Al crear un simulador de un juego de cartas, lo primero que apetece es ejecutar miles de partidas. Cien se convierten en mil, mil en diez mil y, de repente, una hoja enorme parece ciencia seria.
Pero hay una trampa: si la política de juego está equivocada, más simulaciones solo calculan con mayor precisión el promedio de una política equivocada.
En nuestro caso, un motor de reglas fijo completó 12.480 partidas y superó bien la auditoría de reglas, pero produjo resultados extremos: Royal alrededor de 79,8% y Witch alrededor de 25,6%. Eso no significa que Royal tenga 80% de victorias en el entorno real. Significa que había que sospechar de la política de juego.
Primera regla: antes de aumentar el número de partidas, comprueba que la CPU realmente sabe jugar.
1. Un simulador no es una sola IA: separa reglas, decisiones y evaluación
Hay al menos tres capas.
- Motor de reglas: decide qué acciones son legales y resuelve daño, objetivos, evolución y efectos.
- Política de juego: elige una acción entre las legales.
- Evaluador: decide si el mazo o la política fueron buenos.
Si se mezclan, cuando algo sale mal no sabes si falló una carta, la IA, el sesgo de primer jugador o la función de puntuación.
Por eso se prueban por separado legalidad, calidad de decisión y calidad de evaluación.
2. Primero el motor de reglas: física antes que inteligencia
Antes de una IA brillante necesitas un mundo coherente.
El motor debe manejar legalidad del mazo, límites de copias, clases, PP, robo, mulligan, límite de mesa, ataques, protección, Storm/Rush, evolución, objetivos, cartas generadas, tokens, mecánicas especiales y condiciones de victoria.
Cada carta o mecánica debe tener estado explícito:
- Full
- Partial
- Unsupported
- Runtime gap
Si una carta no está soportada, es mejor detenerse y decirlo que imprimir un “57,3% de victorias” falso.
3. La IA de juego necesita más que “la mejor jugada ahora”
Los juegos de cartas se ganan pensando en el futuro.
La IA debe valorar mesa, mano, planes a uno-tres turnos, probabilidad de lethal, valor de guardar piezas de combo, recursos de evolución, respuesta probable del rival, riesgo de quemar cartas, espacio de mesa y planes alternativos de victoria.
“Juega algo, baja el cuerpo más grande y pega a la cara” puede funcionar bastante bien en mazos directos. En combo, control y gestión de recursos se rompe rápido.
4. El conocimiento humano debe ser una pista, no una cárcel
Convertir todas las guías en if rígidos crea un robot de manual.
Mejor usar bonificaciones, penalizaciones y prioridades.
Aumenta el valor de un barrido contra aggro, penaliza gastar una pieza de combo demasiado pronto, premia guardar evolución para un turno clave, reduce el sobrecompromiso antes del turno fuerte rival y sube el valor futuro si existe una línea de lethal a dos o tres turnos.
Etiqueta la información por expansión, formato, líder, arquetipo, matchup, primero/segundo, fase, fecha y confianza. Si dos fuentes discrepan, conserva varias políticas candidatas.
5. Una prueba A/B justa da el mismo examen a ambas IAs
Si la IA vieja roba fatal y la nueva roba perfecto, no comparas nada.
Usa la misma semilla aleatoria y después invierte quién juega primero.
seed 001: IA vieja primero / IA nueva segundo
seed 001: IA nueva primero / IA vieja segundo
...
Además de la victoria, registra lethal perdido, cartas quemadas, mesa bloqueada, recursos de evolución malgastados, combo gastado antes de tiempo, mulligan malo y turnos de respuesta rival ignorados.
Hay que detectar el maravilloso caso: “ganó, pero jugó fatal.”
6. ¿Por qué 2.016 partidas? No es numerología, es multiplicación
El número no tiene nada sagrado.
56 celdas de matchup
× 18 seeds
× 2 ejecuciones emparejadas con primero/segundo invertido
= 2.016 partidas
Lo importante es decidir primero la cobertura.
- quick: decenas o cientos, para comprobar que nada está roto;
- standard: unas 2.000, para A/B y matchups principales;
- full: más de 10.000, para estimaciones globales.
Hacer full primero y descubrir después que la IA es tonta es una forma cara de fabricar basura muy precisa.
7. Optimizar un mazo no significa probar todas las combinaciones de 40 cartas
El espacio es demasiado grande. Parte de listas competitivas o públicas y genera vecinos: cambios de una a tres cartas, cantidades, sustituciones por función, techs de matchup y cambios de paquetes enteros.
No optimices solo el promedio. Mira riesgo a la baja, estabilidad primero/segundo y el suelo de los peores enfrentamientos.
El resultado correcto es: “la mejor lista evaluada entre estos candidatos bajo este snapshot, esta política, estos pesos de meta y este presupuesto.”
8. Un diagnóstico vale más que un porcentaje desnudo
Con una lista de 40 cartas y el líder/arquetipo rival, el sistema debería explicar victoria estimada e incertidumbre, diferencia primero/segundo, mulligan, objetivos por fase, condición de victoria, cartas a guardar, prioridad de removal, evolución, respuesta probable rival, líneas de lethal a dos-tres turnos, errores comunes, alternativas y techs.
Ahí el simulador se convierte en entrenador.
9. El incidente Royal 79,8%: quizá “bajar carta y pegar” era demasiado fácil para la IA
La explicación divertida es que los mazos simples y proactivos son más fáciles para una IA inmadura.
Royal puede hacer:
¡bajo seguidor!
¡gano mesa!
¡cara libre!
¡pego!
¡gané!
Mientras una Witch mal diseñada hace:
¿pieza de combo? ¡se puede usar ya! ¡úsala!
¿recurso de evolución? ¡da valor ahora! ¡gástalo!
¿límite de mano? ni idea.
¿dentro de tres turnos? problema de mi yo futuro.
Eso no prueba el meta real. Prueba que cada tipo de mazo exige un nivel distinto de razonamiento a la IA.
10. Diseña para cambios de entorno: el producto final es un laboratorio
Guarda la rotación actual como un entorno versionado.
Environment 8
- card snapshot
- legal card pool
- engine version
- policy version
- meta decks
- human knowledge
- simulation results
Cuando llegue la siguiente expansión, crea el siguiente entorno y calcula diferencias: cartas nuevas, rotación, balance, restricciones, arquetipos, soporte del motor y pesos de meta.
Si solo cambian los pesos, reutiliza la matriz. Si una carta nueva entra en un mazo, vuelve a simular la parte afectada. Si una mecánica no está soportada, bloquea la promoción.
Lo importante es poder rastrear qué reglas, qué política, qué base de cartas, qué seeds y qué entorno produjeron el número.
Y si Royal vuelve a rozar el 80%, antes de coronarlo pregunta:
“¿Este bot cree que todo el juego consiste en bajar una unidad y pegar a la cara?”
