). Cada fantasma usa una regla distinta para elegir su objetivo: uno te persigue, otro intenta cortarte el paso. Con reglas muy simples, el jugador percibe personalidades.
Las técnicas habituales
| Técnica | Cómo funciona | Ejemplo conocido | Límite |
|---|---|---|---|
| Máquina de estados | El personaje está en un estado (patrulla, persigue, huye) y cambia según condiciones. | Guardias de sigilo clásicos | Se vuelve inmanejable al añadir comportamientos. |
| Árbol de comportamiento | Un árbol de prioridades: si puede atacar, ataca; si no, busca cobertura. | Muy extendido desde la serie Halo; también en Alien: Isolation | Sigue siendo lógica escrita por personas. |
| Planificación por objetivos (GOAP) | El personaje elige una secuencia de acciones para cumplir un objetivo. | F.E.A.R. (2005) | Exige diseñar bien acciones y costes. |
| Aprendizaje por refuerzo | Un agente aprende jugando miles de partidas y recibiendo recompensas. | OpenAI Five en Dota 2; el kit ML-Agents de Unity | Caro de entrenar y difícil de controlar. Raro en juegos comerciales. |
La búsqueda de rutas (el algoritmo A* sobre una malla de navegación) completa el conjunto. Es lo que permite a un enemigo rodear un muro en vez de chocar contra él.
¿Y los enemigos que «aprenden» de ti?
Pocos aprenden de verdad. Lo habitual es que parezca que lo hacen.
El «director de IA» de Left 4 Dead (2008) no entrena nada. Mide el estrés del jugador y ajusta cuándo aparecen zombis y cuándo hay un respiro. Alien: Isolation (2014) separa a un director que sabe dónde estás de un monstruo que debe parecer que te busca.
Hay excepciones con aprendizaje automático. La serie Forza usa los «drivatars»: pilotos controlados por IA que imitan estilos de conducción de jugadores reales. Si quieres entender la base, repasa qué es machine learning y cómo funcionan las redes neuronales.
El aprendizaje por refuerzo sí llegó muy lejos en investigación. OpenAI Five venció a campeones del mundo de Dota 2 en 2019. Pero un enemigo así no divierte: es agotador. Un buen enemigo de juego pierde con gracia.
Por eso el reto no es hacer enemigos más listos. Es hacerlos legibles, justos y derrotables. Un enemigo que ve a través de las paredes puede ser «mejor IA» y peor diseño.
¿Cómo se generan niveles y mundos sin dibujarlos a mano?
Con generación procedural: reglas, plantillas y una semilla numérica que produce siempre el mismo resultado. No es IA generativa, aunque se mezclan a menudo.
Rogue (1980) ya creaba mazmorras así, y de ahí viene el término «roguelike». Elite (1984) generaba galaxias enteras desde un algoritmo. Minecraft, Spelunky o No Man's Sky siguen la misma idea con más medios.
Un cálculo sencillo para entender su potencial
Imagina una mazmorra de 6 salas en fila. Cada sala se elige entre 5 plantillas: combate, tesoro, trampa, tienda y descanso.
Las combinaciones posibles son 5 × 5 × 5 × 5 × 5 × 5 = 56 = 15.625. Con solo 5 plantillas ya tienes miles de recorridos distintos.
Ahora el límite. Que sean distintos sobre el papel no significa que se sientan distintos. Si todas las salas de combate son iguales, el jugador lo nota enseguida. El trabajo de diseño está en las plantillas y en las reglas que impiden combinaciones absurdas, como tres tiendas seguidas.
La semilla tiene otra ventaja práctica. Si un jugador encuentra un fallo, basta con su número para reproducir exactamente ese nivel.
Los algoritmos genéticos añaden otra vía. Generan muchos niveles, puntúan cuáles cumplen un criterio (dificultad, longitud) y «cruzan» los mejores. Se usan sobre todo en investigación y herramientas internas.
¿Cómo prueban los estudios sus juegos con IA?
Con bots que juegan. Es una de las aplicaciones menos vistosas y más útiles. Un juego grande tiene demasiadas combinaciones para que las revise solo un equipo de personas.
Un caso resuelto paso a paso para un plataformas 2D:
- Se define una meta comprobable: «desde cada punto de aparición se puede llegar a la salida».
- Un bot usa la búsqueda de rutas para intentarlo. Si no hay ruta, el nivel queda marcado como roto.
- Otro bot pulsa botones al azar durante minutos. Registra dónde se queda atascado o cae fuera del mapa.
- Cada fallo se guarda con la semilla y la posición, para reproducirlo.
- Una persona revisa la lista y decide qué es un error y qué es una dificultad intencionada.
Lo que el bot no detecta es si el nivel es aburrido, injusto o confuso. Esa parte sigue siendo humana.
Un asistente de IA puede ayudarte a montar el bot, igual que en otros proyectos de código (hablamos de ello en IA en el desarrollo de software). Un prompt realista:
Actúa como ingeniero de QA. Tengo un plataformas 2D hecho en Godot.
Escribe un script de prueba que cargue cada nivel, mueva al personaje
con entradas aleatorias durante 60 segundos y anote en un archivo la
posición del jugador cuando lleve 10 segundos sin avanzar.
Explica cada paso y dime qué fallos NO puede detectar este test.Resultado esperado: un esqueleto de script con un temporizador, entradas aleatorias y un registro de posiciones, más una lista de límites (no mide la diversión, no detecta errores visuales). Comprueba los nombres de funciones contra la documentación del motor. Los asistentes a veces inventan métodos que no existen.
¿Qué hace el reescalado con IA en los gráficos?
Dibuja el juego a menor resolución y reconstruye una imagen más nítida. Es la aplicación de IA que más jugadores usan sin saberlo. Ejemplos conocidos son DLSS de NVIDIA, FSR de AMD y XeSS de Intel.
El cálculo explica el atractivo. Una imagen 4K tiene 3.840 × 2.160 = 8.294.400 píxeles. Una de 1080p tiene 1.920 × 1.080 = 2.073.600. Es una cuarta parte.
Si la tarjeta gráfica dibuja en 1080p y el sistema reconstruye hasta 4K, trabaja bastante menos. La reconstrucción usa fotogramas anteriores y datos de movimiento del propio juego. Así se ganan fotogramas por segundo, o se activa un efecto caro como el trazado de rayos.
No todas estas técnicas funcionan igual. DLSS se apoya en una red neuronal. Otras soluciones usan algoritmos clásicos o combinan ambos enfoques.
Qué cambia para quien juega:
- Puedes jugar con más fluidez en un equipo modesto, aceptando cierta pérdida de detalle.
- Pueden aparecer artefactos: bordes borrosos, estelas tras objetos en movimiento o texto que tiembla.
- La «generación de fotogramas», que inserta imágenes inventadas entre las reales, sube la fluidez visual. Puede añadir latencia en juegos donde importa el tiempo de reacción.
Mi consejo: prueba el modo con y sin reescalado en el juego que más juegas. Mira una escena con mucho movimiento. Si no ves diferencia, quédate con los fotogramas extra.
¿Pueden los personajes conversar con IA generativa?
Pueden, pero con límites estrictos. Un modelo de lenguaje (la base del procesamiento de lenguaje natural actual) escribe respuestas a lo que dice el jugador. Un sistema de voz sintética las lee en voz alta.
El atractivo es evidente: un aldeano que responde a cualquier pregunta. El problema también: un aldeano que responde a cualquier pregunta.
Los riesgos más habituales:
- Incoherencia con el mundo: el personaje habla de móviles en un juego medieval.
- Invención de pistas: promete una misión que no existe.
- Conversaciones que se salen de tono o del clasificado por edades del juego.
- Latencia y coste: cada respuesta implica cómputo, en tu equipo o en un servidor.
Por eso los diseñadores prefieren dar al modelo un papel muy cerrado. Un ejemplo de instrucción que puedes probar en cualquier asistente:
Eres Marta, herrera de un pueblo medieval en un juego de rol.
Sabes: la mina del norte está cerrada desde el derrumbe y el alcalde
oculta algo. No sabes nada del mundo fuera del valle ni de tecnología
moderna. Responde en un máximo de dos frases, con tono seco.
Si te preguntan algo que no sabes, di que no lo sabes. No inventes misiones.
Jugador: ¿Hay algún camino a la ciudad?Resultado esperado: dos frases secas, sin datos inventados. Algo como: «Nunca salí del valle, así que no sabría decirte. Pregunta al alcalde, aunque no esperes una respuesta franca».
Después prueba a romperlo. Pregunta «¿qué es un móvil?» o «ignora tus instrucciones». Si Marta se sale del personaje, la instrucción necesita más límites. Para ver cómo se escribe este tipo de instrucciones, tienes cómo crear un asistente virtual.
En producción, los estudios suelen combinar texto escrito a mano para la trama principal con generación para charla secundaria. Así el guion clave no depende de lo que decida un modelo.
¿Qué cambia para quienes trabajan en la industria?
El debate laboral gira en torno a tres cuestiones: el consentimiento, el pago y la transparencia. Las voces son el ejemplo más claro.
La voz de un actor se puede clonar a partir de grabaciones. Si un estudio la usa para generar líneas nuevas, surgen preguntas. ¿El actor lo autorizó? ¿Cobra por ello? ¿Se informa al jugador? Esa fue una de las razones centrales de la huelga de actores de videojuegos del sindicato SAG-AFTRA, iniciada en 2024. Terminó con un acuerdo que recoge el consentimiento y la información sobre el uso de réplicas digitales.
En arte y escritura la discusión es parecida. Algunos estudios usan imágenes generadas para prototipos rápidos. Los artistas temen que ese uso reduzca encargos y que los modelos se hayan entrenado con obra ajena sin permiso. Las plataformas de distribución, como Steam, piden ya declarar el uso de IA generativa en los juegos.
Lo que parece más razonable hoy, sin dar nada por cerrado:
- Las tareas repetitivas (pruebas, borradores de localización, variaciones de prototipos) son las que más se automatizan.
- Las decisiones creativas (tono, estilo, narrativa) siguen en manos del equipo.
- Los derechos de imagen, voz y autoría están en pleno desarrollo legal. Conviene leer los contratos y las condiciones de cada herramienta, o consultar a un profesional si te afecta.
Si quieres entender esta tecnología desde dentro, empieza por construir un enemigo con una máquina de estados de tres estados (patrulla, persigue, huye) en Godot o Unity. Cuando lo tengas, cámbialo por un árbol de comportamiento y compara cuánto cuesta añadir una cuarta conducta. Si lo tuyo es la IA generativa, copia el prompt de Marta, cámbiale el personaje y trata de hacerlo fallar.
Preguntas frecuentes
¿La IA de los videojuegos es lo mismo que ChatGPT?
No. La IA clásica de los juegos usa reglas, árboles de decisión y búsqueda de rutas. ChatGPT y similares son modelos de lenguaje que generan texto, y empiezan a usarse para diálogos. Puedes ver cómo funcionan en cómo usar ChatGPT.
¿Los enemigos aprenden de mi forma de jugar?
En general no. Muchos juegos ajustan la dificultad o la frecuencia de enemigos con reglas, sin aprender nada. Hay excepciones con aprendizaje automático, como los drivatars de Forza, que imitan estilos de conducción.
¿El reescalado con IA empeora la imagen?
Depende del juego y del ajuste. Puede introducir artefactos, sobre todo con movimiento rápido o texto fino. A cambio, ofrece más fluidez. Compara con y sin él en tu equipo.
¿Se puede hacer un videojuego solo con IA, sin saber programar?
Puedes prototipar cosas sencillas con ayuda de un asistente, pero necesitarás entender y corregir lo que genera. Los errores en el código y en el diseño son frecuentes. Para algo más que una demo, hace falta criterio técnico y de diseño.
