Inteligência artificial generativa aplicada no design de jogos : uma análise exploratória e prática com llms e modelos multimodais.

Abstract

O desenvolvimento de jogos digitais exige competências em áreas distintas, como programação, arte visual e engenharia de áudio, o que impõe uma barreira de entrada significativa para desenvolvedores independentes. Este trabalho tem como objetivo desenvolver e documentar uma metodologia de apoio ao \textit{design} e à produção de jogos digitais baseada em ferramentas de \ac{IA-Gen}. A metodologia organiza a produção em cinco fases (concepção, planejamento da produção, seleção das ferramentas, geração dos ativos por \textit{meta-prompting} e montagem na \textit{game engine}), com refinamento iterativo dentro de cada uma. Para construí-la e verificá-la, a pesquisa adota uma abordagem exploratória organizada em etapas sequenciais, que vão da categorização dos ativos digitais necessários a um projeto de jogo, passando pelo teste comparativo de modelos generativos de texto, imagem, áudio e vídeo, até a aplicação desses recursos em três jogos elaborados como provas de conceito: \textit{PinkBob J. e o Enigma do Rum}, \textit{Hacking Survivors} e \textit{Pafúncio vs. Desenhos}. Os testes comparativos, conduzidos entre novembro de 2025 e janeiro de 2026, apoiam-se em avaliação qualitativa feita exclusivamente pelo autor, com escala Likert ponderada para imagem e vídeo e análise comparativa para texto e áudio; após essa etapa, o escopo prático de geração restringe-se a texto, imagem e áudio, já que os modelos de vídeo apresentam instabilidade na permanência de objetos e custo elevado por geração. A seleção recai sobre o Claude 4.5 Sonnet para a estrutura narrativa (\textit{story spine}), o Google Gemini 3 Pro para a expansão da ideia e o documento de \textit{design}, o Flow Studio Nano Banana Pro para imagens, o Suno para trilhas sonoras e o Kling AI para efeitos sonoros. Na produção, o Gemini passa à versão 3.1 Pro. Nos três casos, o autor concebe, documenta e produz o jogo com os ativos gerados por essas ferramentas e registra os ajustes que cada projeto exige: dois jogos chegam à versão final, cada um com mais de uma centena de ativos gerados, e o terceiro, a uma versão de demonstração. A montagem e a programação na \textit{game engine} permanecem trabalho autoral do desenvolvedor, com uso pontual de IA-Gen. Conclui-se que a \ac{IA-Gen} se mostra um apoio viável para que um desenvolvedor independente produza os ativos de texto, imagem e áudio de um jogo, ainda que sujeito a custos recorrentes de uso, a instabilidades nas gerações e a incertezas quanto a direitos autorais. Os resultados dependem do julgamento de um único avaliador e não incluem linha de base de tempo nem validação sistemática com jogadores.