Dois jogadores com níveis de habilidade bem diferentes jogam o mesmo jogo, na mesma dificuldade normal. Um deles avança sem esforço e começa a se entediar. O outro morre repetidamente e desiste antes da metade da campanha. O jogo é o mesmo, o nível de dificuldade escolhido é o mesmo, mas a experiência de cada um está longe de ser igual. Esse é o problema que a dificuldade ajustada por inteligência artificial tenta resolver.
Segundo Richard Lucas da Silva Miranda, fundador da LT Studios, publisher brasileira de jogos digitais com atuação no mercado de games e tecnologia, comparar o modelo tradicional de dificuldade fixa com o modelo ajustado por IA ajuda a entender por que cada vez mais estúdios estão revisando essa parte do design dos próprios jogos.
Como funciona a dificuldade fixa tradicional?
No modelo tradicional, o jogo oferece níveis pré-definidos, geralmente fácil, médio e difícil, escolhidos pelo jogador antes de começar e mantidos fixos durante toda a experiência. Cada nível ajusta parâmetros como vida dos inimigos, dano recebido e quantidade de recursos disponíveis, mas esses valores não mudam depois de escolhidos.
Esse modelo é simples de implementar e fácil de entender para o jogador, mas parte de uma generalização que nem sempre se sustenta: presume que jogadores do mesmo nível de habilidade vão ter desempenho parecido durante toda a partida. Na prática, habilidade varia dentro da própria sessão, conforme o jogador aprende mecânicas específicas ou enfrenta trechos mais exigentes do que o resto do jogo.
Um jogador pode escolher o nível difícil e se sair bem na maior parte do jogo, mas travar num único chefe desbalanceado, enquanto outro jogador, no mesmo nível, avança sem obstáculo nenhum até o final. A dificuldade fixa trata os dois casos exatamente da mesma forma, mesmo que a experiência real de cada um tenha sido completamente diferente ao longo da campanha.
Como funciona a dificuldade ajustada por IA?
No modelo ajustado por inteligência artificial, o jogo monitora dados de desempenho em tempo real, como número de mortes, tempo gasto em cada trecho e precisão em combate, e usa esses dados para calibrar a dificuldade de forma contínua, sem exigir que o jogador escolha um nível fixo no início.
Richard Lucas da Silva Miranda aponta que o objetivo desse ajuste não é facilitar o jogo indiscriminadamente, mas manter o jogador num estado de desafio equilibrado, difícil o suficiente para não entediar, possível o suficiente para não frustrar a ponto de o jogador desistir. O sistema pode reduzir a agressividade de inimigos depois de mortes seguidas, ou aumentar sutilmente o desafio quando percebe que o jogador está indo bem demais.
Esse tipo de sistema costuma trabalhar em segundo plano, alterando variáveis pequenas em vez de mudanças bruscas perceptíveis, justamente para preservar a sensação de que o jogador está progredindo pelo próprio mérito. Ajustes abruptos tendem a quebrar essa ilusão e revelar ao jogador que o jogo está intervindo diretamente no resultado da partida.
O que cada modelo ganha e perde na experiência do jogador?
O modelo fixo dá ao jogador controle total e previsibilidade: ele sabe exatamente o que escolheu e pode reclamar diretamente se achar o nível desequilibrado. O modelo ajustado por IA troca essa previsibilidade por uma experiência mais individualizada, mas corre o risco de parecer artificial se o ajuste for perceptível demais, gerando desconfiança de que o jogo está facilitando o progresso sem avisar.
De acordo com Richard Lucas da Silva Miranda, o maior desafio técnico não é fazer o sistema ajustar a dificuldade, é fazer esse ajuste de forma discreta o bastante para que o jogador sinta o jogo justo, sem perceber a mão do sistema mexendo nos números por trás da experiência.
Quando cada modelo faz mais sentido para um estúdio
Jogos competitivos, nos quais a justiça percebida entre jogadores é essencial, tendem a se beneficiar mais do modelo fixo, porque qualquer ajuste dinâmico pode ser visto como vantagem injusta num contexto de disputa direta entre pessoas. Já jogos de campanha única, focados em progressão pessoal, costumam ganhar mais com ajuste dinâmico, porque o objetivo ali é manter o jogador engajado na própria jornada, não competindo contra outro jogador em igualdade de condições.
Existe ainda um modelo híbrido, cada vez mais comum, em que o jogador escolhe uma dificuldade base fixa, mas pequenos ajustes dinâmicos acontecem por baixo dela em situações específicas, como travamento prolongado num mesmo trecho. Esse formato tenta reunir a previsibilidade de um valor escolhido conscientemente com a flexibilidade de um sistema que reage quando algo claramente não está funcionando para aquele jogador em particular.
Richard Lucas da Silva Miranda considera que a escolha entre os dois modelos deveria partir do tipo de experiência que o jogo quer entregar, e não da tecnologia disponível, porque implementar ajuste dinâmico num jogo pensado para competição direta tende a gerar mais desconfiança do que satisfação entre os jogadores.
