Contexte et motivations

Lors d’une présentation intitulée Your Game Is A Harness à Indie Rodeo (12 septembre 2026), Kyle Kukshtel a partagé son expérience de quinze ans en programmation de jeux et son expérimentation avec les grands modèles de langage (LLM) tels que ChatGPT et Claude Code. Il cite la création de mood.site, un site de mood‑boarding développé en deux à trois semaines de travail nocturne (environ 20 heures), grâce à l’assistance d’un LLM. Cette réussite contraste avec ses tentatives d’utiliser les mêmes modèles pour des projets de jeux traditionnels, où il a constaté des échecs répétés.

Limites structurelles des LLMs pour les jeux

Le texte souligne deux facteurs principaux expliquant la difficulté des LLMs à générer du code de jeu fiable. Premièrement, la pauvreté des jeux dans les jeux de données d’entraînement : les dépôts publics de jeux sont nettement moins nombreux que les projets web, réduisant la capacité du modèle à apprendre des patterns pertinents. Deuxièmement, les jeux contiennent de nombreux éléments non‑code (textures, modèles 3D, animations, logique de physique) qui restent opaques pour un modèle textuel. Ainsi, même si le modèle excelle dans les piles web (ex. Svelte, Three.js), il « tombe » lorsqu’on lui demande de manipuler ces artefacts non‑textuels.

Méthodes pour transformer le jeu en harnais

Kukshtel propose de rendre le jeu « lisible » aux LLMs en le convertissant en une forme de code exploitable. Il recommande d’utiliser des moteurs basés sur Three.js, où les actifs sont décrits par des primitives géométriques simples (boîtes, sphères) et donc entièrement exprimables en JavaScript. Cette approche minimise la partie opaque du projet et permet au LLM d’intervenir sur la logique, le rendu et l’interaction via des modifications de code directes. Il décrit également la structure d’une requête LLM : system prompt, assistant prompt et user prompt. Le user prompt constitue le vecteur principal, et la taille du contexte (nombre de tokens) impose une limite pratique à la quantité d’information que le modèle peut retenir simultanément.

Analyse des impacts et contraintes

Adopter ce « harnais » implique plusieurs compromis. D’une part, la représentation en code simplifie la révision automatisée, mais elle peut sacrifier la richesse visuelle et la performance native des moteurs traditionnels (ex. Unity, Unreal). D’autre part, la dépendance au contexte limité des LLMs nécessite de fragmenter les tâches en prompts courts, ce qui augmente le nombre d’interactions et le coût d’utilisation (facturation à la token). Enfin, la méthode repose sur la disponibilité de modèles capables de générer du code fiable, comme Claude Code, dont les améliorations récentes ont été notées par l’auteur, mais qui restent soumises à des variations de qualité selon le domaine d’application.