Das erste neue inländische Spiel Chinas im Jahr 2026, das im Finanzbericht von Tencent bestätigt wurde, setzt KI auf eine außerordentlich ausgeklügelte und unerwartete Weise ein.

Text / Isaak

In den letzten Jahren ist mein Gefühl bei den Finanzberichten von Tencent immer stumpfer geworden.

In den vergangenen 5 Jahren hat das Wachstum von Tencent Games das globale Gesamtmarktvolumen bei weitem übertroffen. Unter diesen Umständen war „Wachstum“ bereits eine selbstverständliche Erwartung. Als ich vor zwei Tagen den Q2-Finanzbericht von Tencent sah, der einen Spieleumsatz von 65,9 Milliarden Yuan und ein weiteres anhaltendes Wachstum aufwies, war ich überhaupt nicht überrascht.

Aber das ist nicht der Normalzustand der Branche – man muss wissen, dass das Wachstum des gesamten Spielmarktes fast stagniert, es immer schwieriger wird, mit neuen Produkten durchzudringen, und es zahlreiche Beispiele für Großprojekte gibt, die schon zu Beginn scheitern, sowie neue Titel, die nacheinander ihre Server abschalten… Viele traditionelle Methoden funktionieren in dieser Phase nicht mehr.

Tatsächlich hat auch Tencent neue Produkte, die schwer zu realisieren sind. *Roco Kingdom: World* ist das typischste Beispiel – es hat keinen ausgereiften GaaS-Prototyp und muss eine Menge Probleme ohne vorherige Vorbilder lösen. Aber im Finanzbericht wurde es von Ma Huateng als der beliebteste neue Handyspiel-Titel in diesem Jahr bezeichnet, der sowohl bei der durchschnittlichen täglichen aktiven Nutzerzahl als auch bei den Einnahmen an erster Stelle steht. Viele glauben sogar, dass es das Potenzial hat, langfristig erfolgreich zu sein. Wie lässt sich das erklären?

Kürzlich haben wir uns mit dem Entwicklungsteam von *Roco World* und dem Team der öffentlichen technischen Abteilung (der zentralen technischen Plattform von Tencent Games) unterhalten und dabei einen Anhaltspunkt bei einer neu eingeführten KI-Hightech-Funktion gefunden. Der Kern dieser Funktion besteht darin, Spielern PvP-Teams vorzuschlagen und sie darin zu unterweisen. Sie hat auch ein zugehöriges Elf-Image namens „Scarlett“.

Stellen Sie sich vor, ein Anfänger möchte ein PvP-Team zusammenstellen, hat aber eine sehr abstrakte Vorstellung – zum Beispiel möchte er ein Team aufbauen, das heimtückisch aber nicht übermächtig ist. Was soll er tun?

Tatsächlich war das eine Anforderung, die der Streamer @Pinguin mit Eisbär während eines Livetests gestellt hat.

Für einen PvP-Anfänger ist das wirklich schwierig: In *Roco World* gibt es derzeit mehr als 400 Elfen. Man muss ein gewisses Verständnis für die Eigenschaften, Fähigkeiten, Mechaniken, Charaktere und Kombinationen der Elfen haben, um das selbst herauszufinden. Die Nutzung traditioneller Anleitungen, Wikis oder WorkBuddy ist nicht praktikabel. Einen Experten oder Streamer zu suchen oder in der Community nachzufragen, hat auch eine hohe Hürde. Viele Leute haben eigentlich großes Interesse an PvP, werden aber genau dadurch abgeschreckt.

Wenn es nur ein einzelner Spieler ist, ist das noch in Ordnung – aber was ist mit Millionen oder Dutzenden Millionen Spielern? Das gibt fast keine Lösung, es sei denn, jeder hätte einen persönlichen Trainer für sich allein.

In dieser Situation ist KI möglicherweise die einzige Lösung – das integrierte Scarlett im Spiel kann dein Inventar lesen, deine Anforderungen durch Gespräche verstehen und die optimale Auswahl treffen. Mit nur einem Satz kann sie basierend auf deinen Eingaben und dem Zustand deines Elf-Koffers innerhalb weniger Sekunden ein Team zusammenstellen und dir die Spielweise detailliert erklären.

Das Gift-Team entspricht tatsächlich der Beschreibung „heimtückisch aber nicht übermächtig“.

Die Wirkung nach der Einführung dieser Funktion übertrifft die Vorstellungen vieler: Ein Spieler hat mehr als tausend Runden pro Tag mit Scarlett gesprochen; Experten loben, dass sie Teams wirklich versteht, und viele Anfänger, die noch nie PvP gespielt haben, posten Beiträge, um ihr dafür zu danken, dass sie ihnen geholfen hat, die erste Runde zu gewinnen.

Das Projektteam hat uns auch mitgeteilt, dass Scarlett die PvP-Aktivierung und -Aktivität im Spiel wirksam gefördert hat – die PvP-Aktivierungsrate stieg um 20%. Bei einer großen Anzahl täglich aktiver Nutzer hat diese Zahl ein enormes Gewicht.

Vielleicht werden einige Leute denken: Das ist doch nur ein integrierter KI-Assistent, muss man das so übertreiben? Anfangs dachte das auch der Spieltrauben-Herausgeber. Aber nach ausführlichen Gesprächen stellte sich heraus, dass die Sache viel komplizierter ist – der Einfluss von KI auf die Branche ist bereits in eine völlig neue Phase eingetreten, die sich von der Vergangenheit unterscheidet.

01

Wie schwer ist es, eine KI dazu zu bringen, Spiele zu verstehen?

Wie entstand das Projekt Scarlett? Die Idee des Projektteams war schon sehr früh – sie entstand bereits während der Testphase von *Roco World* im Jahr 2025.

Damals erstellte die öffentliche technische Abteilung zunächst selbst eine Demo, zeichnete ein Video mit der vorgestellten KI-Unterstützungsfunktion auf, das recht überzeugend aussah. Sie waren sehr optimistisch und dachten an die Devise „Fake it until you make it“. Alles schien selbstverständlich, die Spielernachfrage war vorhanden, also würde man es schon schaffen.

Aber als sie wirklich damit begannen, stellten sie fest, dass die Fallstricke bei der Erstellung eines sogenannten „integrierten KI-Assistenten“ viel zahlreicher waren als erwartet.

Die ursprüngliche Idee des Teams war sehr einfach: Man füttert das große Modell mit genügend Spielmaterial, dann wird es es vielleicht verstehen. Das stellte sich aber als die erste große Falle heraus – selbst mit dem stärksten Modell war die Wahrscheinlichkeit, dass die KI in diesem Szenario korrekte Antworten gibt, extrem gering, und sie erzeugte nur Halluzinationen.

Der Grund ist einfach: Das Spielwissen von *Roco World* ist so neu, dass es in keinem vorab trainierten Korpus großer Modelle vorkommt. Stattdessen gibt es viele leicht verwechselbare Daten – wie das alte Roco-Browsergame… Alle Fähigkeiten, Elfen und Teams im Spiel sind für sie ein völlig neues Gebiet, das sie in kurzer Zeit nicht gründlich verstehen kann.

Danach beschlossen sie, zur RAG-Architektur zu wechseln: Sie schlossen ein Wissenssystem an und ließen das Modell durch Retrieval-Augmentierung antworten. Gleich darauf folgte die zweite große Falle – große Modelle verstehen Wissen auf eine andere Weise als Menschen und können es oft nicht genau erfassen. Das Spielwissen ist nicht nur riesig, sondern wird auch ständig aktualisiert. Mit den Retrieval-Fähigkeiten von RAG lassen sich einfache FAQ-Fragen gut beantworten, aber um Spielinhalte zu verstehen, reicht es keinesfalls aus.

Die Erforschung von Teams wird von Spielern als „Forschung“ bezeichnet, was die hohe Schwierigkeit verdeutlicht.

Jax, der Projektleiter von Scarlett, gab uns ein Beispiel: Wie viel Schaden verursachen Elektro-Fähigkeiten gegen Frau Cui Ding (Flug- + Wasser-Eigenschaft)? Viele Spieler können ohne nachzudenken dreifachen Schaden nennen, aber die KI kann nicht zwischen „Widerstand“ und „starkem Widerstand“ unterscheiden und verwechselt sie als Synonyme… So eine einfache Frage kann sie nicht korrekt beantworten, das ist doch absurd!

Nach vielen Versuchen stellte das Technikteam fest, dass die Genauigkeit der Antworten nur 30 bis 40 Prozent betrug – ein erschreckend niedriger Wert.

Nachdem sie unzählige Fallstricke durchschritten hatten, erkannte das Team, dass sie von vorne anfangen mussten. Sie verbrachten mehr als ein halbes Jahr damit, eine vollständig selbst entwickelte Multi-Modul-Co-Evolution-Coach-Agent-Architektur zu entwickeln.

Diese Architektur erfüllt hauptsächlich mehrere Aufgaben: Erstens wird das abstrakte „Zusammenstellen von Teams“ zu einer konkreten „Ausfüllen einer Tabelle“. Jede Spalte in der Tabelle entspricht einer Eigenschaft – der Typ, die Fähigkeiten, der Charakter des Elfen… Nachdem die Anforderungen der Spieler übersetzt wurden, muss die KI nur die entsprechenden Elemente extrahieren und die Tabelle ausfüllen, wodurch die Genauigkeit stark steigt.

Yanjie, der Leiter des Empfehlungsalgorithmus, sagte, dass ihre Inspiration von einem konkreten schlechten Fall stammt: Viele Mechaniken im Spiel erfordern, dass die Reihenfolge der Fähigkeiten korrekt ist. Zum Beispiel erfordert die gängige Spielweise von Hammerstorch, dass der Spieler die Wasserpistole auf Platz 1 legt, um wasser-schwache Elfen direkt zu besiegen.

Wie kann man der KI beibringen, solch detaillierte Reihenfolgen genau zu verstehen und zu beherrschen? Sie fanden heraus, dass es funktioniert, wenn man es als Änderung der Felder in einer Tabelle gestaltet – Tabellen behalten die Reihenfolge von Natur aus bei.

Die Tabelle ist einfach auszufüllen, aber welcher Inhalt ist richtig? Das ist ein noch größeres Problem.

Das Projektteam stellte die vollständigen Designdokumente zur Verfügung, aber welche Elfen zusammenpassen, wann sie eingesetzt werden und wie ihre Fähigkeiten genutzt werden… all das kann man nicht manuell Zeile für Zeile an die KI weitergeben. Die Lösung des Technikteams bestand darin, die KI aus der Praxis lernen zu lassen und dann durch die Kombination von Regeln und großen Modellen die Praxisdaten zu strukturiertem Wissen zu verarbeiten.

Bis heute umfasst dieses Wissenssystem mehr als 1 Million Einträge und deckt 82% der tatsächlichen Fragen der Spieler ab.

Zu diesem Zeitpunkt macht die KI noch einige triviale Fehler. Es gibt einen klassischen schlechten Fall: Wie kann das Insekten-Team gegen Vulkan kämpfen? Die Antwort der KI lautet: Lass Schmetterling mit der Brennen-Funktion ihn vertreiben! Aber Schmetterling wird von Vulkan dreifach überlegen, und Vulkan ist immun gegen den negativen Effekt von Brennen… Bei solchen Antworten merkt der Spieler sofort, dass die KI das Spiel überhaupt nicht versteht.

Zufälliger Fehler während des Tests

Um zu verhindern, dass solche Fehler wiederholt auftreten, fügte das Team zahlreiche Harness (Einschränkungsmechanismen) hinzu. Mit einem vollständigen System aus drei Engines für Online-Unterricht, selbstlernendes Wissensschlussfolgern, Bewertung und Zuordnung werden fehleranfällige Tatsachenprüfungen vom System übernommen, während das Modell nur für die Formulierung der Sprache zuständig ist. Jax fasste es sehr anschaulich zusammen: „Wir sind gleichzeitig der Psychiater des großen Modells und sein Deutschlehrer.“

Aber selbst wenn die Antwort fertig ist, reicht das für die Spieler noch nicht. Für verwirrte Anfänger muss die KI auch Schritt für Schritt erklären, wie dieses Team funktioniert.

Dieses Problem wird vom Team als „die Krone der Schöpfung“ bezeichnet – es ist das schwierigste, aber wird von den Spielern am häufigsten gestellt. Das Technikteam zerlegte es in Dutzende von Teilfragen: Wer startet zuerst? Wann wechselt man