Julian Gomez

Ein vorheriger Versuch, den Beratungsansatz von VORSPRUNGatwork durch ein Simulationsspiel erfahrbar zu machen, scheiterte trotz 5-stelliger Investition. Das Team war skeptisch gegenüber Game-based Learning. Ich bekam das Projekt ohne diese Vorgeschichte zu kennen.

Iterative Entwicklung mit kontinuierlichem Stakeholder-Feedback. Role-Switching Mechaniken kombiniert mit VUCA-Event-Simulation. Spieler:innen erleben direkt, wie persönliche Haltung und Teamdynamik unter Druck wirken.

Erfolgreich in Corporate Training Sessions eingesetzt. Vom skeptischen Team zum funktionierenden Produkt. Kreative Perspektivenwechsel lösen Probleme, wo konventionelle Ansätze scheitern.

• Persönlichkeit als Basis für Entscheidungen: Behavior Trees und State Machines steuern Agentenverhalten zuverlässig auf Aktionsebene. Warum sich ein Charakter in derselben Situation anders entscheidet als ein anderer, ist dort nicht abgebildet. Entscheidungsverhalten von Agenten (Player/NPCs) weiterzuentwickeln und näher an menschliche Entscheidungsmuster heranzuführen, ist die zentrale Gestaltungsaufgabe.
• Technische Umsetzbarkeit: Ein realistischeres Persönlichkeitsmodell verarbeitet viele Eigenschaften über mehrere Stufen. Das unter den Echtzeitbedingungen eines Spiels umzusetzen, bei begrenzter Rechenleistung und festem Frame-Budget, bestimmt, ob der Ansatz praktisch einsetzbar ist oder theoretisch bleibt.
• Verständlichkeit und Integration: Persönlichkeit in Spielen berührt viele Faktoren gleichzeitig und braucht Anbindung an unterschiedliche Komponenten einer Game Engine. Ein System mit dieser Reichweite trotzdem verständlich und integrierbar zu bauen, ist eine eigenständige Designaufgabe.

• Persönlichkeitsprofil: Jeder Charakter bekommt während der Entwicklung ein Profil aus vier psychologischen Kategorien: emotional, sozial, kognitiv und moralisch. Aus diesem Profil leitet das System seine Entscheidungen ab.
• Selbstständige Interpretation: Ziel ist, dass neue Situationen keine neuen Skripte brauchen, weil der Charakter sie selbst interpretiert.

• Transparenz: Jede Entscheidung gibt eine vollständige Score-Aufschlüsselung aus. Entwickler können Charakterverhalten debuggen und vorhersagen.
• Performance: Das LOD-System stuft die Evaluierungstiefe je nach Relevanz in drei Stufen ab (Full / Reduced / Minimal) und ist auf 200 gleichzeitige Agenten bei 60 fps als Skalierungsziel ausgelegt.
• No-Code-Konfiguration: Das Kernprodukt ist für Konfiguration ohne Code ausgelegt. Charaktere, Kontext und Verbindungen lassen sich über den Unity Inspector einrichten, ohne C#-Kenntnisse vorauszusetzen.
• Erweiterbarkeit: Für eigene Anforderungen gibt es direkten Zugriff auf die Entscheidungslogik. Eigene Evaluatoren, Trait-Definitionen und Algorithmen lassen sich integrieren, ohne den Kern des Frameworks anzupassen.