Ludus AI uczy SI rozumieć cały projekt gry. „Narzędzie ma kasować powtarzalne zadania, nie ludzi”

Sztuczna inteligencja potrafi dziś napisać fragment kodu, wygenerować model 3D albo podpowiedzieć, jak zbudować konkretną mechanikę. Problem zaczyna się chwilę później, gdy taki element trzeba wpasować w rozwijany od kilku lat projekt, połączyć z setkami zależności i zrobić to bez wywrócenia wydajności całej gry. Polska firma Ludus AI przekonuje, że właśnie tutaj ogólne modele przestają wystarczać. Jak to działa i czym jest?

Ludus AI to założona w 2024 roku przez Piotra Penara polska firma technologiczna, która rozwija zestaw narzędzi wykorzystujących sztuczną inteligencję bezpośrednio w pracy z Unreal Engine. Zamiast ograniczać się do generowania pojedynczego skryptu na podstawie promptu, system ma analizować strukturę całego projektu - kod C++, Blueprinty, modele, animacje, zasoby i zależności między nimi. Obecnie zaimplementowano wsparcie dla Unreal Engine w wersjach od 5.4 do 5.8. Pod wspólnym technologicznym fundamentem powstają dwa różne rozwiązania. Ludus działa lokalnie w edytorze i ma pomagać deweloperom w tworzeniu, modyfikowaniu oraz analizowaniu projektu. Cozac jest natomiast narzędziem chmurowym przeznaczonym do audytowania produkcji, wykrywania długu technicznego i dostarczania zespołowi informacji o aktualnym stanie gry bez konieczności uruchamiania edytora.

Firma pochodzi z południa Polski, a na początku 2026 roku poinformowała o pozyskaniu 4,5 mln złotych na dalszy rozwój. Jej partnerem technologicznym zostało AMD. To istotny kontekst, bo znaczna część rozmowy dotyczy nie efektownych generatorów grafiki, lecz znacznie mniej widowiskowej pracy: śledzenia błędów, referencji, kosztownych zależności oraz problemów, które często wychodzą na jaw dopiero pod koniec produkcji. Obecnie trwa ostatni etap zamkniętych testów opisywanego rozwiązania, a jego oficjalna premiera odbędzie się 14 sierpnia 2026 roku.

O tym, czym „rozumienie całego projektu” różni się od zwykłego czatu z AI, czy takie narzędzia rzeczywiście mogą ograniczyć liczbę niedopracowanych premier i czego w praktyce powinni spodziewać się gracze, porozmawiałem z Piotrem Penarem, założycielem i CEO Ludus AI.

„Ludus nie tylko podpowiada jak tworzyć w Unreal Engine ale również tworzy samodzielnie assety z pełną świadomością stylu i zależności między elementami w konkretnym projekcie.”

Maciej Zabłocki: Co w praktyce oznacza, że Ludus AI „rozumie” cały projekt gry?

Piotr Penar: Najłatwiej wyjaśnić to przez kontrast. Typowy asystent AI widzi wyłącznie fragment, który mu pokażemy: pojedynczy plik, zrzut ekranu albo część dokumentacji. Może poprawnie odpowiedzieć na pytanie „jak zrobić X w Unreal Engine” lub nawet wykonać konkretne zadanie, ale będzie to rozwiązanie podręcznikowe, oderwane od danego projektu.

Ludus działa inaczej. Nasz autorski system przetwarza cały projekt i kategoryzuje zależności między jego elementami: modelami, logiką gry, animacjami, kodem i strukturą. W efekcie powstaje coś w rodzaju żywej mapy produkcji. Różnicę widać w codziennej pracy. Kiedy deweloper prosi o stworzenie nowej mechaniki, Ludus wie, które Blueprinty są z nią połączone, jakie konwencje nazewnictwa obowiązują w projekcie, jaki jest jego styl wizualny i co może zepsuć się trzy warstwy dalej. Nie odpowiada więc na pytanie „jak to się robi w Unrealu”, lecz „jak zrobić to w twoim projekcie, nie psując elementów, o których mogłeś już zapomnieć”. Na tym samym fundamencie działa cały zestaw naszych narzędzi. Tworzone elementy mają uwzględniać otaczające zasoby i pasować do projektu, zamiast sprawiać wrażenie wklejonych z zewnątrz.

Maciej Zabłocki: Czy możecie wskazać konkretny problem, który Ludus wykrył lub rozwiązał szybciej niż doświadczony deweloper?

Piotr Penar: Podam dwa przykłady z codziennej praktyki. Pierwszy to zduplikowane zasoby i wadliwie ustawione kolizje na poziomach. Ręczne namierzenie wszystkich takich przypadków w jednej lokacji często oznacza kilka godzin żmudnego przeklikiwania się przez projekt. Ludus wykonuje analizę w około cztery minuty, wskazuje dokładne miejsca występowania problemów i pyta, czy chcemy naprawić je automatycznie.

Drugi przykład jest ciekawszy, bo dotyczy pracy, która dla człowieka bywa praktycznie niewykonalna: identyfikowania nadmiernie złożonych zależności między elementami projektu. To one potrafią po cichu zjadać wydajność i są jednym z powodów, dla których gry trafiają na rynek słabo zoptymalizowane. Nie zawsze dlatego, że deweloperzy nie potrafią ich naprawić. W projekcie zawierającym tysiące powiązań nikt nie jest w stanie ręcznie prześledzić wszystkich łańcuchów i sprawdzić, które rozrosły się ponad miarę. AI potrafi je przeanalizować, stworzyć listę i podpowiedzieć, jak je uprościć. W takim przypadku narzędzie nie tyle wyręcza człowieka, ile wykonuje zadanie, na które pojedynczy specjalista nie miałby realnie szans albo przy którym cały zespół straciłby dziesiątki godzin.

Maciej Zabłocki: Czy możecie nam wyjaśnić, czym jest Cozac? No i czy może ograniczyć liczbę niedopracowanych premier?

Piotr Penar: Dokładnie po to powstał. Najpierw warto jednak wyjaśnić, czym Cozac różni się od Ludusa, ponieważ są to dwa osobne narzędzia oparte na tym samym fundamencie. Ludus pracuje razem z deweloperem lokalnie, bezpośrednio w edytorze, i pozwala tworzyć oraz modyfikować projekt. Został przygotowany dla osób pracujących w Unreal Engine.

Cozac działa na żywo w chmurze i nie wymaga nawet uruchomionego Unreal Engine. Zbiera informacje o działaniach całego studia i dostarcza wcześniej ukryte albo zapomniane dane każdemu, kto ich potrzebuje. Poza wykrywaniem konkretnych problemów daje więc studiom coś równie cennego: świadomość tego, co aktualnie dzieje się w ich projekcie, gdzie występują opóźnienia i czego brakuje. W wielu firmach właśnie brak takiego obrazu stał się olbrzymim problemem i wąskim gardłem.

Cozac prześwietla cały projekt - modele, Blueprinty, kod i jego strukturę, a następnie w około dziesięć minut generuje raport o stanie technicznym. Na podstawie informacji pobranych bezpośrednio z silnika szuka elementów obciążających wydajność i pamięć, wadliwych referencji oraz zasobów mogących powodować niestabilność. Analizowany jest każdy Blueprint i każdy asset. Problemy są porządkowane według wpływu na projekt i opisywane językiem przydatnym dla osób decyzyjnych: co jest nie tak, dlaczego ma to znaczenie i ile realnie może potrwać naprawa. Najważniejsze jest to, że informacje pochodzą bezpośrednio z silnika i pokazują stan faktyczny, a nie wyłącznie to, co ktoś wcześniej zapisał w notatkach.

Kluczowe jest jednak coś innego. Taki audyt nie musi już być drogim rytuałem wykonywanym raz w roku, kiedy na wiele zmian jest za późno. Udało nam się obniżyć koszt cyklu analizy na tyle, by można było uruchamiać go przed każdym kamieniem milowym, jak regularne sprawdzenie projektu. Pierwsza analiza zazwyczaj wyciąga na światło dzienne problemy, o których zespół dyskutował od miesięcy, ale których nikt wcześniej nie zmierzył. A problem zmierzony i nazwany przed zakończeniem ważnego etapu produkcji ma znacznie mniejszą szansę dotrzeć do gracza w dniu premiery.

„AI pomoże odzyskać czas. Studio zdecyduje, na co go przeznaczy”

Maciej Zabłocki: Czy AI rzeczywiście skróci czas i obniży koszt produkcji gier, czy tylko przesunie problem w inne miejsce?

Piotr Penar: Samo przyspieszenie pisania kodu, tworzenia Blueprintów i assetów niczego nie gwarantuje. Ludus i Cozac realnie skracają konkretne etapy: prototypowanie, łączenie logiki gry, powtarzalne zadania implementacyjne, wyszukiwanie błędów i zależności oraz optymalizację. To obszary, w których zespoły traciły tygodnie na pracę mechaniczną, a nie twórczą.

Najważniejsze elementy, a więc projektowanie gry, decyzje artystyczne, sprawdzanie, czy gra jest po prostu dobra, oraz zarządzanie zespołem - pozostają domeną ludzi. I bardzo dobrze, bo to właśnie jest istota tego rzemiosła. Sedno sprawy polega na tym, co studio zrobi z odzyskanym czasem. Jeśli przeznaczy go na kreatywność, dopracowanie gry i przetestowanie większej liczby pomysłów, gracz otrzyma lepszy produkt. Jeśli potraktuje AI wyłącznie jako okazję do skrócenia terminów, problem faktycznie tylko przesunie się w inne miejsce. Narzędzie nie podejmuje za nikogo tej decyzji. Z naszych obserwacji wynika jednak, że studia świadomie wdrażające takie rozwiązania robią to właśnie po to, by odzyskać przestrzeń na pracę artystyczną, a nie jeszcze mocniej ją ścisnąć.

Maciej Zabłocki: Jak rozwój takich narzędzi wpłynie na zatrudnienie ludzi w gamedevie?

Piotr Penar: Ludusa od początku projektowaliśmy tak, aby zdejmował z ludzi najcięższe zadania i dawał ludziom czas. I nie jest to wyłącznie deklaracja marketingowa, lecz konsekwencja tego, jak wygląda produkcja gier. AI nie zastąpi specjalistów, ponieważ to ich wiedza, gust i decyzje definiują końcową jakość.

Zmiana, którą rzeczywiście obserwujemy, wygląda inaczej, niż zwykle przedstawia się ją w dyskusjach o AI. Zamiast zanikania stanowisk widzimy zanikanie części barier między nimi. Artysta odpowiadający za warstwę wizualną przestaje być całkowicie ograniczony brakiem wiedzy o kodzie lub logice gry: może samodzielnie połączyć podstawową logikę swojego pomysłu i pokazać zespołowi działający prototyp. Działa to również w drugą stronę. Osoby techniczne mogą przedstawić swoją koncepcję za pomocą pierwszych wersji obiektów wygenerowanych przez AI, zamiast tygodniami czekać na wolne moce przerobowe grafików. Pomysły przestają umierać w kolejce, a ludzie rozmawiają na podstawie działających przykładów, nie teorii, których nikt nie ma czasu sprawdzić. W naszej ocenie wzmacnia to pozycję specjalistów, bo więcej ich pomysłów w ogóle otrzymuje szansę na ocenę.

Maciej Zabłocki: Czy małe studio będzie mogło dzięki Ludus AI pracować jak znacznie większy zespół?

Piotr Penar: Do pewnego stopnia już tak się dzieje, choć nie chcę składać obietnic ze szklanej kuli. Znamy historie relatywnie niewielkich zespołów, które stworzyły produkcje zawstydzające gigantów. Dobrym przykładem jest Clair Obscur: Expedition 33, ale nadal są to wyczyny wymagające wybitnych talentów. I moim zdaniem tak pozostanie.

AI obniża próg wejścia i pozwala kilkunastoosobowemu zespołowi realizować zakres prac, który wcześniej wymagałby znacznie większej ekipy, szczególnie w obszarach prototypowania, logiki i optymalizacji. Paradoksalnie mniejsze zespoły mają tutaj nawet przewagę: nie ograniczają ich długie procesy decyzyjne ani akceptacje na wielu szczeblach, dlatego potrafią wdrażać nowe rozwiązania natychmiast. Czego AI nie zastąpi? Wizji, smaku i umiejętności oceny, czy gra jest po prostu dobra. Narzędzie może wygenerować dziesięć wariantów mechaniki, ale to człowiek musi wiedzieć, który z nich jest właściwy i dlaczego. Ta kompetencja była, jest i pozostanie najcenniejsza w całej branży.

Prywatna chmura, stabilniejsze premiery i sprzęt pracujący całą dobę

Maciej Zabłocki: Dlaczego studia mają wybierać prywatną AI zamiast łatwo dostępnych rozwiązań chmurowych?

Piotr Penar: Dla studia pracującego nad niezapowiedzianą grą kod, dokumentacja i struktura projektu są jednymi z najpilniej strzeżonych aktywów. Wyciek może zniweczyć wielomiesięczną strategię marketingową, a w skrajnych przypadkach zagrozić całej produkcji. Pozwalamy na lokalne uruchomienie gry, ale też odpalenie jej w prywatnej chmurze, nad którą studio ma pełną kontrolę. 

Nasze dostosowane wersje dla studiów działają w całkowicie odizolowanym środowisku. Dane nie trafiają ani do nas, ani do innych podmiotów. Potwierdzają to certyfikaty SOC 2 Type 2 oraz ISO 27001. Co ważne, nie wymaga to od studia budowy egzotycznej infrastruktury, a zwykły użytkownik Ludusa nie potrzebuje specjalistycznego sprzętu. Ogromna moc obliczeniowa była potrzebna przede wszystkim nam na etapie budowania systemu i tutaj kluczowa okazała się współpraca z AMD. Pozwoliła nam obniżyć koszty przetwarzania informacji pochodzących z silnika o około 99 proc., a przede wszystkim zbudować system rozumiejący cały projekt, a nie tylko jego wyrwane fragmenty. Z tego samego fundamentu korzysta dziś każdy użytkownik Ludusa - od samodzielnych deweloperów po duże zespoły z najwyższymi wymaganiami dotyczącymi bezpieczeństwa.

Maciej Zabłocki: Co z tego wszystkiego rzeczywiście zauważy gracz?

Piotr Penar: W perspektywie trzech do pięciu lat spodziewam się dwóch efektów. Najszybciej gracze odczują ten najbardziej przyziemny: stabilniejsze premiery. Gry będą lepiej zoptymalizowane od pierwszego dnia, osiągną wyższą płynność na przeciętnym sprzęcie i będą miały mniej błędów wynikających z pracy deweloperów bez pełnego obrazu projektu.

Drugi efekt przyjdzie nieco później, ale może okazać się ciekawszy: większa różnorodność. Małe zespoły zaczną wydawać projekty o złożoności, na którą wcześniej nie miały budżetów. Więksi twórcy, odzyskując czas zjadany obecnie przez zadania mechaniczne, będą mogli pozwolić sobie na odważniejsze pomysły zamiast kopiowania sprawdzonej mechaniki z poprzedniej gry tylko dlatego, że gonią terminy.

Jestem przekonany, że za kilka lat wyraźnie zobaczymy podział na studia, które zainwestowały odzyskany czas w kreatywność, oraz te, które tego nie zrobiły. Gracze bezbłędnie rozpoznają jednych i drugich. Na szczęście z naszych obserwacji wynika, że studia podchodzą do AI bardzo odpowiedzialnie. Pytają o zastosowania pokazujące, że rozumieją potencjał Ludusa, ale wiedzą też, że takiego narzędzia trzeba używać świadomie.

Maciej Zabłocki: Czy opracowanie takiego narzędzia jest wymagające obliczeniowo?

Piotr Penar: Ekstremalnie. To była najtrudniejsza część całego przedsięwzięcia. Od strony architektury wiedzieliśmy, jak zbudować system rozumiejący całe projekty, ale przez długi czas nie mogliśmy znaleźć sprzętu, który udźwignąłby obciążenie bez przerywania pracy. Każde zatrzymanie obliczeń i analizy oznaczało rozpoczęcie procesu od zera.

Budowa systemu wymagała uruchamiania na jednej stacji roboczej kilkunastu instancji projektów jednocześnie oraz modeli AI analizujących je lokalnie. Takie obciążenie potrafi położyć nawet najmocniejsze maszyny. Przełomem okazała się technologia AMD: blisko pół terabajta pamięci RAM pozwoliło nam testować całe projekty, karty Radeon uruchamiały kilka modeli językowych jednocześnie, a procesory Ryzen Threadripper zapewniały sprawność wystarczającą do wdrażania nowych funkcji praktycznie każdego dnia. Najważniejsza była dla nas stabilność. Nasi deweloperzy zostawiali na noc również laptopy ze Strix Halo, z uruchomionymi projektami Unreal Engine, a rano otrzymywali gotową implementację do sprawdzenia. Poprzedni sprzęt po prostu się zawieszał.

Jeśli chodzi o rekomendacje, mogę uczciwie powiedzieć tylko tyle: u nas sprawdziła się właśnie taka konfiguracja i nie mogliśmy znaleźć jej odpowiednika gdzie indziej. Dla zespołów chcących eksperymentować z lokalnymi modelami AI w gamedevie kluczowe są stabilność, bardzo duża ilość pamięci RAM oraz układy graficzne zdolne do lokalnego uruchamiania modeli.