Scripted Bot'lardan Agentic QA'ya: Oyun Testlerinde Yeni Dönem Bir AAA oyunda test edilmesi gereken olası oyuncu davranışlarının sayısı artık milyonlarla ifade ediliyor. Oyuncular görevleri farklı sırayla tamamlıyor, fizik sistemlerini beklenmedik şekillerde kullanıyor, ekonomiyi kırıyor ve geliştiricilerin hiç öngörmediği senaryolar oluşturabiliyor. Bu ölçek, klasik QA yöntemlerinin sınırlarını görünür hâle getirdi. Bugün oyun testinde yaşanan en büyük değişim daha fazla otomasyon değil; oyunu anlayabilen ve kendi kararlarını verebilen yapay zekâ ajanlarının ortaya çıkması. Scripted Bot'ların Sınırları İlk nesil test otomasyonu, önceden tanımlanmış senaryoları tekrar eden scripted bot'lara dayanıyordu. Regresyon testlerinde oldukça başarılıydılar yeni bir build alındığında menüler, envanter veya kritik görev akışları dakikalar içinde doğrulanabiliyordu. Ancak bu yaklaşım yalnızca geliştiricinin öngördüğü davranışları test edebiliyordu. Gerçek oyuncular ise harita sınırlarını zorluyor, görev sıralarını değiştiriyor ve oyun sistemlerini beklenmedik şekillerde kullanıyor. Açık dünya ve live-service oyunlarının büyümesiyle birlikte scripted bot'lar tek başına yeterli olmamaya başladı. Reinforcement Learning Yeni Bir Kapı Açtı Araştırmacılar bu sorunu çözmek için çevreyle etkileşime girerek öğrenen Reinforcement Learning (RL) ajanlarına yöneldi. Electronic Arts'ın SEED ekibi, Battlefield 2042 ve Dead Space Remake üzerinde ajanlara sabit bir rota öğretmek yerine haritayı farklı biçimlerde keşfetmelerini sağlayan ödül mekanizmaları geliştirdi. Böylece aynı seviyeyi her çalıştırmada farklı yollar izleyen ajanlar, navigation ve görev akışındaki beklenmedik hataları ortaya çıkarabildi. Ancak RL'nin önemli bir sınırı vardı. Yanlış tasarlanan ödül mekanizmaları, ajanları gerçek amaç yerine yalnızca puan kazandıran davranışlara yöneltebiliyordu. Reward hacking olarak bilinen bu problem hâlâ araştırılıyor. Ayrıca RL ajanları oyunu keşfedebilse de başarısızlıklarını açıklayamıyor ve yeni hedefler oluşturamıyordu. Agentic QA Dönemi Son yıllarda odak noktası; LLM, VLM, bellek ve planlama sistemlerini birleştiren Agentic QA mimarilerine kaydı. Bu sistemler yalnızca ekranı analiz etmiyor; oyunun durumunu yorumluyor, hedef belirliyor, denemelerini değerlendiriyor ve yeni stratejiler geliştiriyor. Yani komutları uygulamak yerine problemi çözmeye çalışıyor. BAAI'nin geliştirdiği Cradle, Red Dead Redemption 2, Cities: Skylines ve Stardew Valley gibi oyunlarda görevleri tamamlayabiliyor. TITAN ise iki ticari MMORPG üzerinde yaklaşık %95 görev tamamlama başarısına ulaşırken daha önce bilinmeyen dört farklı hatayı ortaya çıkardı. Bu çalışmalar, Agentic QA'nın laboratuvardan gerçek oyunlara taşınmaya başladığını gösteriyor. Laboratuvardan Oyun Stüdyolarına modl.ai, doğal dille verilen görevleri saatler boyunca oynayabilen ve yeniden üretilebilir hata raporları hazırlayan QA ajanları geliştiriyor. GDC 2026'da tanıtılan Razer QA Companion AI ise SDK entegrasyonu gerektirmeden oynanışı analiz edebiliyor, fizik ve render hatalarını tespit edebiliyor, hatta tasarım dokümanlarından otomatik test senaryoları oluşturabiliyor. Bir yıl içinde konseptten ürüne dönüşmesi, sektörün bu alana ne kadar hızlı yöneldiğini gösteriyor. QA Mühendisinin Rolü Değişiyor Scripted bot döneminde mühendisler test senaryoları yazıyordu. Bugün ise asıl değer ajanlara doğru hedefleri vermek, test stratejisini belirlemek ve üretilen sonuçları yorumlamakta yatıyor. Microsoft Research'ün de işaret ettiği gibi gelecek, tek bir genel amaçlı ajan yerine farklı görevlerde uzmanlaşmış çok ajanlı QA sistemlerine doğru ilerliyor. Bir ajan oynanışı test ederken diğeri ekonomi dengesini, bir başkası performans regresyonlarını analiz edebilecek. Artık QA'nın geleceğini belirleyecek olan şey daha fazla test script'i yazmak değil; insanın aklına gelmeyecek senaryoları keşfedebilen ve geliştiricilere yeni içgörüler sunabilen otonom ajanlar geliştirmek olacak. Kaynaklar https://www.ea.com/seed/news/seed-ml-research-aaa-game-testing https://bdtechtalks.com/2021/10/04/ea-reinforcement-learning-game-testing/ https://github.com/BAAI-Agents/Cradle https://arxiv.org/abs/2509.22170 https://modl.ai/testing-content-heavy-games-with-ai-bots/ #GameDev #GameTesting #GameQA #AgenticAI #LLM #ReinforcementLearning #AIAgents #GameDevelopment #PikselveKod