はじめに
「生成AI × ゲーム開発」というと、画像生成やコード補完の話題が中心になりがちです。しかし実際の現場で効果が出やすいのは、議事録・タスク化・仕様書・バグ票・進捗レポートといった「管理系」の仕事ではないでしょうか。
本記事では、2025〜2026年に公開された業界調査と、国内外の事例を整理したうえで、ゲーム開発のプロジェクト管理(PM/プロデューサー/ディレクター業務)にAIを組み込む具体的な方法と注意点をまとめます。
この記事の対象読者
- ゲーム開発のPM、プロデューサー、ディレクター、リードエンジニア
- 「チャットで質問する」以上のAI活用を、チーム運用に組み込みたい方
1. データで見る:ゲーム業界のAI活用はどこまで進んだか
1-1. 国内:CESA調査では開発者の85.8%が業務で生成AIを利用
CESA(コンピュータエンターテインメント協会)が東京ゲームショウ2026で公開した「CESAゲーム産業レポート2026 プレビュー版」によると、ゲーム関係者1,349人の回答のうち85.8%が業務で生成AIを活用しており、そのうち**「日常的に利用」が63.0%**でした。1
前年の会員企業調査(2025年、54社)では、開発工程で生成AIを活用している企業は51%だったため、短期間で急速に広がったことが分かります。2
企業が期待する効果のトップは**「業務効率化・生産性向上」で、「開発期間の短縮」「開発・運営コストの削減」が続きます。一方、運用上の対策として最も多いのは「人による確認・修正・監修」**でした。1
1-2. 海外:GDC調査では40%、ただし反発も強い
GDCの「State of the Game Industry」(2026年11月公開版、69か国・2,600人超)では、生成AIを業務で使っている人は40%(前年36%)でした。職種別では**ビジネスオペレーション/サービス職が63%**と最も高く、マーケティング・PR(51%)、プログラミング(48%)が続きます。3
同じGDCの2026年1月版では、52%が「生成AIは業界に悪影響」と回答しており、前年の30%、前々年の18%から大きく上がっています。4
1-3. Google Cloud調査:「反復作業の削減」が最大の価値
Google Cloudが2025年8月に公開した調査(615人、米・韓・北欧)では、90%がすでにワークフローにAIを導入し、**95%が「反復作業が減り、戦略的・創造的な仕事に集中できるようになった」**と回答しています。5
数字の読み方に注意
CESA(85.8%)とGDC(40%)の差は大きいですが、対象者(学生・教育関係者を含むか、ビジネス職を含むか)、地域、設問の定義が異なります。自社の導入判断では「どの調査の、誰の数字か」を確認してから使いましょう。
ここから言えること
| 観点 | 示唆 |
|---|---|
| 利用が多い職種 | ビジネス・管理系が最も高い(GDC) |
| 期待される効果 | クリエイティブの代替より業務効率化 |
| 現場の空気 | 創作領域でのAI利用には根強い抵抗感がある |
つまり、「創作物そのもの」より「創作を支える管理業務」にAIを入れる方が、効果も合意も得やすいというのが現状です。
2. 現場事例:管理業務へのAI適用
事例A:バンダイナムコ × Notion ― 会議からタスクまでを自動でつなぐ
CEDEC2026で紹介された、バンダイナムコエンターテインメントの外部パートナーとのプロジェクト運用事例です。6
- 課題:Notionに情報を置いても約半年間ほとんど見られなかった
- ボトルネック:「探せない」「共有しづらい」「新規メンバーが理解できない」「会議で決めたことが実行されない」
- 対策の一部:
- AI議事録を作り、会議後に担当者がアクションをタスク化する運用を組み込む
- 会議ステータスを「完了」にすると、AIエージェントがタスク・決定事項・ナレッジを各DBに振り分けるデモ
- 用語集を整備し、人間だけでなくAIの理解精度も上げる
ポイントは、ツールを入れただけでは定着せず、「会議後に誰が何をするか」までフローに組み込んだことです。
事例B:小規模スタジオ × Dify + Notion ― 仕様書作成の半自動化
CEDEC2025では、AIエンジニアを雇えない小規模スタジオが、DifyとNotionを組み合わせて仕様書作成ワークフローを構築した事例が紹介されました。7
- 自社開発はせず、既存ツールの連携で済ませる
- 自社で知見のある「プランナーの仕様書作成」に絞って改善する
「何でもAI化」ではなく、一番知見のある業務1つから始めるというスコープの切り方は、多くのチームで参考になります。
事例C:スクウェア・エニックス ― QA・デバッグの70%自動化目標
スクウェア・エニックスは2025年11月、東京大学 松尾・岩澤研究室との共同研究をもとに、2027年末までにQA・デバッグ作業の70%をAIで自動化する目標を発表しました。8 2026年7月のGoogle Cloud Nextでは、Geminiがゲーム画面を見てコントローラー操作をしながらテストを進めるデモも公開されています。9
一方で、この計画には『バルダーズ・ゲート3』のLarian Studios関係者などから批判も出ました。10 QAの自動化は工数削減と同時に、人員や品質責任の議論を伴うことを示す事例です。
3. 実践編:PM業務のどこにAIを入れるか
ゲーム開発の管理業務を、AIとの相性で整理すると次のようになります。
| 業務 | AI活用例 | 相性 | 人が残すべき判断 |
|---|---|---|---|
| 会議 | 議事録、決定事項・ToDo抽出 | ◎ | 決定事項の確定 |
| タスク管理 | チケットの要約、粒度チェック、重複検出 | ◎ | 優先度、担当アサイン |
| 仕様書 | 叩き台作成、抜け漏れ指摘、用語統一 | ○ | ゲーム体験・面白さの判断 |
| バグ管理 | バグ票の要約、再現手順の整形、重複検出、分類 | ◎ | 重大度、リリース判断 |
| 進捗報告 | 週次レポートの下書き、リスクの抽出 | ○ | ステークホルダーへの説明 |
| 見積もり | 過去実績からの参考値提示 | △ | 最終的な見積もり、コミット |
| ローカライズ管理 | 用語集チェック、翻訳レビューの前処理 | ○ | 表現・文化的な妥当性 |
| 社内ナレッジ | 過去資料・Wikiの検索、問い合わせ一次対応 | ◎ | 情報の正しさの保証 |
CEDECの「ゲーム開発技術ロードマップ(プロダクション分野)2025年度版」でも、社内情報の共有や問い合わせ、人材育成にAIが広く活用されること、将来的には過去の膨大なナレッジの活用が進むことが挙げられています。11
4. すぐ試せるサンプル
4-1. 議事録 → タスク抽出プロンプト
あなたはゲーム開発プロジェクトのPMアシスタントです。
以下の会議の文字起こしから、次の形式でJSONを出力してください。
- decisions: 決定事項の配列(決定内容、根拠)
- tasks: タスクの配列(title, owner, due, related_feature)
- owner・dueが会話中に明示されていない場合は null とし、推測しないこと
- open_questions: 未決事項の配列
- risks: スケジュール・品質に影響しそうな発言の配列(発言者、内容)
制約:
- 会話に無い情報は追加しない
- 用語は以下の用語集に従う
{glossary}
文字起こし:
{transcript}
ポイント
- 「推測しない」「null にする」を明示すると、担当者や期日の捏造が減ります。
- 用語集を渡すと、プロジェクト固有の略語(例:「ガチャ」「GvG」「マスタ」)の誤解釈が減ります。バンダイナムコの事例でも、用語集がAIの理解に効いたと報告されています。
4-2. 週次進捗レポートの下書き(Python例)
チケット管理ツールからエクスポートしたCSVをLLMに要約させる最小構成の例です。LLMの呼び出し部分は、社内で許可されているサービスに置き換えてください。
import csv
from collections import defaultdict
def load_tickets(path: str) -> list[dict]:
with open(path, encoding="utf-8") as f:
return list(csv.DictReader(f))
def summarize_stats(tickets: list[dict]) -> str:
"""数値の集計はLLMに任せず、コードで正確に出す"""
by_status = defaultdict(int)
overdue = []
for t in tickets:
by_status[t["status"]] += 1
if t.get("is_overdue") == "true":
overdue.append(f'- {t["key"]} {t["title"]}(担当: {t["assignee"]})')
lines = [f"{k}: {v}件" for k, v in by_status.items()]
return "\n".join(lines) + "\n\n期限超過:\n" + "\n".join(overdue)
def build_prompt(stats: str, tickets: list[dict]) -> str:
recent = "\n".join(
f'{t["key"]} [{t["status"]}] {t["title"]}: {t["last_comment"]}'
for t in tickets[:200]
)
return f"""以下はゲーム開発プロジェクトの今週のチケット状況です。
プロデューサー向けの週次レポート下書きを作成してください。
# 構成
1. 今週のサマリー(3行以内)
2. 進捗が遅れている領域とその理由(チケットのコメントを根拠にすること)
3. 来週注意すべきリスク
4. 判断が必要な事項
# 集計値(この数値をそのまま使い、計算し直さないこと)
{stats}
# チケット一覧
{recent}
"""
def call_llm(prompt: str) -> str:
# 社内で利用が許可されたLLM APIに置き換える
raise NotImplementedError
if __name__ == "__main__":
tickets = load_tickets("tickets_this_week.csv")
stats = summarize_stats(tickets)
draft = call_llm(build_prompt(stats, tickets))
print(draft)
数値はコードで、文章はLLMで
件数・割合・期日などの集計をLLMに任せると、もっともらしい誤りが混ざることがあります。集計はコードで行い、LLMには「解釈と文章化」だけを任せるのが安全です。
4-3. バグ票の重複・分類チェック
QAから上がるバグ票は、表現の揺れによって重複が見逃されがちです。
以下の新規バグ票が、既存のバグ票一覧のどれかと同一の不具合である可能性を評価してください。
出力:
- candidates: 重複候補(既存チケットID、類似度: high/medium/low、理由)
- category: [クラッシュ, 進行不能, 表示, サウンド, UI, バランス, ローカライズ, その他] から1つ
- missing_info: 再現に必要だが記載が無い情報(端末、ビルド番号、再現率など)
重大度(Severity)の判定はしないでください。
重大度はリリース判断に直結するため、あえてAIに判定させない設計にしています。
5. 導入時の注意点
5-1. 情報管理とNDA
未発表タイトルの仕様、キャラクター設定、売上データは最重要の機密情報です。
- 入力データが学習に使われない契約・設定になっているか
- パートナー企業とのNDAが外部AIサービスへの入力を許しているか
- 社内で利用してよいツールを指定・制限しているか(CESA調査でも主要な運用策の一つ)1
5-2. 権利・著作権
CESAも生成AIの課題として著作権をはじめとする権利上の問題を挙げています。1 管理業務での利用は比較的リスクが低いものの、AIが作った仕様書の叩き台に他作品の固有表現が混ざっていないかなど、確認のフローは用意しておきましょう。
5-3. チームの心理的な受け止め
GDC調査では過半数が生成AIに否定的です。4 管理業務へのAI導入でも、
- 「監視・評価に使われるのでは」という不安
- 「人員削減の前触れでは」という懸念
が生まれやすくなります。何のために使い、何には使わないか(例:個人の生産性評価には使わない)を事前に明文化して共有することを強くおすすめします。
5-4. 効果測定
Google Cloudの調査でも、AI導入の効果を正確に測るのが難しいという声が一定数ありました。12 導入前に、
- 議事録作成にかかる時間
- 会議後タスクの登録漏れ件数
- 重複バグ票の件数
- 週次レポート作成にかかる時間
など計測できる指標を1〜2個決めておくと、継続・撤退の判断がしやすくなります。
6. 導入ステップのおすすめ
- 棚卸し:PM業務を洗い出し、「反復的」「テキスト中心」「判断を伴わない」ものを候補にする
- 1業務で試行:議事録→タスク化など、効果が見えやすいものから
- 効果測定:導入前に決めた指標で比較
- 運用に組み込む:「誰が・いつ・どこに」を決める(ツール導入だけでは定着しない)
- 横展開:うまくいった型を他チームへ。必要に応じてステータス変更をトリガーにしたエージェント化へ
まとめ
- 国内ではゲーム開発者の85.8%が業務で生成AIを使う時代になった一方、海外では反発も強まっている
- 合意を得やすく効果も出やすいのは、創作そのものより会議・タスク・仕様書・バグ票・レポートといった管理業務
- 成功事例に共通するのは、ツール導入より「運用フローへの組み込み」と「用語集などの文脈整備」
- 数値の集計や重大度・優先度の判断は人とコードに残し、AIには下書き・整理・抽出を任せる
AIはPMの代わりではなく、PMが「判断」と「チームとの対話」に時間を使うための道具です。まずは来週の定例会議の議事録から試してみてはいかがでしょうか。
参考文献
-
gamebiz「ゲーム開発者の生成AI活用は85%、日常利用が63%に」(CESAゲーム産業レポート2026 プレビュー版より) https://gamebiz.jp/news/432929 ↩ ↩2 ↩3 ↩4
-
WN Hub「A survey reveals that 51% of Japanese video game developers incorporate generative AI」 https://wnhub.io/news/management/item-48944 ↩
-
GamingOnLinux「GDC November 2026 survey shows 40% of developers using generative AI」 https://www.gamingonlinux.com/2026/11/gdc-november-2026-survey-shows-40-percent-of-developers-using-generative-ai/ ↩
-
Business Wire「2026 State of the Game Industry Report Reveals Widening Effect of Layoffs, Broader Perspectives on Generative AI…」 https://www.businesswire.com/news/home/20260129438528/en/ ↩ ↩2
-
Google Cloud Press Corner「90% of Games Developers Already Using AI in Workflows, According to New Google Cloud Research」 https://www.googlecloudpresscorner.com/2025-08-18-90-of-Games-Developers-Already-Using-AI-in-Workflows,-According-to-New-Google-Cloud-Research ↩
-
GameBusiness.jp「ゲーム開発で、外部の企業と円滑にプロジェクトを進めるためのNotion活用方法。バンダイナムコエンターテインメントの事例から解説【CEDEC2026】」 https://www.gamebusiness.jp/article/2026/09/06/27923.html ↩
-
DevelopersIO「【レポート】AIエンジニアを雇えない小規模スタジオでも戦える!ゲーム開発AI活用戦略と事例 #CEDEC2025」 https://dev.classmethod.jp/articles/cedec2025-small-studio-ai-strategy/ ↩
-
GameBusiness.jp「スクエニが事業改革を加速、『QAの7割AI化』と『海外スタジオ閉鎖』など開発体制を抜本的に見直し」 https://www.gamebusiness.jp/article/2025/11/08/25447.html ↩
-
AI Revolution「スクエニがGeminiでゲームQAを自動化」 https://ai-revolution.co.jp/media/square-enix-ai-qa/ ↩
-
GameBusiness.jp「大規模に置き換え可能という考えは愚か―『バルダーズ・ゲート3』開発者がスクエニの『QA・デバッグの7割AI化』計画に苦言」 https://www.gamebusiness.jp/article/2025/11/09/25457.html ↩
-
CESA「CEDEC ゲーム開発技術ロードマップ(プロダクション分野)2025年度版」 https://cedec.cesa.or.jp/2026/uploads/2025_roadmap_PRD_1208.pdf ↩
-
The Star(Reuters配信)「Nearly 90% of videogame developers use AI agents, Google study shows」 https://www.thestar.com.my/tech/tech-news/2025/08/18/nearly-90-of-videogame-developers-use-ai-agents-google-study-shows ↩