이 글은 Claude Opus 4.8 을 이용해 초안이 작성되었으며, 이후 퇴고를 거쳤습니다.

주사위를 굴리고, 카드를 섞고, 전리품 상자를 여는 순간. 우리가 게임에서 가장 짜릿하거나 가장 분통 터지는 경험을 하는 거의 모든 장면에는 랜덤성(randomness) 이 숨어 있습니다. 그런데 이 랜덤성은 단순히 “난수 생성기를 호출하는 코드 한 줄"이 아닙니다. 잘못 다루면 수백만 명이 등을 돌리고, 잘 다루면 같은 게임을 수천 시간 반복하게 만드는, 게임 디자인에서 가장 미묘하고 위험한 영역입니다.

이 글은 게임 디자인과 랜덤성의 수학 3부작의 1편입니다. 이번 편에서는 거시적인 관점에서 다음을 다룹니다.

  • 현대 게임에서 랜덤성이 실제로 맡는 역할
  • 랜덤성을 제대로 설계·구현하지 못해 벌어진 게임 업계의 실제 실패 사례들
  • 왜 “진짜 무작위"가 오히려 플레이어에게 “조작된 느낌"을 주는가
  • 실패하지 않기 위한 접근법들(확률·통계·게임이론의 도구 상자)
  • 게임 밸런싱을 위한 실험·검증 테크트리(de-facto)

2편에서는 확률 분포·PRD·천장 시스템 같은 수학적 도구를 깊이 파고들고, 3편에서는 게임이론과 시뮬레이션 기반 밸런싱을 다룰 예정입니다. 1편은 그 모든 것을 한눈에 조망하는 지도라고 생각하시면 됩니다.

1. 랜덤성의 두 얼굴: 입력 무작위성과 출력 무작위성#

게임 디자이너 Keith Burgun 은 랜덤성을 두 종류로 나눕니다. 이 구분은 이후 모든 논의의 출발점이 되므로 먼저 짚고 가겠습니다.

  • 입력 무작위성(input randomness): 플레이어가 의사결정을 내리기 전에 공개되는 무작위성. 예를 들어 로그라이크의 무작위 맵, 카드 게임에서 처음 받는 패, 문명(Civilization) 의 무작위 시작 지형 등입니다. 플레이어는 주어진 무작위 상황을 보고 나서 전략을 세웁니다. 이런 무작위성은 매판을 새롭게 만들고 전략의 깊이를 더합니다.
  • 출력 무작위성(output randomness): 플레이어가 결정을 내린 후, 그 결과가 나오는 사이에 끼어드는 무작위성. XCOM 의 명중 판정, 리스크(Risk) 의 전투 주사위, 크리티컬 확률, 전리품 드랍 등이 여기 속합니다. “나는 최선의 수를 뒀는데 주사위가 배신했다"는 경험이 바로 출력 무작위성입니다.

Burgun 의 주장은 단호합니다. 전략 게임에서 출력 무작위성은 가급적 줄여야 한다 는 것입니다. 결정과 결과 사이의 인과관계를 흐려, 플레이어가 자기 실력으로 이겼는지 운으로 이겼는지 구분할 수 없게 만들기 때문입니다. (Burgun 의 원문은 Game Developer 에 공개되어 있습니다.)

물론 이건 한쪽 극단의 견해이고, 출력 무작위성이 긴장감과 드라마를 만드는 긍정적 역할도 분명히 있습니다. 핵심은 “어떤 종류의 무작위성을, 어디에, 얼마나” 넣을지를 의식적으로 설계해야 한다는 점입니다. 이 구분 없이 그냥 rand() 를 뿌리는 순간 문제가 시작됩니다.

2. 현대 게임에서 랜덤성이 하는 일#

랜덤성은 게임 곳곳에서 서로 다른 목적으로 동원됩니다.

2.1 재플레이성(replayability) — 절차적 생성#

같은 게임을 다시 해도 매번 다른 경험을 주는 가장 강력한 도구가 절차적 생성(procedural generation) 입니다. 마인크래프트 의 시드 기반 월드, No Man’s Sky 의 은하계 규모 생성이 대표적입니다. 여기서 중요한 것은 무작위성이 제약 조건과 결합 된다는 점입니다. 스펠렁키(Spelunky) 는 4×4 격자에 손으로 만든 방 템플릿을 배치하되, 반드시 출구까지 도달 가능한 경로를 보장 합니다. “완전한 무작위"가 아니라 “통제된 무작위"인 것이죠. 그리고 시드(seed)를 고정하면 동일한 결과를 재현할 수 있어, 이는 뒤에서 다룰 e스포츠·검증 용도로도 쓰입니다.

2.2 전리품·크리티컬 — 보상의 변동성#

드랍과 크리티컬은 전형적인 출력 무작위성입니다. 보상에 변동성을 줘서 “한 번 더"를 유도합니다. 그런데 순수한 독립 무작위는 필연적으로 뭉침(clustering) 을 낳습니다(같은 결과가 연달아 나오는 현상). 그래서 많은 게임이 장기 평균은 유지하면서 변동성만 깎는 통제된 무작위 기법(셔플백, PRD 등 — 5장 참고)을 도입합니다. 실제로 Apple 의 GameplayKit 같은 상용 SDK 에도 “공정하게 느껴지는 무작위(fair-feeling randomness)“가 1급 기능으로 들어 있습니다.

2.3 수익화 — 가챠와 전리품 상자#

가챠(gacha)와 전리품 상자(loot box)는 출력 무작위성을 수익화 하는 장치입니다. 심리학적으로 이는 변동 비율 강화 계획(variable-ratio reinforcement schedule), 즉 도박과 같은 보상 구조에 기반합니다. 언제 터질지 모르기 때문에 계속 당기게 되는 것이죠. 바로 이 도박성 때문에 가챠는 강력한 규제의 대상이 되었고(4.6장), 천장(pity) 시스템 같은 완화 장치가 등장했습니다.

2.4 카드 섞기와 매치메이킹#

디지털 카드 게임은 알고리즘으로 덱을 섞습니다. 그리고 경쟁 게임의 매치메이킹 은 숨겨진 실력 점수(MMR)를 이용해 양 팀의 승률이 ~50%에 수렴하도록 상대를 맞춥니다. 흥미롭게도 매치메이킹에서 변동성은 어느 정도 필요악 입니다. 단기적인 승패 노이즈에 과민 반응하지 않고, 충분히 많은 판을 거쳐야만 진짜 실력에 수렴하기 때문입니다(큰 수의 법칙, 6장 참고).

3. 랜덤성이 무너질 때: 실패 사례 갤러리#

이제 본론입니다. 랜덤성을 잘못 설계하거나 구현했을 때 실제로 어떤 일이 벌어졌는지, 게임 업계의 유명한 사례들을 살펴봅니다. 각 사례는 서로 다른 실패의 유형 을 보여줍니다.

3.1 인식의 실패 — XCOM 의 “95% 명중인데 빗나갔다”#

XCOM: Enemy Unknown(2012)은 “확률 표시와 플레이어의 체감이 어긋날 때” 무슨 일이 생기는지 보여주는 교과서적 사례입니다. 화면에 “명중 확률 95%“라고 떠 있는데 빗나가면, 플레이어는 5%의 불운을 겪은 것이지만 “이 게임은 거짓말을 한다” 고 느낍니다.

흥미로운 건 개발사 Firaxis 의 대응입니다. 낮은 난이도(Easy, Normal)에서는 화면에 보이는 확률보다 실제로 플레이어에게 유리하게 보정을 합니다. 커뮤니티의 역공학에 따르면, 표시된 명중률의 약 120%를 실제 확률로 적용하고, 50% 이상이던 사격을 빗맞히면 다음 사격에 누적 보너스를 더하는 식입니다. 반대로 높은 난이도(Classic, Impossible)에서는 표시값 그대로의 정직한 난수를 쓰며, 오히려 외계인 쪽이 강화됩니다.

다만 정확성을 위해 짚자면, 이 구체적인 수치(120%, 누적 보너스 폭)는 공식 발표가 아니라 커뮤니티가 게임을 뜯어 추정한 값 입니다. 디렉터 Jake Solomon 은 “그 85%는 사실 85%가 아니라 95%에 가깝다"며 보정의 존재 자체는 인정 했지만, 이 발언은 후속작 XCOM 2 에 관한 것입니다. 어느 쪽이든 교훈은 같습니다. 확률은 수학의 문제이기 이전에 인식(perception)의 문제다. 정직한 95%보다, 그렇게 “느껴지는” 95%를 만드는 것이 더 어렵습니다.

3.2 모델링의 실패 — 문명의 “창병이 탱크를 잡는다”#

“Spearman beats tank(창병이 탱크를 격파)“는 문명 시리즈의 전설적인 밈입니다. 원조는 Civilization I(1991)입니다. 당시 전투는 단 한 번의 굴림 으로 결판났습니다. 공격력과 방어력의 합 범위에서 난수 하나를 뽑아 승패를 정하고, 패자는 즉시 소멸했습니다. HP 개념이 없었던 것이죠. 그 결과 방어력 2의 팔랑크스가 공격력 10의 탱크를 약 16%(보너스 적용 전) 확률로 이기는, 직관에 어긋나는 결과가 나왔습니다.

이는 확률 모델 자체가 잘못 설계된 사례입니다. 수정의 역사가 곧 해법을 보여줍니다. Civilization II(1996)는 HP·화력·다단계 전투를 도입했고, Civilization V(2010)는 한 타일당 한 유닛 + 0~100 HP 바(피해를 입으면 전투력이 깎임)를 도입해 단판 역전을 사실상 불가능하게 만들었습니다. 단, Civ V 의 전투에도 제한된 범위의 무작위 요소는 여전히 남아 있습니다. 무작위를 없앤 게 아니라, 변동성의 범위를 합리적으로 가둔 것입니다.

3.3 분포의 실패 — 테트리스의 “I 블록 가뭄”#

초기 테트리스 의 블록 생성기는 (거의) 기억이 없는 균등 난수(memoryless uniform) 였습니다. 매번 7종의 블록 중 하나를 독립적으로 뽑은 것이죠. 수학적으로는 공정하지만, 그 결과 긴 “I 블록 가뭄(drought)” — 직선 블록이 한참 동안 안 나오는 현상 — 과 S/Z 블록만 쏟아지는 상황이 발생했습니다. 플레이어에게는 그저 부당하게 느껴졌습니다.

해법은 “Random Generator”, 통칭 7-bag 시스템입니다. 7종의 블록을 한 봉지에 담아 섞은 뒤 하나씩 꺼내고, 봉지가 비면 다시 채웁니다. 이렇게 하면 모든 블록이 7개마다 정확히 한 번씩 등장하고, I 블록 사이 최대 간격은 12개로, S/Z 연속은 최대 4개로 제한됩니다. 분포의 꼬리(극단적 가뭄)를 잘라낸 것입니다.

여기서 흔한 오해를 바로잡자면, 7-bag 은 1980년대 원조 테트리스의 방식이 아닙니다. 봉지 개념은 The New Tetris(N64, 1999)에서 63-bag(각 블록 9개) 형태로 처음 등장했고, 7-bag 은 Tetris Worlds(2001) 이후 테트리스 가이드라인(Tetris Guideline) 으로 표준화되었습니다. (참고로 Arika 의 TGM 시리즈는 “최근 4개 블록 기록"을 보는 또 다른 방식을 씁니다.)

3.4 경제 설계의 실패 — 디아블로 3 의 경매장과 전리품#

디아블로 3(2012)는 런칭 시 현금 경매장(Real Money Auction House, RMAH) 을 도입했다가, 게임의 근간인 “전리품 파밍의 재미"를 스스로 망가뜨린 사례로 남았습니다. 문제의 핵심은 아이템 시스템이 경매장을 전제로 밸런싱 되었다는 점입니다. 최고 난이도(Inferno)가 “직접 파밍하는 것보다 경매장에서 사는 게 빠르도록” 튜닝되면서, 몬스터를 잡아 좋은 아이템을 얻는 핵심 보상 루프가 단락(short-circuit)되어 버린 것이죠.

디렉터 Jay Wilson 은 GDC 2013 에서 경매장이 “게임을 정말 해쳤고(really hurt the game)”, “아이템 보상을 망가뜨렸다"고 인정했습니다. 결국 경매장은 2014년 3월 폐쇄되었고, 전리품 시스템을 전면 개편한 Loot 2.0(패치 2.0.1)과 확장팩 Reaper of Souls 가 게임을 되살렸습니다. 교훈: 드랍률이라는 숫자 하나가 아니라, 그 숫자를 둘러싼 경제 시스템 전체가 보상의 체감을 결정한다.

3.5 과잉의 실패 — 하스스톤의 “RNG 가 너무 많다”#

하스스톤 은 출력 무작위성이 너무 많을 때 어떻게 되는지 보여줍니다. 대표적인 카드가 요그사론(Yogg-Saron, Hope’s End)(2016)입니다. 그 게임에서 시전한 주문 수만큼 무작위 주문을 발동하는 이 카드를, Blizzard 스스로 “우리가 만든 가장 논쟁적인 카드” 라고 칭했습니다. 한 장의 카드가 승패를 통째로 무작위에 맡기다시피 했기 때문입니다(이후 너프됨). 그 이전의 닥터붐(Dr. Boom)(2014) 역시 “닥터붐을 뽑느냐 마느냐"가 게임을 가르는 폭발적 변동성으로 악명 높았습니다.

여기서 배울 점은 변동성의 총량 관리 입니다. 적당한 무작위는 양념이지만, 플레이어의 실력 표현 공간을 통째로 덮을 만큼 커지면 게임은 “내가 잘해서 이긴” 느낌을 잃습니다. (플레이어들이 무작위의 신을 “RNGesus"라고 부르며 자조하는 슬랭이 괜히 생긴 게 아닙니다.)

3.6 규제의 실패 — 가챠와 확률 공개#

가챠의 무작위 수익화는 결국 각국 정부의 개입을 불렀습니다.

  • 일본 “컴플리트 가챠(コンプガチャ)” 금지(2012): 무작위 아이템의 세트를 완성 해야 특별 보상을 주는 방식으로, 수집가의 비용을 무한정 끌어올리는 함정이었습니다. 일본 소비자청은 2012년 이를 위법으로 판단했는데, 주목할 점은 도박법이 아니라 경품표시법(부당경품류 및 부당표시 방지법) 위반으로 규제했다는 점입니다(흔한 오해 주의).
  • 중국 확률 공개 의무화(2017): 중국은 2017년 5월 1일부터 모든 무작위 아이템의 이름·속성·획득 확률 을 공개하도록 의무화했습니다. 확률 공개를 법으로 강제한 최초의 사례입니다.

이 흐름이 오늘날 거의 모든 가챠 게임이 확률을 공개하고 천장 시스템 을 갖추게 된 직접적 배경입니다.

3.7 구현의 실패 — 섞기 알고리즘의 보안 구멍#

랜덤성의 실패는 디자인뿐 아니라 코드 레벨 에서도 일어납니다. 가장 유명한 사례가 1999년 온라인 포커 사이트 PlanetPoker 의 셔플 취약점입니다. 보안 연구자들(이후 Cigital 이 되는 회사)이 공개된 셔플 코드를 분석했는데, 덱을 섞는 난수의 시드가 “자정 이후 경과한 밀리초” 였습니다. 즉 가능한 덱이 8640만 가지로 제한되어 있었던 것이죠. 연구자들은 자신의 시계를 서버와 동기화하고, 화면에 보이는 카드 5장만 알면 후보 시드를 약 20만 개 로 좁혀 실시간으로 전체 카드를 알아낼 수 있었습니다.

또 다른 단골 실수는 잘못 구현된 Fisher–Yates 셔플 입니다. 교환 대상을 “남은 카드 범위"가 아니라 “덱 전체 범위"에서 고르면, 모든 순열이 균등하게 나오지 않습니다(카드 3장이면 27가지 경우의 수가 6가지 순열로 균등하게 나뉘지 않습니다). 코드는 돌아가지만 통계적으로 편향된, 발견하기 어려운 버그입니다.

3.8 신뢰의 실패 — “이 게임은 조작됐다”#

마지막 유형은 다소 역설적입니다. 실제로는 공정한데 플레이어가 조작이라고 믿는 경우입니다. MTG Arena 의 셔플러는 끊임없이 “조작 의혹"에 시달렸지만, 대규모 데이터 분석 결과 사실상 무작위로 작동함이 확인되었습니다(보도에 따르면 Fisher–Yates + Mersenne Twister 기반). 즉 문제는 알고리즘이 아니라 인간이 진짜 무작위의 뭉침을 견디지 못한다 는 데 있었습니다. 이 신뢰의 실패가 왜 생기는지가 다음 장의 주제입니다.

4. 왜 이런 일이 생기는가: 진짜 무작위는 “조작처럼” 느껴진다#

위 사례들을 관통하는 공통 원인이 있습니다. 인간의 직관은 진짜 무작위를 무작위로 인식하지 못한다 는 것입니다.

게임 밸런스 이론가 Ian Schreiber 의 유명한 사고 실험을 빌리겠습니다. 공정한 동전을 6번 던졌을 때 6번 모두 같은 면이 나올 확률은 약 1/32 입니다. 작아 보이지만, 320만 장이 팔린 게임이라면 첫 플레이 세션에서만 약 10만 명이 이 “말도 안 되는” 연속을 경험하고, “이 게임의 난수는 고장 났다"고 결론 내립니다. 통계적으로는 지극히 정상인 일이, 개별 플레이어에게는 명백한 증거가 되는 것입니다.

이것이 도박사의 오류(gambler’s fallacy) 와 맞물립니다. 독립 사건임에도 “이만큼 안 나왔으니 이제 나올 때가 됐다"고 느끼는 인지 편향이죠. 60번 상자를 까서 안 나왔으면 “다음은 분명히 나온다"고 믿지만, 확률은 매번 그대로입니다.

그래서 노련한 게임 디자이너들은 역설적인 결론에 도달합니다. “공정하게 느껴지려면, 오히려 통계적으로는 덜 무작위하게 만들어야 한다.” 진짜 무작위의 뭉침을 인위적으로 억제하는 것, 이것이 다음 장에서 다룰 도구 상자의 핵심 철학입니다.

5. 실패하지 않기 위한 접근법: 통제된 무작위성의 도구 상자#

여기서는 각 기법을 개념 수준으로 소개합니다(수학적 디테일은 2편에서 깊이 다룹니다). 관통하는 아이디어는 하나입니다. 장기 평균(기댓값)은 그대로 유지하면서, 변동성(분산)과 극단적 streak 만 깎는다.

5.1 의사 난수 분포(Pseudo Random Distribution, PRD)#

Warcraft III 의 DotA 에서 시작되어 Dota 2 가 계승한 기법입니다. 크리티컬·발동 확률 등에서 연속(streak)을 줄이기 위해, “마지막 발동 이후 N번째 시도에서의 확률"을 P(N) = C × N 으로 정의합니다. 시도할 때마다 확률이 점점 올라가다가 성공하면 0으로 리셋되는 방식입니다.

핵심은 상수 C 를 표시된 확률보다 낮게 설정한다는 점입니다. 그래야 장기 평균이 명목 확률과 일치합니다. 예를 들어 “25% 강타"는 매 타격 25%가 아니라, C ≈ 8.5%로 설정해 첫 타에 ~8.5%, 둘째 타에 ~17%… 식으로 오르다가 약 12타째에 확정됩니다. 화면의 “X%“는 매번의 확률이 아니라 평균값 이라는 발상의 전환입니다. (단, 구체적인 C 상수 값들은 Valve 가 공개한 게 아니라 커뮤니티가 역산한 것입니다.)

5.2 천장 시스템(pity / bad-luck protection)#

“아무리 운이 나빠도 N번 안에는 보장한다"는 안전장치입니다.

  • 하스스톤 은 확장팩당 40팩 이내에 전설 카드를 보장하고, 새 확장팩 첫 10팩 안에 전설 1장 이상을 보장합니다.
  • 원신(Genshin Impact) 의 캐릭터 한정 배너는 공식 기준으로 5성 기본 확률 0.6%, (소프트 천장 포함) 종합 평균 1.6%, 하드 천장 90회, 그리고 50/50(한정 배너 5성이 픽업 캐릭터일 확률 50%, 빗나가면 다음 5성은 픽업 확정)을 운영합니다. 최악의 경우 픽업 캐릭터 확정까지 최대 180회가 필요한 구조입니다. (소프트 천장이 시작되는 ~74회 지점은 공식 수치가 아니라 데이터마이닝으로 추정된 값입니다.)

천장은 6장에서 볼 기하분포의 긴 꼬리 를 강제로 잘라내는 장치라고 이해하면 정확합니다.

5.3 셔플백(shuffle bag) / 봉지 무작위화#

3.3에서 본 테트리스 7-bag 이 대표적입니다. 게임 밖의 사례도 흥미롭습니다. Spotify 는 2010년 출시 당시 진짜 무작위(Fisher–Yates) 셔플을 썼는데, 같은 아티스트 곡이 뭉쳐 나온다는 불만이 빗발쳤습니다. 그래서 2014년 엔지니어 Lukáš Poláček 이 같은 아티스트 곡을 의도적으로 고르게 분산 시키는 알고리즘을 도입했습니다. 정확히 “더 무작위하게 느껴지도록 덜 무작위하게 만든” 사례입니다. (널리 퍼진 “스티브 잡스가 아이팟 셔플을 덜 무작위하게 만들었다"는 이야기는 출처가 불분명한 일화이니 걸러 들으시길 권합니다.)

5.4 약화된 무작위성·가중 분포#

출력 범위 자체를 좁히거나, 만족스러운 결과 쪽으로 가중치를 주는 기법입니다. Schreiber 의 표현을 빌리면 “75%라고 말하고 95%로 굴린다"는 식입니다. 파이어 엠블렘 의 2RN 시스템이 좋은 예입니다. 0~99 난수를 두 번 뽑아 평균을 내면 결과가 50 근처로 모입니다. 그 결과 표시 명중률이 50% 이상이면 실제 명중률은 그보다 높고, 50% 미만이면 더 낮아집니다. 99% 표시일 때 1RN 은 100번에 1번 빗나가지만 2RN 은 1만 번에 1번꼴로 빗나갑니다. 플레이어의 직관(“높으면 거의 맞겠지”)에 수치를 맞춘 것입니다.

5.5 시드 고정 RNG — 재현성과 공정성#

난수의 시드를 고정하면 동일한 무작위 시퀀스를 재현할 수 있습니다. 스펠렁키 의 “데일리 챌린지"는 전 세계에 같은 시드를 주고 단 한 번의 도전 기회만 부여해, 운이 아니라 실력을 비교하게 만듭니다. Slay the Spire, Balatro 등도 시드 기반 경쟁과 검증 가능한 플레이를 지원합니다. e스포츠의 공정성, 버그 재현, 리플레이 검증에 모두 핵심적인 기법입니다.

6. 알아야 할 수학·컴퓨터과학 기초#

이 도구들을 제대로 다루려면 결국 확률·통계의 기본기가 필요합니다. 1편에서는 “무엇이 왜 중요한지” 지도를 그리는 데 집중하고, 구체적인 계산은 2편에서 다룹니다.

개념 게임에서의 의미
독립 사건 각 전리품 굴림은 과거와 무관(기억 없음). P(A∩B)=P(A)P(B)
기댓값(EV) “한 번 깔 때 평균 몇 골드?” E[X]=Σ x·P(x)
분산·표준편차 평균 DPS 가 같아도 분산이 다르면 체감이 전혀 다름
균등분포 공정한 주사위·카드 한 장 뽑기
이항분포 “10연차에서 5성 몇 개?” C(n,k)pᵏ(1-p)ⁿ⁻ᵏ
기하분포 “첫 드랍까지 몇 번?” — 가장 중요
음이항분포 “원하는 아이템 k개 모으려면 몇 번?”
큰 수의 법칙 한 판은 들쭉날쭉해도 전체는 설정 확률에 수렴
몬테카를로 닫힌 식이 어려우면 수백만 번 시뮬레이션으로 추정
게임이론 가위바위보에 왜 무작위가 필요한가
마르코프 체인 다음 상태가 현재 상태에만 의존

특히 기하분포(geometric distribution) 는 게임에서 가장 자주 등장합니다. “성공 확률 p 인 시도를 첫 성공까지 반복할 때 필요한 횟수"를 다루기 때문입니다(시도 횟수 기준 표기에서 E[X]=1/p). 드랍률이 2%인 아이템이라면 기댓값은 50번이지만, 중앙값은 약 34번 이고 꼬리가 매우 깁니다. 어떤 사람은 100번을 넘겨도 못 얻습니다. 천장 시스템이 잘라내는 게 바로 이 긴 꼬리입니다. (주의: 기하분포·음이항분포는 “시도 횟수” 기준과 “성공 전 실패 횟수” 기준 두 가지 표기법이 있어, 공식을 인용할 때 어느 쪽인지 반드시 확인해야 합니다. 2편에서 자세히 다룹니다.)

게임이론도 빼놓을 수 없습니다. 가위바위보에는 순수 전략 내쉬 균형이 없습니다. 어떤 결정론적 선택이든 카운터당하기 때문입니다. 무차별 원리(indifference principle)로 계산하면 유일한 내쉬 균형은 (1/3, 1/3, 1/3), 즉 세 손을 똑같이 무작위로 내는 것 입니다. 최적 플레이가 무작위화를 요구 하는 것이죠. 이것이 격투 게임의 심리전, 카드 게임의 블러핑이 작동하는 수학적 근거입니다.

마지막으로 마르코프 체인 의 재미있는 예. 모노폴리 보드는 마르코프 체인으로 모델링할 수 있는데, 정상 분포를 계산하면 감옥(Jail)이 가장 많이 머무는 칸(약 5.9%) 이고, 그 덕분에 감옥에서 6~9칸 떨어진 주황색 부동산들이 통계적으로 가장 자주 밟히는 알짜 자산이 됩니다. 무작위 주사위 속에도 숨은 구조가 있다는 좋은 예시입니다.

7. 게임 밸런싱 검증 테크트리 (de-facto)#

마지막으로, 실패하지 않기 위해 업계가 실제로 밟는 검증 단계를 사다리 형태로 정리합니다. 아래로 갈수록 비용과 정교함이 올라갑니다.

flowchart TD
    A["1. 스프레드시트 모델링<br/>EV·DPS·비용 곡선"] --> B["2. 몬테카를로 시뮬레이션<br/>수백만 회 무작위 시행"]
    B --> C["3. 플레이테스트<br/>전담 팀의 정성 평가"]
    C --> D["4. 텔레메트리·분석<br/>실제 플레이 데이터 수집"]
    D --> E["5. A/B 테스트<br/>통계적 유의성 검증"]
    E --> F["6. AI 자가 대전 시뮬레이션<br/>에이전트 기반 대규모 검증"]
    F --> G["7. 데이터 기반 라이브 밸런싱<br/>출시 후 지속 조정"]
    style A fill:#90EE90,color:#000000
    style B fill:#87CEEB,color:#000000
    style C fill:#FFD700,color:#000000
    style D fill:#FFB6C1,color:#000000
    style E fill:#DDA0DD,color:#000000
    style F fill:#F0E68C,color:#000000
    style G fill:#FFA07A,color:#000000

1. 스프레드시트 모델링. 가장 기본이자 가장 많이 쓰이는 도구입니다. 스탯·비용 곡선, 기댓값, DPS 를 표로 계산하고 RAND() 로 간단한 몬테카를로까지 돌립니다. 화려하지 않지만 모든 밸런싱의 출발점입니다.

2. 몬테카를로 시뮬레이션. 닫힌 수식으로 풀기 어려운 복잡한 상호작용을, 무작위 시행을 대량 반복해 추정합니다. David Silver 의 “Monte-Carlo Simulation Balancing”(ICML 2009)이 학술적 기반을 제공하며, 보드게임 디자인에서도 흔히 쓰입니다.

3. 플레이테스트. 숫자가 말해주지 못하는 “체감"을 사람이 직접 검증합니다. Magic: The Gathering 의 제작사 Wizards of the Coast 는 2017년 일련의 밸런스 실패(예: Splinter Twin) 이후 Play Design 전담 팀 을 신설해, 출시 약 1년 전부터 경쟁 환경의 건강성을 테스트합니다.

4. 텔레메트리·분석. 출시(또는 베타) 후 실제 플레이 데이터를 수집합니다. 모범 사례는 Slay the Spire 입니다. 개발사 Mega Crit 은 모든 플레이를 기록하는 분석 서버를 두고, 특히 “카드가 제시됐을 때 선택되는 비율” 과 “승리 덱에 포함된 비율” 이라는 두 지표를 핵심으로 삼아 90개 이상의 그래프로 밸런싱했습니다. 다만 이들도 “숫자는 그게 어떻게 느껴지는지 는 말해주지 않는다"며 Discord 정성 피드백과 병행했습니다.

5. A/B 테스트. 라이브 모바일 게임의 표준 기법으로, 두 버전을 동시에 운영해 차이를 측정합니다. 여기서 통계적 유의성(p-value 와 유의수준 α, 보통 0.05)이 중요하지만, “통계적으로 유의하다"는 것과 “실질적으로 의미 있다”(효과 크기)는 별개임을 늘 유의해야 합니다.

6. AI 자가 대전 시뮬레이션. 최근 대형 스튜디오가 적극 도입하는 단계입니다. Riot 은 Teamfight Tactics 밸런싱에 별도의 경량 시뮬레이터와 신경망 에이전트를 활용한 사례를 GDC 2023 에서 발표했고, Ubisoft 는 Roller Champions 에서 다중 에이전트 강화학습으로 패치 후 1~4일 만에 에이전트를 재학습시켜 밸런싱에 활용한 연구를 공개했습니다. 사람이 수백만 판을 플레이할 수 없으니, AI 가 대신 가상의 메타를 탐색하는 것입니다.

7. 데이터 기반 라이브 밸런싱. 출시 후 지속적 조정 단계입니다.

  • 리그 오브 레전드 는 챔피언을 4개 실력 구간으로 나눠 분석하고, 어느 한 구간에서라도 과하게 강하면 너프, 모든 구간에서 약하면 버프 하는 프레임워크를 운영합니다. 데이터에 주도 되기보다 데이터로 판단을 보강 하는 접근입니다(구체적 수치 기준은 3편에서 다룹니다).
  • 클래시 로얄 은 카드 사용률을 ~5~15% 정도로 건강하게 유지하는 것을 목표로 삼습니다.
  • 하스스톤 은 승률뿐 아니라 사용률(play rate) 까지 함께 봅니다. 적정 강도라도 너무 많이 쓰이면 너프 대상이 될 수 있습니다.

다만 마지막에 경고 하나. 데이터 기반 밸런싱이 만능은 아닙니다. Slay the Spire 2 의 2025년 베타 밸런스 패치는 데이터상 합리적이었음에도 “체감"과 충돌해 24시간 만에 9천 개가 넘는 부정적 리뷰를 받았습니다. 숫자는 강력한 도구이지만, 게임이 어떻게 느껴지는지 까지 말해주지는 않습니다. 4장에서 본 “인식의 문제"가 검증 단계에서도 그대로 되돌아오는 셈입니다.

마치며#

1편을 관통하는 메시지는 하나입니다. 게임의 랜덤성은 수학의 문제이자 동시에 인식의 문제다. 확률을 정확히 계산하는 것만으로는 부족합니다. 진짜 무작위는 뭉치고, 인간은 그 뭉침을 불공정으로 읽습니다. 그래서 좋은 디자인은 기댓값을 보존하면서 변동성과 극단을 다듬고, 그 결과를 데이터와 플레이테스트로 끊임없이 검증합니다.

다음 편에서는 이번에 개념만 짚은 도구들 — 확률 분포(특히 기하·음이항분포), PRD 의 수식, 천장 시스템의 수학적 설계 — 을 직접 계산하며 깊이 파고듭니다. 3편에서는 게임이론과 시뮬레이션 기반 밸런싱으로 이어집니다.

여러분이 가장 “운이 없다"고 느꼈던 게임 속 순간은 어디였나요? 그 순간 뒤에 숨은 수학과 디자인 의도를, 이 시리즈를 통해 다시 보게 되시길 바랍니다.

References#