Yapay Zeka Destekli Oyun Testleri: Ajanlar Oyuncularınızdan Önce Oyunu Oynayabilir mi?
Oyunları test etmek her zaman artan karmaşıklığa yetişme mücadelesi olmuştur.
Oyunlar büyüdükçe, birbirine daha fazla bağlandıkça ve daha kalıcı hâle geldikçe, ortaya çıkabilecek sorunların sayısı da artar. Yeni bir görev eski bir ilerleme yolunu bozabilir. Bir NPC beklenmeyen bir durumda takılı kalabilir. Çok oyunculu bir etkileşim, bir yarış durumunu ortaya çıkarabilir. Fizik kurallarındaki küçük bir değişiklik başka bir yerde bir açık yaratabilir.
Geleneksel otomatik test yöntemleri, bu sorunların birçoğunu tespit edebilir. Ancak deneyimin kalitesi yalnızca yazılımın beklenen çıktıyı üretip üretmediğine bağlı olmadığı için oyunları test etmek olağanüstü derecede zordur.
Oyun sektöründe, fonksiyonel doğrulama tek başına yetersiz kalır. Örneğin, butonlar doğru yanıt verebilir ama doğal hissettirmeyebilir, NPC’ler senaryolarını doğru şekilde izlerken garip davranabilir ve savaş mekanikleri otomatik kontrollerden geçmesine rağmen istemeden kullanılabilecek avantajlar veya açıklar ortaya çıkarabilir.
Yapay zeka ajanları, oyunların kalite güvencesi (QA) süreçlerine farklı bir yaklaşım getirebilir. Bir yapay zeka ajanı önceden tanımlanmış test senaryolarını çalıştırmak yerine oyuna girebilir, çevresini gözlemleyebilir, bir hedef belirleyip bunun peşinden gidebilir, oyun dünyasıyla etkileşime girebilir, beklenmedik sonuçları tespit edebilir ve ne olduğunu raporlayabilir.
Bu değişim, yapay zeka destekli geliştirme ve canlı operasyonlara doğru ilerleyen daha geniş bir sektör eğiliminin bir parçasıdır. Google Cloud, oyun ortamlarında gezinmek ve bunları test etmek için işlenmiş oyun karelerini ve standart klavye-fare girdilerini kullanan çok modlu ajanların somut örnekleriyle birlikte yapay zeka destekli oyun testi ve kalite güvencesini hâlihazırda öne çıkarıyor.
Capcom, bu yaklaşımın ne kadar ilerlediğini gösteren bir gerçek dünya örneği sunuyor. Capcom, Google Cloud ile birlikte rutin oyun testlerini otomatikleştirmek için Gemini Enterprise Agent Platform üzerine kurulu bir yapay zeka platformunu hayata geçirdi. Görsel denetim ve öngörüsel test alanlarında uzmanlaşmış ajanlar kullanan Capcom’un sistemi, otonom botları hata olasılığı yüksek alanlara yönlendirerek ayda 30.000 saatin üzerinde oyun testi gerçekleştiriyor.
Artık durum tekrarlayan test yürütmesini otomatikleştirmenin çok daha ötesine geçiyor. Asıl önemli konu, oyun stüdyolarının yalnızca bilinen test yollarını takip etmeyen, hedeflerin peşinden giden, beklenmedik davranışları araştıran ve ne olduğuna dair kanıt üreten bu ajanları, tekrarlanan oyun testi süreçleriyle ne ölçüde keşif odaklı oyun zekasına dönüştürebileceğidir.
Daha büyük fırsat, bundan sonra mümkün olacaklarda yatıyor.
Sürüm → Dağıt → Oyna → Gözlemle → Teşhis Et → Düzelt → Yeniden Test Et
Bu döngü giderek daha otonom hâle geldiğinde, oyunların kalite güvencesi süreçleri otomatik test çalıştırmanın ötesine geçerek sürekli oynanış zekasına dönüşebilir.
Otomatik Testlerden Otonom Test Ajanlarına
Geleneksel oyun otomasyonu genellikle insan tarafından tanımlanmış bir senaryoyla başlar:
Oyunu başlat → Seviye 3’e gir → Envanteri aç → X eşyasını kuşan → Y düşmanını yen → Z ödülünü doğrula
Otomasyon sistemi bu talimatları izler ve beklenen çıktıları kontrol eder.
Yapay zeka ajanları test yaklaşımına farklı bir perspektif getirebilir. Her aksiyonu önceden tanımlamak yerine, test ajanına kritik görev eşyasını kaybetmeden çıkış noktasına ulaşmak gibi bir hedef verilebilir.
Ajan daha sonra bu hedefe nasıl ulaşacağına kendisi karar verir. Ortamı keşfedebilir, bir NPC ile etkileşime girebilir, farklı bir rota seçebilir veya oyun beklenmedik bir şekilde davrandığında stratejisini değiştirebilir.
Google Cloud, ajanların yalnızca nihai çıktısının değil, sonuca ulaşırken izlediği kararlar ve araç çağrıları dahil tüm sürecin değerlendirilmesini vurguluyor. Oyun testleri açısından bu şu anlama gelir: Bir hatanın nasıl ortaya çıktığını gösteren yol, hatanın kendisi kadar önemli olabilir.
Böylece test yaklaşımının odağı, belirli bir test senaryosunun başarıyla tamamlanıp tamamlanmadığını doğrulamaktan, otonom bir oyuncunun genel hedefi başarıyla gerçekleştirip gerçekleştiremediğini değerlendirmeye ve bu süreçte neler olduğunu anlamaya kayıyor.
Oyunu Ajanın Gözünden Görmek
Geleneksel otomasyon ile yapay zeka destekli oyun testleri arasındaki en önemli farklardan biri algılama yeteneğidir.
Geleneksel bir test çerçevesi; uygulama durumunu, API yanıtlarını veya önceden tanımlanmış arayüz bileşenlerini inceleyebilir. Çok modlu bir ajan ise, oyuncuya sunulan görüntüleri ve diğer oyun sinyallerini birlikte değerlendirerek akıl yürütür. Böylece durum tabanlı otomasyonun doğrudan gözlemleyemediği deneyim unsurları da test edilebilir.
Örneğin, yapay zeka ajanları render edilmiş oyun görsellerini görsel girdi olarak kullanabilir; klavye ve fare üzerinden oyunla etkileşimde bulunabilir. Bu sayede oyun ortamlarında insan oyunculara daha benzer şekilde hareket edebilirler.* Bu da şu soruların test edilmesini mümkün kılar:
- Oyuncu doğru hedefi anlayabiliyor mu?
- Önemli bir eşya görsel olarak kolayca bulunabiliyor mu?
- Oyuncunun aksiyonundan sonra NPC uygun tepkiyi veriyor mu?
- Bir animasyon veya etkileşim, oyun bağlamı içinde bozuluyor mu?
- Ajan oyun ortamında amaçlandığı şekilde ilerleyebiliyor mu?
Çok modlu akıl yürütme özellikle oynanış, görseller, diyaloglar ve mekânsal ilişkilerin birbiriyle etkileşime girdiği durumlarda değerli hâle gelir. Her bir bileşen kendi testlerinden başarıyla geçse bile, bu sistemlerin birlikte oluşturduğu deneyimde sorun ortaya çıkabilir.
Yapay Zeka Odaklı Oyunlar İçin Yeni Bir Kalite Güvencesi Döngüsü
Ortaya çıkan yaklaşım, ajanın yalnızca sabit bir kontrol listesini uygulamak yerine geri bildirim döngüsünün aktif bir parçası olduğu sürekli bir döngü olarak düşünülebilir:
Sürüm → Dağıt → Oyna (Yapay Zeka Test Ajanı) → Gözlemle (Görüntü + Loglar + Oyun Durumu) → Teşhis Et (Gemini + Veri) → Düzelt → Yeniden Test Et → Sürüm 🔁
Ajanlar Neleri Test Edebilir?
Bir ajan oyunu algılayabildiğinde, hedeflerin peşinden gidebildiğinde ve izlediği süreci kaydedebildiğinde, tek bir test çalışması birden fazla kalite güvencesi boyutunu kapsayabilir.
Regresyon ve Oynanış Anomalileri
Bir ajan filosu, arayüz değişikliklerine uyum sağlarken farklı sürümler, konfigürasyonlar ve zorluk seviyeleri arasında kritik hedefleri yeniden oynayabilir. Uygulama değişse bile testin hedefi aynı kalabilir:
“Eğitim bölümünü tamamla ve kullanılabilir ilk silahı kuşan.”
Ajan daha sonra mevcut oyun durumundan hareketle bu hedefe nasıl ulaşacağını kendisi belirleyebilir. Aynı süreçte şu tür beklenmedik davranışları da tespit edebilir:
- Ulaşılamayan hedefler
- Bozulan ilerleme döngüleri
- Beklenmeyen zorluk artışları
- Beklenmeyen kaynak üretimi
- Yinelenen ödüller
- Çarpışma veya yol bulma sorunları
- Anormal NPC davranışları
Bu yaklaşım, deterministik regresyon testlerinin üzerine keşif odaklı bir test katmanı ekler.
NPC Davranışları
Ajan tabanlı NPC’ler, davranışlarının hafıza, hedefler, araçlar ve değişen oyun durumuna bağlı olabilmesi nedeniyle daha karmaşık bir test problemi oluşturur.
Bir kalite güvencesi ajanı, tek bir yanıtı izole şekilde değerlendirmek yerine bu etkileşimleri birden fazla tur boyunca test edebilir.
“Bir NPC’nin birbiriyle çelişen oyuncu etkileşimlerinden sonra davranış tutarlılığını koruyup korumadığını belirle.”
Ajan yaklaşımını değiştirebilir, karakterin verdiği tepkileri gözlemleyebilir ve tüm etkileşim akışını kaydedebilir. Değerlendirmede şu boyutlar öne çıkar:
- Hafıza: Karakter doğru bilgileri hatırlıyor mu?
- Tutarlılık: Rolüyle uyumlu davranmayı sürdürüyor mu?
- Tepkisellik: Oyun durumundaki değişikliklere uygun şekilde tepki veriyor mu?
- Sınırlar: Yapmaması gereken eylemlerden kaçınıyor mu?
Karmaşık ve çok turlu etkileşimlerde, birden fazla adımdan oluşan akışların test yaşam döngüsü boyunca sürekli olarak değerlendirilmesi kritik önem taşır.
Açık Tespiti ve Dengeleme
Oyuncular oyunları çoğu zaman geliştiricilerden farklı şekilde test ederler. Mekanikleri alışılmadık biçimde birleştirir, kazanç sağlayan aksiyonları tekrarlar ve oyunun amaçlanan ilerleme sisteminin etrafından dolaşmanın yollarını ararlar.
Bir test ajanına bu zayıflıkları ortaya çıkarmaya yönelik hedefler verilebilir:
“10.000 kredi biriktirmenin en hızlı yolunu bul.”
“Gerekli hedefi tamamlamadan kısıtlı alana girmenin bir yolunu bul.”
Ortaya çıkan etkileşim akışları, oyun ekonomisindeki olası açıkları, amaçlanmayan kısa yolları veya beklenmeyen mekanik etkileşimleri belirleyerek bunların deterministik testlerle doğrulanması için adaylar oluşturabilir.
Aynı yaklaşım oyun dengesi testlerinde de kullanılabilir. Ajanlar silahları, sınıfları, stratejileri, haritaları, zorluk ayarlarını ve takım kompozisyonlarını sistematik olarak değiştirebilir. Böylece tasarım ekipleri, incelemeye değer olabilecek sonuçlar hakkında daha geniş bir veri setine sahip olur.
Stüdyo metrikleri ve kabul edilebilir sınırları önceden tanımladığı için, ajanın “dengeli” kavramının ne anlama geldiğini kendi başına tanımlamasına gerek yoktur.
Otomatik Hata Yeniden Üretimi
Bir hatayı bulmak, sorunun yalnızca bir parçasıdır. En fazla zaman alan iş çoğu zaman hatayı yeniden üretmektir.
Otonom bir test ajanı şu bilgileri kaydedecek şekilde yapılandırılabilir:
- İzlediği hedef
- Gerçekleştirdiği aksiyonlar
- Ekran durumları
- İlgili oyun durumu değişiklikleri
- Zaman damgaları
- Ağ koşulları
- Telemetri ve loglar
- Hatanın ortaya çıkmasına kadar gerçekleşen aksiyonların sırası
Böylece belirsiz bir hata raporu yeniden üretilebilir bir etkileşim akışına dönüşür. Hata düzeltildikten sonra aynı akış regresyon testi senaryosu olarak yeniden kullanılabilir.
Simüle Edilmiş Oyuncularla Performans Testleri
Büyük ölçekte yalnızca oynanışın doğru çalışması yeterli değildir. Bir oyun birkaç test uzmanıyla sorunsuz çalışabilirken, aynı bölgeye binlerce oyuncu girdiğinde veya aynı sistemler aynı anda tetiklendiğinde performans sorunları ortaya çıkabilir.
Yapay zeka ajanları gerçekçi oyuncu davranışlarını modelleyen senaryolar oluşturabilir. Geleneksel sentetik kullanıcılar ve yük üretme altyapısı ise kapasite ve stres testleri için gereken yüksek eşzamanlılığı sağlayabilir:
- Keşif: Ajanlar geniş oyun ortamlarında hareket eder ve dünya olaylarını tetikler.
- Çatışma: Birden fazla ajan aynı anda mücadeleye girer.
- Ticaret: Ajanlar satın alır, satar ve takas eder.
- Sosyal etkileşim: Ajanlar NPC’ler ve diğer oyuncularla iletişim kurar ve etkileşimde bulunur.
- Dünya olayları: Ajanlar, sistemlerde zincirleme değişikliklere yol açan olayları tetikler.
Bu yaklaşım, ekiplerin geleneksel sentetik yük testlerine kıyasla daha gerçekçi etkileşim örüntüleri altında platformun davranışını değerlendirmesine yardımcı olabilir.
Google Kubernetes Engine (GKE), ölçeklenebilir oyun sunucusu iş yüklerini ve büyük ölçekli ajan tabanlı iş yüklerini destekler. Bu da aynı bulut platformunun hem oyunu hem de onu test eden ajanları destekleyebilmesini sağlar.
Akıl Yürütme İçin Gemini, Ölçek İçin GKE
Model, sistemin yalnızca bir parçasıdır. Canlı bir test platformu aynı zamanda ajanların defalarca çalışabileceği, oyun sürümleriyle etkileşime girebileceği ve paralel oturumlarda ölçeklenebileceği ortamlara da ihtiyaç duyar.
Gemini ve GKE bu noktada birlikte çalışabilir. Gemini çok modlu akıl yürütme ve karar verme yetenekleri sağlarken, GKE oyun sunucuları, test ortamları ve yapay zeka iş yükleri için gereken ölçeklenebilir altyapıyı sağlayabilir.
Google Cloud, GKE’yi zorlu yapay zeka ve ajan iş yükleri için bir platform olarak konumlandırıyor. GKE Agent Sandbox, ajanların ve kullandıkları araçların ağ, kimlik ve kaynak erişiminin kontrollü olduğu izole ortamlarda çalışmasını sağlıyor. Bu izolasyon, otonom ajanların canlı ortamdaki kaynaklara sınırsız erişim sağlamadan test sürümleri veya araçlarla etkileşime girmesi gereken durumlarda özellikle değerli olabilir.
Google Cloud’un Agent Substrate on GKE çözümü de bu modeli çok sayıda izole ajan test ortamını (sandbox) çalıştırmayı destekleyen açık kaynaklı bir yürütme ortamıyla genişletiyor. Eylül 2026 itibarıyla Agent Substrate, değerlendirme ve canlıda olmayan iş yükleri için kullanılabilir durumdadır; canlı desteği ise sınırlı bir genel kullanım programı aracılığıyla sunulmaktadır.
Oyun testleri açısından mimari çıkarım son derece nettir: Altta çalışan test altyapısı ölçeklenebildiği sürece, daha fazla ajanla daha fazla oynanış yolunu paralel olarak test edebilir.
Ajan Tabanlı Oyunlarda Kalite Güvencesi İçin Olası Bir Mimari
Gerçek bir oyun ortamında kullanılabilecek mimari; oyun yürütme, ajan zekası, telemetri ve değerlendirme katmanlarını birbirinden ayırabilir:
- GKE, oyun sunucularını ve ölçeklenebilir test iş yüklerini çalıştırır.
- Gemini, ajanın olup biteni yorumlamasını ve bir sonraki aksiyona karar vermesini sağlayan çok modlu akıl yürütme yeteneklerini sunar.
- İzole çalışma ortamları, otonom ajanların kontrollü koşullarda çalışmasını sağlar.
- Pub/Sub, test olaylarını ve telemetriyi taşır.
- Dataflow ve BigQuery, büyük hacimli oynanış verilerini işler ve analiz eder.
- Ortaya çıkan etkileşim akışları, geliştiricilere hataların yeniden üretilmesi ve teşhis edilmesi için yapılandırılmış kanıt sağlar.
Test Senaryolarından Test Görevlerine
En büyük kavramsal değişikliklerden biri, kalite güvencesi ekiplerinin test kapsamını tanımlama biçimidir.
Geleneksel otomasyon test senaryolarıyla başlar; ajan tabanlı testler ise test görevleriyle başlayabilir.
Kalite güvencesi ekibi, her adımı önceden tanımlamak yerine ajanın neyi araştırmasını istediğini belirler.
- Gezinme: “Planlanan rotayı kullanmadan son odaya ulaş.”
- Çatışma: “Bu düşmanı mümkün olan en az kaynakla yenmenin bir yolunu bul.”
- Ekonomi: “Bu eşyayı elde etmenin en verimli yolunu belirle.”
- NPC davranışı: “Üç çelişkili oyuncu etkileşiminden sonra, bu karakterin davranışını tutarlı bir şekilde sürdürüp sürdürmediğini belirle.”
- Çok oyunculu: “İki oyuncunun aynı benzersiz eşyayı elde edebileceği koşulları bul.”
- Performans: “Bu konumu keşfederken mümkün olan en yüksek sayıda eşzamanlı etkileşim oluştur.”
Ajan, hedefe giden yolu keşfetmekten sorumlu olur. Böylece otomasyonun odağı bilinen davranışları yeniden çalıştırmaktan bilinmeyen davranışları keşfetmeye kayar.
İnsan Test Uzmanları Hâlâ Önemli
Otonom test ajanları kalite güvencesi uzmanlığının yerini almaz; insan dikkatinin harcanacağı yeri değiştirir.
Ajanlar, tekrar gerektiren testler, geniş kapsamlı keşif, sürekli regresyon testleri ve büyük ölçekli senaryo çalıştırma için son derece uygundur. İnsan test uzmanları ise oyuncu duygusu, yaratıcılık, oyun hissi, anlatı amacı ve tasarım değerlendirmesi gibi konularda hâlâ kritik bir role sahiptir.
Örneğin, bir ajan bir çatışma bölümünün beklenenden yüksek bir başarısızlık oranı sergilediğini tespit edebilir. Ama bunun bir hata mı, bilinçli olarak tasarlanmış bir zorluk mu yoksa yeni bir oyun mekaniği için bir fırsat mı olduğuna karar vermesi gereken kişi hâlâ tasarımcıdır.
En kullanışlı model işbirliğine dayanır:
Ajanlar keşfeder → İnsanlar yorumlar → Ajanlar yeniden üretir → Geliştiriciler düzeltir → Ajanlar tekrar test eder
Oyunlar İçin Sürekli Kalite Güvencesi İşlem Hattı Oluşturma
Giderek daha karmaşık ve yapay zeka odaklı oyunlar geliştiren stüdyolar için uzun vadeli fırsat, testleri sürekli çalışan bir sürece dönüştürmekte yatıyor.
- Her sürüm belirli bir dizi otonom test görevini otomatik olarak başlatabilir.
- Her önemli özellik hedefe yönelik keşif ajanları tarafından test edilebilir.
- Her canlı ortam olayı yeni bir hata yeniden üretim akışına dönüştürülebilir.
- Düzeltilen her sorun otomatik olarak yeni bir regresyon test senaryosu hâline getirilebilir.
Ortaya çıkan yapı, geleneksel bir test takviminden çok sürekli çalışan bir sistem gibi görünür:
Sürüm → Dağıt → Oyna → Gözlemle → Teşhis Et → Düzelt → Yeniden Test Et
Ajanlar daha akıllı hâle geldikçe, keşfedebilecekleri davranışların kapsamı da genişler.
Test ortamı telemetriye, oyun durumuna ve geliştirici iş akışlarına ne kadar iyi bağlanırsa, elde edilen sonuçlar da o kadar anlamlı ve aksiyona dönük hâle gelir.
Otomatik Kalite Güvencesinden Oyun Zekasına
Oyun testleri geleneksel olarak bilinen davranışların doğru çalıştığını kanıtlamaya odaklanmıştır.
Yapay zeka ajanları ise geliştiricilerin öngörmediği davranışları sistematik olarak araştırma imkânı sunar. Bir ajan oyunu oynayabilir, oyuncuların gördüklerini algılayabilir, her adımın önceden tanımlanmasına gerek kalmadan hedeflerin peşinden gidebilir, alternatif stratejileri deneyebilir, beklenmedik davranışları yeniden üretebilir, otonom NPC’leri test edebilir, çok oyunculu ortamları zorlayabilir ve oyun sırasında oluşan etkileşim akışlarını geliştiriciler için yapılandırılmış kanıtlara dönüştürebilir.
Kartaca olarak buradaki fırsatı kalite güvencesi senaryolarını otomatikleştirmenin çok ötesinde görüyoruz. Oyun şirketlerinin otomatik testlerin ötesine geçerek oynanış hedeflerini anlayan, oyun ortamlarıyla etkileşime giren ve sorunlara işaret edebilecek davranışları veya görsel durumları tespit edebilen otonom test ajanlarına geçişini destekliyoruz. Bunun için kuruluşların bulut, veri ve yapay zekayı bir araya getiren mimariler tasarlamasına ve bunları hayata geçirmesine yardımcı oluyoruz.
Amacımız, insan ekiplerin manuel olarak kapsayabileceğinden çok daha geniş bir oyun alanını keşfedebilen ve aynı zamanda geliştiricilere buldukları sorunları anlamaları ve düzeltmeleri için ihtiyaç duydukları kanıtları sağlayan bir test sistemi oluşturmak.
Yeni nesil oyun kalite güvencesi süreçleri, bir test senaryosu yerine bir ajanın en son sürümü yükleyip neyi bozabileceğini sormasıyla başlayabilir.
Yapay Zeka Destekli Kalite Güvencesi Süreçlerinizi Kartaca ile Oluşturun
Oyun testlerinizi dönüştürmeye ve statik otomatik senaryolardan sürekli oynanış zekasına geçmeye hazır mısınız? Mevcut geliştirme süreçlerinize uygun otonom oyun test çözümlerini nasıl tasarlayabileceğinizi, hayata geçirebileceğinizi ve ölçeklendirebileceğinizi keşfetmek için bizimle iletişime geçin.
Yazan: Gizem Terzi Türkoğlu
Yayınlanma Tarihi: 19.11.2026