
本宣言由IWGB游戏工人分会成员,联合爱尔兰Game Workers Unite Ireland、西班牙CSVI以及意大利米兰FIOM-CGIL工会委员会成员共同撰写。
引言与目标
我们是一群来自欧洲的电子游戏工会和职工委员会。撰写此宣言旨在提高业界对生成式人工智能(GenAI)在游戏开发领域所带来危害的认知。
目前,生成式AI正在损害游戏行业、从业人员及其作品。若不加遏制,这种损害将持续加剧,波及更多从业者、游戏作品及玩家。
我们的目标是揭示生成式AI对劳动力构成的风险,为从业者、利益相关方和监管机构制定行动指南,以减少乃至消除这些危险。
范围界定
本宣言聚焦于电子游戏开发领域的生成式AI,其用途包括但不限于:
- 创作包含在游戏发布版本中并由玩家体验的资产(如美术、音效、代码和对白)。
- 创作作为开发流程一部分但玩家不会直接体验的材料(如早期概念艺术、参考素材、预翻译等)。
文中“生成式AI”指利用大型语言模型(LLM)及其他高能耗模型,通过有限输入(通常为文本提示词)生成文本、图片、视频或音乐的一类特定AI。本文不涵盖其更广泛的社会危害(如环境破坏、社区撕裂及对全球南方的剥削),但这些构成了抵制其使用的其他有力理由。
本文档重点在于游戏行业从业者将如何受到影响,以及我们如何抵抗。
生成式AI的多重影响
工作条件恶化
- 生成式AI直接或间接取代从业者。
- 许多从业者被迫使用生成式AI,无论明示或暗示。
- 相较于传统工作方式,使用生成式AI缺乏吸引力、成就感和教育意义。
- 长期使用导致疲劳、认知能力下降和职业倦怠。
- 剥夺从业者的主人翁感。
- 行业内初级职位显著减少,造成新人才匮乏。
支持者声称AI是赋能工具,但这前提是每位从业者能自由选择是否、何时及如何使用,且雇主将生产力提升惠及员工。然而现实并非如此。
在许多工作场所,从业者被迫以特定方式使用AI,或面临无论是否使用都难以达到的期望值。允许选择使用,却要求跟上自动化流程的步伐,并非真正的选择。
使用AI使工作变得更加繁重和枯燥,从发挥专业技能转向监督AI输出及修复错误。从业者报告出现“AI大脑宕机”,注意力集中度降低。虽然初期可能因新奇感而提升速度,但随着新奇感消退,生产力下降,认知疲劳和决策能力受阻随之而来。
研究显示,频繁使用AI的参与者倾向于接受系统性错误结果,即便面对激励和反馈也是如此。这一过程被称为“认知投降”,即用户习惯于将自主权和决策权外包给外部方。
此外,AI剥夺了从业者的主人翁感,使其与劳动成果疏离。AI不成比例地用于传统上由初级工作者完成的任务,直接减少了初级职位数量,加剧新人就业困难,从行业可持续发展角度看极为短视。
生成式AI通过减少工作的可用性和吸引力,对从业者产生深远负面影响。游戏最好由人制作,人在健康且与工作紧密相连、不断磨练技能时,能发挥最佳水平。
损害劳资关系
- AI向雇主推销的理念是作为从业者的替代方案。
- 雇主使用AI制定政策、时间表等,往往增加从业者压力。
- AI可能被雇主用来推卸责任。
AI承诺以更少人力完成工作,直接减少就业机会。在某些情况下,从业者甚至被迫训练随后取代自己的模型。
AI界面拟人化且取悦用户,可能导致雇主在制定政策时提出不合理要求,导致任务扩张和工作条件恶化。此外,雇主与从不拒绝的AI互动后,对从业者的批评变得不敏感。
AI还模糊了雇主的问责制:雇主可将错误归咎于“工具”,或将AI引发的问题归咎于从业者。由于严格人工验证耗时,许多雇主选择跳过,导致从业者因AI输出失败而受责。
雇主将AI视为削减成本手段,雇佣更少员工。AI公司通过承诺不可能实现的预期讨好雇主,而AI犯下的错误往往由从业者承担。
侵占劳动成果
- AI模型通常在窃取第三方数据基础上训练,雇主未对原始创作者给予署名或补偿。
- 即使基于内部数据训练,员工/创作者也很少获得署名或补偿。
正如一家AI公司所有者所言,没有盗窃数据就“不可能”创建此类模型。雇主往往认为有权不经同意和额外补偿就将员工贡献纳入内部数据集。
生成式AI并不创造,它只是侵占。其输出源于人类劳动,而这些劳动者很少因此获得报酬。
助长歧视
- 大多数AI模型在具有内在排他性西方偏见的数据集上训练,限制多样性,边缘化非主导语言、文化和民族。
- AI内容平均化训练数据,导致文化同质化。
AI在海量未经审查的历史数据上训练,可能反映陈旧观点和价值观,产生中庸解决方案。历史数据中某些人群的突出或缺失,会强化AI输出中的偏见,如默认医生角色为白人男性。
在游戏行业,这可能加剧职场歧视(如招聘),并减少创作媒体中的代表性范围,导致游戏人物和观点同质化。
生成式AI复制历史和当代偏见,可能导致隐性或显性的歧视,包括种族主义、性别歧视等。
隐藏成本与垄断
- AI输出不可靠且经常错误。
- 提供商模糊成本、内部运作和局限性。
- 提供商旨在孤立和垄断知识,以便出售给企业。
提供商掩盖环境、心理健康等相关成本,影响从业者做出知情选择。随着对AI工作原理理解的加深,其平均使用率往往下降。
提供商向雇主兜售完全自动化的未来,实则把持可转移技能。一旦模型训练完成,“拥有者”便掌控了此前由从业者共享的技能。这对从业者和依赖第三方提供商的雇主均不利,因为垄断后价格不太可能保持竞争力。
生成式AI提供商旨在用企业对模型的依赖取代对从业者的依赖。当前低价买入承诺的公司,未来可能后悔。而从业者会更早感到后悔。
行动建议
给从业者的建议
- 尽可能避免使用生成式AI服务。
- 发出声音:与AI使用划清界限,质疑并表达不满,与同事讨论风险,向雇主说明拒绝理由,支持发声同事。
- 避免因膨胀期望而精疲力竭,不以不切实际节奏工作。
- 学习识别AI内容,避免无意中在使用。
- 从公正来源获取公司信息并与同事分享。
- 要求工人代表就AI使用谈判协议,加强拒绝使用的保护,或成立委员会评估违规行为。
- 组织起来,加入工会。
给雇主的建议
- 倾听员工和客户,让员工参与AI政策制定,由从业者决定如何使用工具。
- 完全避免使用生成式AI:确保无人被要求使用,即使在早期开发和原型制作阶段也应在行为准则中禁止。若无法避免,必须精确标注使用情况。
- 尊重问责链条,管理者对团队产出负责。
- 告知从业者AI的负面后果,信息来源应为公正渠道。
- 安排培训,让从业者了解AI的真实局限和能力。
- 不将员工劳动用作训练数据。若使用,须获明确同意,给予公平补偿,并允许撤回作品。
给玩家的建议
- 支持未使用生成式AI制作的游戏。
- 表达对游戏中使用AI的不满,留下评论、制作视频、呼吁改变。
- 学习识别AI内容,以便避开。
给监管机构的建议
我们赞同科技工人调查小组提出的建议,并补充:
- 严禁在未获明确许可、同意及公平补偿的情况下,将个人工作提交到任何生成式AI数据集中。
- 任何可接受的提交必须针对透明数据集,从业者必须能够随时撤出内容。
结论:生成式AI违背人性
生成式AI正在恶化我们的工作条件。我们相信,从业者应决定何时、何地以及如何使用该工具。没有人喜欢被迫做有害之事,而许多从业者正被违背意愿地强迫使用AI。
我们没有必要为了制作电子游戏而接受生成式AI的使用;这不是不可避免的。
如果AI如广告所说是有用工具,我们的生活应更轻松,但相反的情况正在发生。工具拥有者推动其正常化和不可或缺,以确保涨价前的锁定。他们才是掌权者,而非从业者甚至工作室CEO。
我们坚信,没有人类就没有电子游戏。它们是我们表达自我、分享知识或观点、娱乐玩家的方式。由概率引擎制作的任何东西都没有意图。如果没有人投入技能、努力、灵魂和时间,谁还会浪费时间去玩?
在当前数据驱动背景下,公司忽视主观的质量。人们想要高质量游戏,想花在开发者倾注心血的作品上。AI使用率未达预期,却被用作大规模裁员借口以取悦股东。我们应思考什么对社会、从业者和玩家有利,而非仅对企业。
没有任何生成式AI能够取代任何艺术作品中的人性。
我们厌倦了股东价值成为行业的一切;厌倦了巨型企业集团在骗局中转移资金;厌倦了人们为最大化利润被解雇;厌倦了被告知接受所谓“对企业有利”的事实。
生成式AI对从业者和游戏都有害。从业者,保护你们的利益。没有集体力量,就不会有游戏制作。组织起来,为权利而战。
常见问题解答 (FAQ)
- 如果大多数同事想使用AI怎么办?
简短回答是肯定的,但应作为集体决定,考虑环境、成本、道德等因素。本文件目的是让人们了解危害,从而减少使用倾向。 - 如果输出质量好怎么办?
这不改变宣言焦点。我们希望改善从业者条件,反对滥用,争取更好所有权。 - 为何谈论AI而非裁员等其他危机?
AI局势发展迅速,产生实际连锁反应。我们鼓励每个人加入这场斗争,解决行业其他问题。 - 如何确定AI输出补偿?
虽有相关研究(如WAGLE等),但具体实施细节不如原则重要。 - 你们是否反对未来?
并非如此。我们相信从业者有权塑造未来。被剥削和过度劳累不是我们愿意接受的未来。未来尚未书写。
参考文献
Azar, J., Gine, M., & Sanz-Espín, J. (2025). The Wage Effects of Generative AI.
Cheng, M., et al. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science.
Francis, B. (2025). Devs are more worried than ever that generative AI will lower the quality of games. Gamedeveloper.
F.Regilme, S. S. (2025). Artificial Intelligence Colonialism. SAIS Review of International Affairs.
Jia, J., et al. (2024). Wagle: Strategic weight attribution for effective and modular unlearning in large language models. NeurIPS.
Ma, Le, et al. (2025). Losing is for Cherishing: Data Valuation Based on Machine Unlearning and Shapley Value. arXiv.
Milmo, D. (2024). 'Impossible' to create AI tools like ChatGPT without copyrighted material, OpenAI says.
Nguyen, T. (2025). What happens when data centers come to town? Ford School University Of Michigan.
Pearl, M., et al. (2025). Artists are losing work, wages, and hope as bosses and clients embrace AI. Blood In The Machine.
Plunkett, L. (2025). An Overwhelmingly Negative And Demoralizing Force’: What It’s Like Working For A Company That’s Forcing AI On Its Developers. Aftermath.
Ranganathan, A., & Ye, X. M. (2026). AI Doesn’t Reduce Work—It Intensifies It. HBR.
Shadmi, K., & Merchant, B. (2025). I was forced to use AI until the day I was laid off. Blood In The Machine.
Shaw, S. D., & Nave, G. (2026). Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. Wharton University of Pennsylvania.
Tully, S., et al. (2025). Lower Artificial Intelligence Literacy Predicts Greater AI Receptivity. Journal Of Marketing.
Zewe, A. (2025). Explained: Generative AI's environmental impact. MIT News.