Dos tipos de “arreglado”
Un arreglo de síntoma hace desaparecer el fallo visible. Un arreglo de causa raíz quita la condición que lo produjo. Ambos pueden verse idénticos en un playtest de cinco minutos. Divergen la próxima vez que el jugador toma un camino un poco distinto, recarga un save o abre un menú que el parche nunca contempló.
La producción AI-native abarata el arreglo barato. Un modelo suele proponer el cambio de texto más pequeño que satisface el prompt: clampear un número, saltar una rama, desactivar un input, atrapar una excepción y seguir. Eso puede ser una guarda de último recurso. No es un diagnóstico.
El costo aparece después: un diálogo que no se puede clickear porque el look-input sigue capturado, un contexto GPU que vuelve vacío, un número de supervivencia escrito por dos dueños, una ficha de Steam que no coincide con el build. Esas son categorías de incidentes reales de CONTRABAND. Este ensayo no los volverá a contar. Insistirá en que uses las mismas preguntas en el siguiente fallo, incluidos los que el modelo tiene ganas de “parchear ya.”
Un método que se puede evidenciar
Martinez AI Studios Academy solo publica un caso de CONTRABAND cuando el incidente puede responder un conjunto fijo de preguntas: qué vio el jugador, por qué importó al jugar, cómo reproducirlo, qué sistema era dueño del comportamiento, qué supuesto estaba mal, cuál fue la causa raíz, cuál fue el arreglo honesto más pequeño, qué regresión lo volvería a atrapar y qué debería recordar un check de release.
Esa plantilla es la enseñanza. Es más lenta que “pídele al modelo que lo arregle.” También es cómo evitas que un juego comercial acumule escritores invisibles. Esta página no copia esos cuerpos de incidente. Los textos verificados viven en el hub de casos. Úsalos como ejemplos trabajados del método, no como una segunda copia de este ensayo.
Si un tema todavía no puede responder cada sección, permanece sin publicar. Por eso el conjunto público es de cinco incidentes, no de cien. La calidad es el punto. Una página delgada que solo repite “causa raíz” para rankear violaría la misma disciplina que los casos intentan enseñar.
Dónde aparece el método
El conjunto público es pequeño a propósito: estado y distancia de llegada, pointer-lock frente a diálogo, lifetime de contexto WebGL, progresión de supervivencia y gates de release en Steam. Cada uno es una superficie distinta. La lección compartida no es “aquí hay un snippet ingenioso.” Es “no te detengas en el primer píxel rojo.”
Si te tienta escribir un tutorial general de WebGL parafraseando el caso de lifecycle de contexto, no lo hagas. El caso es la autoridad de ese incidente. Si te tienta tratar la publicación en Steam como una vibra en vez de una lista de gates, lee el caso de release y vuelve al mapa de producción del curso insignia — que sigue siendo un mapa, no una serie de clases terminadas.
Usar IA sin lavar el diagnóstico
Es legítimo pedirle a un modelo hipótesis, términos de búsqueda o un primer parche. No es legítimo saltarse reproducción, ownership e impacto en el jugador porque el parche compiló. Quien dirige el trabajo sigue teniendo que decir si el fallo fue dato, control flow, lifecycle o una regla equivocada.
Los tests de regresión protegen una clase conocida de error. No prueban que el juego sea divertido. Jugar sigue siendo obligatorio. La Academy no fingirá que una suite en verde es un producto publicado, y no inventará headcount de QA ni porcentajes de cobertura que este proyecto no haya publicado.
Qué leer después
Si necesitas la filosofía debajo de este método, empieza por qué es — y qué no es — el desarrollo AI-native. Si necesitas la pregunta de arquitectura que hace posible la causa raíz, lee quién diseña el sistema. Luego abre el hub de CONTRABAND y elige un incidente. Léelo como practicante, no como turista coleccionando keywords.
Las 170 lecciones del curso insignia se leen gratis. Puedes apoyar la Academy en Stripe de forma opcional. Ninguno de los casos es un gate de pago. Existen para que la Academy enseñe desde un proceso real sin convertir los postmortems en avisos publicitarios.