AI가 바꾸는 게임 서비스 실무

유저 피드백, 이제는 AI가 먼저 읽습니다

“AI 쓰면 편한 건 알겠는데, 우리가 일하는 방식도 바뀌는 건가요?”

게임 서비스 실무자들이 체감하는 AI의 변화는 이미 우리 곁에 와 있습니다.

ℹ️기술이 아니라 ‘서비스’로 보는 AI

게임 기획자, PM, 운영자와 같은 게임 사업 실무자 들 중 일부는 AI가 개발자나 디자이너를 위한 도구라고 생각하는 경향이 있는 것도 사실입니다.

하지만, AI의 진정한 가치는 단순한 ‘도구’ 그 자체의 기능 보다 ‘어디에, 어떻게 쓰느냐에 달려있습니다.

지금까지는 기술 중심의 사례가 조금 많았지만,

이제는 게임 서비스 기획자, 프로젝트 매니저 (PM), 운영자들이 체감할 수 있는 실제 사례 중심의 이야기를 해볼까 합니다.

게임 서비스는 결국 유저를 이해하고, 그들의 피드백에 신속하게 반응하는 것이 핵심입니다.

그리고, 이 핵심 업무에 AI는 작지만 강력한 도구로 자리 잡고 있습니다.

ℹ️ 유저 피드백 요약 – 진짜 불만을 빠르게 파악하고 싶을 때

게임 기획자, PM, 운영자라면 누구나 한 번쯤 아래와 같은 상황에 부딪힌 적이 있을 것입니다:

“론칭하면 수월할 줄 알았는데… 앱스토어 리뷰가 수천 건이에요.

개발팀에서 개선사항 정리해 달라고 하는데, 이걸 혼자 다 볼 엄두가 나지 않네요."

“CS 항의가 계속 들어오고, 뭔가 뾰족한 포인트가 있는 거 같은데, 그게 뭔지 파악하기가 쉽지 않네요.”

“외주 없이 자체 FGI도 하고, 유저 인터뷰도 다 했는데, 정리할 시간이 도무지 안 나요.”

이런 상황에서 AI는 다음과 같이 활용될 수 있습니다:

앱스토어/구글플레이 리뷰 수천 건을 감정 분석 (Sentiment Analysis)으로 분류

유저 인터뷰 녹취를 자동 요약 (Summarization) 하고 키워드 추출 (Keyphrase Extraction)

유저 피드백을 불만/제안/칭찬으로 나누고, LLM 기반 분류 파이프라인 (LangChain, RAG)으로 자동화

여기서 약간의 기술 포인트가 있는데요. AI세미나에 참석해 보셨다면 LangChain과 RAG이란 용어를 들어보셨을 것입니다. 현장에서 들었을 땐 이해가 되는 듯했지만, 막상 설명하려면 어려울 수 있습니다.

아래 내용을 기억하면 설명에 도움이 될 것입니다.

LangChain 이란?

AI에게 작업 프로세스를 자동으로 구성해 주는 워크플로우 도구입니다.

예를 들어, 누군가에게 "기획안 좀 써줘"라고 부탁을 받았다고 해보겠습니다.

① 자료 찾고 → ② 요약하고 → ③ 전체 아웃라인을 잡아서 → ④ 기획안 포맷에 맞게 문서화하죠.

LangChain은 이런 일련의 과정을 AI가 스스로 차례대로 수행하도록 만들어주는 도구입니다.

RAG (Retrieval-Augmented Generation, 검색 증강 생성)은?

필요한 참고 자료를 AI에게 먼저 보여주고, 그 자료를 바탕으로 답변을 생성하게 하는 방식입니다.

기존의 AI는 메모리에 저장된 지식만을 기반으로 답변을 생성합니다.

그런데, RAG 방식은 유저 리뷰나 문서 데이터를 먼저 제공한 후, 이를 기반으로 정확한 답변을 생성하도록 합니다.

즉, AI가 아무 말 대잔치를 하지 않도록 필요한 자료를 먼저 보여주고 "이 내용만 참고해서 답변해 줘"라고 지시하는 방식이라고 보시면 됩니다.

예를 들어, “"우리 게임 도대체 왜 욕먹고 있는 거야?"라는 질문에 대해:

일반적으로 AI는 “유저들이 부정적인 반응을 보이는 이유는 다양합니다. 과금 유도, 소통 부재 등이 있을 수 있습니다."라고 답변할 것입니다.

그런데, 참고자료로 리뷰 데이터를 제공하면서 RAG 방식을 사용하면, AI는 “유저 리뷰의 70%가 ‘패키지 구성 불만’, ‘튜토리얼 불친절’을 반복적으로 언급하고 있습니다.”라고 구체적으로 답변하게 된다는 거죠.

ℹ️ 게임사에서는 실제 사용하는 사례가 있나요?

조이시티는 운영팀과 데이터팀이 협업하여 VOC 시스템을 도입한 사례를 지난해 콘퍼런스에서 발표했습니다.

이 시스템의 핵심은 유저 커뮤니티와 문의 게시글을 수집해 AI가 자동 분석한 후, 운영팀이 즉시 확인하고 대응할 수 있도록 하는 구조입니다. 이 과정에서 다음과 같은 기능들이 AI를 통해 구현되었습니다:

오늘의 게시물 수: 오늘 올라온 유저 게시물 수와 전일 대비 증감률 자동 체크

유저 피드백 (VOC) 요약: 생성형 AI가 전일 업데이트된 VOC 데이터 요약

감정 분석: 자체 학습된 LLM 모델로 5단계 감정 스코어 시각화

키워드 자동 추출: 주요 이슈를 AI가 추출하고 상위 5개의 유저 피드백 시각화

다국어 분석 확장: 자연어 처리 (NLP) 모델을 활용하여 전 세계 유저 커뮤니티 동향 분석

조이시티에서 구축한 VOC분석 시스템 사용자 화면. 한눈에 유저 피드백 현황 파악이 가능함

조이시티는 감정 분석 외에도 실제 유저 리뷰 내용을 AI가 직접 참고하도록 하는 RAG방식을 적용했고, GPT-4, Claude와 같은 LLM을 활용해 구체적이고 문맥에 맞는 요약 결과를 생성했습니다.

특히, 유저 데이터를 사람이 일일이 분류하지 않고, 일부만 수동 작업한 뒤 AI가 ‘자신 있는 데이터’만 골라 학습하는 방식 (임시 레이블링)을 적용했습니다.

그 결과, 약 89% 정확도의 자동 분류 모델을 구축하며 작업 효율도 크게 향상했습니다.

여기서 89%의 모델 정확도는 무슨 의미일까요? 이는 AI가 분류한 결과 10개 중 9개가 사람의 판단과 일치한 셈입니다. 감정 분석처럼 주관적인 영역에서 85% 이상의 정확도를 기록한 것은 매우 유의미한 성과입니다.

게임 운영자와 서비스팀은 이 결과를 바탕으로 별도의 정리 작업 없이 더 빠르게 인사이트를 도출하고, 중요한 이슈에 집중할 수 있게 되었습니다.

ℹ️ VOC 시스템의 확장 방향 – “AI가 요약, 실무자가 판단”

조이시티는 향후 이 VOC 시스템을 더 넓은 의사결정 지원 도구로 고도화할 계획입니다:

이벤트/패치 시점과 유저 반응의 변화를 시계열로 시각화

매출, 플레이어 레벨 데이터와 결합한 인사이트 분석 수행

SLM 기반 최신 모델 (Gemma, LLaMA, Phi 등) 도입

AI 기반 유저 동향 리포트 자동 생성

조금 어려워 보이지만, 결국 이 모든 내용은 한마디로 요약됩니다.

"AI가 피드백을 정리해 주면, 실무자가 판단과 실행에 집중한다."

이런 이유로 해당 사례는 게임 서비스 중심 AI 도입의 모범적인 예시라고 평가됩니다.

ℹ️우리도 적용할 수 있을까요?

유저 피드백 분석은 복잡한 코드를 몰라도, 데이터를 정리하고 흐름을 판단하는 데 AI를 도구로 활용하는 것만으로도 업무 속도와 품질을 높이는 직접적인 효과를 만들어냅니다.

일반적으로 이런 AI기술은 사내에 AI 전담 부서 혹은 데이터 팀이 있는 경우 해당 팀과 협업하여 진행합니다.

그러나, 만약 회사에 전담 부서가 존재하지 않고, 고도화된 기능이 필요하지 않다면,

GPT-4, Claude, Perplexity 등 오픈형 LLM을 활용해 작은 단위부터 시작할 수 있습니다.

다만, 프롬프트는 명확하게 설정하고, 유저 데이터는 익명 처리가 원칙임은 잊지 말아야 합니다.

♻️ 마무리

생성형 AI는 기술 그 자체에 집중할 때보다 ‘서비스를 더 잘하기 위한 수단’으로 활용할 때 더욱 빛이 납니다.

게임은 결국 "서비스"입니다. "서비스"는 결국 유저를 이해하고 적시에 응답하는 일입니다.

AI는 그 응답의 정확도와 속도를 높여주는 가장 강력한 도구입니다.

다음 글에서는 경쟁사 분석, 기획안 작성 등 게임 서비스 실무자가 반복적으로 마주할 수밖에 없는 업무에 대한 부담을 AI가 어떻게 도와줄 수 있는지 살펴보겠습니다.

* 위 내용은 저자의 개인적인 의견이며, 본문에서 언급된 기업의 공식적인 입장과는 무관합니다