Clock-BNB

Avant, je pensais que le système de récompense dans le jeu était simple : donner quelque chose, les joueurs sont contents, c'est fini.
Mais après avoir vu comment ça se passait sur Pixels, cette hypothèse s'est effondrée.
On a un peu distribué des récompenses dans tous les sens sans direction claire.
Au début, ça semblait réussi—les joueurs affluaient, l'activité montait.
Mais l'effet s'est estompé très rapidement. En quelques jours, tout est redevenu calme.
C'est là que les doutes ont commencé à apparaître : est-ce que ça construit vraiment quelque chose... ou c'est juste un effet temporaire ?
L'approche que j'ai apprise de Stacked a vraiment renversé ma manière de voir les choses.

Sekilas, dunia di Pixels terlihat ramai. Map terasa hidup, aktivitas ada di mana-mana, dan pergerakan seolah tidak pernah berhenti. Tapi kalau dilihat lebih dekat, muncul pertanyaan yang cukup mengganggu: apakah ini benar-benar ramai oleh pemain, atau hanya terlihat seperti itu?
Kepadatan tidak selalu berarti partisipasi.
Di banyak titik, map memang penuh—karakter bergerak, resource diambil, aktivitas berjalan. Tapi interaksi yang terasa “hidup” justru minim. Tidak banyak percakapan, tidak banyak koordinasi, dan tidak banyak keputusan yang benar-benar terasa seperti hasil dari pemain yang aktif berpikir. Semuanya berjalan, tapi tidak selalu terasa “dihidupkan”.
Ini mengarah ke satu kemungkinan yang sulit diabaikan: sebagian dari aktivitas tersebut bukan berasal dari pemain yang benar-benar terlibat, melainkan dari sistem, pola otomatis, atau perilaku yang sudah terlalu dioptimalkan.
Dalam ekosistem yang berbasis reward, ini bukan hal yang aneh.
Ketika sistem memberikan insentif yang jelas dan bisa diprediksi, pemain (atau bahkan script/automation) akan mengikuti jalur paling efisien. Hasilnya adalah aktivitas yang tinggi secara kuantitas, tapi rendah secara kualitas interaksi.
Map jadi penuh, tapi bukan karena banyak pemain yang benar-benar “bermain”.
Fenomena ini mengubah cara kita melihat metrik “ramai”. Kalau ukuran keberhasilan hanya berdasarkan jumlah aktivitas atau kepadatan map, maka sistem seperti ini akan terlihat sangat sukses. Tapi kalau dilihat dari sisi engagement yang lebih dalam—interaksi sosial, keputusan strategis, variasi aktivitas—gambarnya bisa berbeda.
Di sinilah sistem reward adaptif menjadi relevan.
Kalau reward hanya mengikuti pola tetap, maka pemain akan terus mengulang pola yang sama. Tapi kalau reward mulai berubah berdasarkan kondisi, sistem bisa “memaksa” variasi. Aktivitas yang terlalu padat bisa dikurangi insentifnya, sementara area atau peran yang sepi bisa didorong.
Tujuannya bukan untuk mengurangi aktivitas, tapi untuk mengembalikan kualitas interaksi.
Namun, ini juga bukan solusi instan.
Jika sebagian besar aktivitas memang didorong oleh efisiensi (atau bahkan automation), maka perubahan kecil pada reward belum tentu cukup. Sistem perlu benar-benar memahami perbedaan antara “aktif” dan “terlibat”.
Aktif berarti ada aksi.
Terlibat berarti ada keputusan.
Tanpa keputusan, aktivitas hanya jadi rutinitas.
Dan di titik ini, tantangan sebenarnya muncul: bagaimana membuat pemain tidak hanya hadir, tapi juga berpikir?
Salah satu jawabannya ada pada desain sistem yang memberi konsekuensi nyata pada pilihan. Bukan sekadar reward yang berubah, tapi juga hasil yang terasa berbeda tergantung bagaimana pemain berinteraksi dengan dunia.
Ketika pilihan mulai punya dampak, pemain akan mulai memperhatikan. Ketika perhatian meningkat, interaksi jadi lebih bermakna. Dan ketika itu terjadi, “keramaian” tidak lagi sekadar visual—ia menjadi sesuatu yang benar-benar terasa.
Untuk sekarang, fenomena map penuh tapi minim interaksi ini bisa dilihat sebagai fase transisi. Sistem sedang bergerak dari model lama menuju sesuatu yang lebih kompleks.
Pertanyaannya bukan lagi apakah map itu penuh atau tidak.
Tapi siapa yang benar-benar ada di dalamnya—dan seberapa banyak dari mereka yang benar-benar bermain.

#pixel $PIXEL @pixels

Au départ, je croyais que le tokenomics était la base essentielle des jeux Web3. Tout semblait solide sur le papier—les chiffres de balance, le flux d'approvisionnement, jusqu'à la distribution des récompenses. Mais dès que j'ai rencontré des données en direct, l'image a immédiatement changé.
Dans Pixels, la réalité fait un petit clin d'œil.
On commence par une hypothèse. On imagine que les joueurs vont suivre un certain chemin, en suivant la boucle qu'on a conçue. Théoriquement, ça a du sens. Mais les joueurs ne jouent jamais selon la théorie—ils jouent selon l'efficacité.
C'est là que tout a commencé à bouger.

Saya menghabiskan 3 minggu untuk mempelajari bagaimana Pixel beroperasi, dan hal yang paling mengejutkan adalah bagaimana sistem LiveOps mulai berkembang. Ini sudah tidak lagi terasa seperti studio yang “mendesain ekonomi game” secara tradisional. Sebaliknya, ini terasa seperti sebuah sistem yang terus menyesuaikan dirinya, di mana studio lebih berperan sebagai penyetel perilaku daripada pembuat aturan tetap.
Dalam struktur seperti ini, risiko tidak benar-benar hilang. Ia hanya berpindah dan tersebar ke berbagai lapisan sistem. Pergeseran ini kemudian memunculkan pertanyaan yang lebih dalam: sebenarnya siapa yang memegang tanggung jawab?
Di ekosistem Pixels, ekonomi tidak lagi sekadar elemen pendukung gameplay. Ia sudah menjadi inti operasional, di mana setiap aksi pemain langsung terhubung dengan penciptaan nilai. Semakin besar sistemnya, semakin kecil perubahan perilaku bisa menghasilkan efek berantai yang besar. Risiko tidak lagi melekat pada satu keputusan, tetapi menyebar ke seluruh struktur feedback.
Stacked hadir sebagai lapisan koordinasi di atas sistem tersebut. Ia tidak menggantikan studio, tetapi ikut terlibat dalam distribusi reward secara real-time. AI di dalamnya mengamati perilaku pemain, mendeteksi sinyal churn, lalu menyesuaikan insentif secara berkelanjutan. Keputusan tidak lagi bersifat titik tunggal, melainkan berubah menjadi aliran yang terus berjalan.
Dalam ekonomi game tradisional, risiko lebih mudah dilacak. Satu kesalahan desain bisa diidentifikasi sebagai penyebab utama, dan tanggung jawabnya jelas. Ada titik kegagalan yang bisa ditelusuri.
Namun ketika AI mulai masuk ke LiveOps, struktur itu berubah. Tidak lagi ada satu keputusan besar dengan satu dampak besar, melainkan ribuan penyesuaian kecil yang terjadi secara bersamaan. Setiap penyesuaian masuk akal dalam konteksnya masing-masing—reward meningkat pada kelompok dengan risiko churn tinggi, dan menurun pada kelompok yang stabil. Tidak ada langkah yang tampak salah secara langsung, tetapi sistem perlahan bergeser.
Intinya, risiko tidak hilang—ia menjadi tersebar. AI tidak menciptakan kegagalan besar yang terlihat jelas, melainkan deviasi kecil yang terus berlangsung. Secara jangka pendek, metrik bisa terlihat sehat: retensi naik, LTV stabil. Namun sinyal jangka panjang menjadi lebih sulit terlihat dan perlahan terabaikan.
Dalam skala besar, hal ini semakin jelas. Lebih dari 200 juta reward telah didistribusikan di ekosistem Pixels, dengan pendapatan lebih dari $25 juta. Ini menunjukkan bahwa sistem ini sudah bukan lagi tahap eksperimen, melainkan ekonomi yang benar-benar berjalan dengan konsekuensi nyata. Dan pada skala seperti ini, deviasi kecil tidak lagi terlihat sebagai anomali, tetapi berubah menjadi pola.
Dari sini muncul pertanyaan yang sulit dihindari: ketika AI mengoptimalkan sistem sesuai tujuan yang ditentukan, tetapi hasil jangka panjangnya menyimpang dari ekspektasi awal, di mana sebenarnya letak kesalahannya? Tidak ada bug yang jelas, tidak ada kegagalan sistem. Yang ada hanya jarak antara apa yang dioptimalkan dan apa yang sebenarnya diinginkan.
Dalam struktur ini, Pixel bukan sekadar token reward. Ia menjadi lapisan insentif lintas game, di mana nilai tidak lagi terbatas pada satu ekosistem saja. Ketika reward menghubungkan banyak game sekaligus, maka loop feedback juga ikut meluas—dan begitu juga risiko yang menyertainya.
Pada titik ini, tanggung jawab mulai terpecah. Studio menetapkan tujuan, AI menjalankan optimisasi, dan metrik memvalidasi hasil. Setiap bagian bekerja dengan benar dalam batasnya masing-masing, tetapi tidak ada satu pun yang benar-benar melihat dampak jangka panjang secara utuh.
Paradoksnya adalah: semakin efisien sistemnya, semakin sulit untuk melihat penyimpangan. Optimisasi real-time membuat kegagalan besar menjadi tidak terlihat. Yang tersisa hanyalah perubahan kecil yang bergerak perlahan—terlalu halus untuk langsung dianggap masalah.
Ini bukan tentang AI menggantikan manusia, atau manusia kehilangan kontrol sepenuhnya. Ini tentang sistem di mana risiko tidak lagi terkonsentrasi cukup kuat untuk terlihat jelas. Semua tetap berjalan sesuai metrik yang ada—dan justru itu yang membuat pertanyaan tentang tanggung jawab menjadi semakin sulit dijawab.
@Pixels #pixel $PIXEL

Dulu gua ngira reward di game itu hal paling simpel: kasih hadiah, player senang, selesai. Tapi di Pixels, asumsi itu runtuh pelan-pelan.
Kita sempat sebar reward ke banyak sisi. Awalnya kelihatan berhasil—hari pertama ramai, hari kedua masih ada aktivitas, tapi masuk hari ketiga, map mulai sepi lagi. Di titik itu muncul satu pertanyaan yang nggak enak: ini reward beneran bikin dampak, atau cuma efek rame sementara?
Di situ pendekatan Stacked mulai ngubah cara kita baca reward. Fokusnya bukan lagi “berapa banyak yang dikasih”, tapi “apa yang berubah setelahnya”.
Setiap campaign jadi punya jejak yang jelas. Siapa yang dapat, kapan mereka dapat, dan alasan kenapa mereka dipilih. Bukan lagi distribusi acak yang akhirnya susah dilacak efeknya. Jadi kalau ada yang gagal, kita bisa lihat sumber masalahnya, bukan sekadar asumsi.
Lalu kita mulai lihat perilaku player lebih dalam. Ada yang sebelum reward cuma login sekali sehari, setelah reward jadi sering masuk, bahkan sampai tiga kali. Tapi ada juga yang sama sekali nggak berubah. Dari situ mulai kelihatan: mana reward yang benar-benar menggerakkan behavior, mana yang cuma lewat tanpa efek.
ROI juga jadi lebih kebaca. Ada reward yang berhasil “menghidupkan” satu tipe player, tapi gagal total di tipe lain. Dulu semua kelihatan sama karena datanya bercampur. Sekarang perbedaannya jelas banget.
Pernah ada kasus reward crafting. Ekspektasinya jelas: dorong aktivitas crafting. Tapi yang naik justru trading hasil crafting, bukan proses crafting itu sendiri. Secara angka terlihat sukses, tapi secara desain, itu melenceng dari tujuan awal.
Hal paling penting yang berubah adalah cara kita lihat cohort. Reward yang efektif untuk pemain baru belum tentu relevan buat whale, dan sebaliknya. Dulu semuanya disamaratakan, sekarang nggak bisa lagi pakai pendekatan itu.
Dari situ satu hal jadi jelas: reward bukan sekadar alat untuk bikin ramai. Kalau nggak bisa diukur dampaknya, itu bukan strategi—itu cuma distribusi hadiah.
Dan di game yang hidup seperti Pixels, itu bisa jadi kesalahan mahal.
Pertanyaannya tetap sama: ini reward beneran ngubah sesuatu, atau cuma bikin ramai sebentar?
Dan waktu itu… jawabannya belum tentu ada.
@Pixels $PIXEL #pixel

Au début, je voyais aussi le churn dans Pixels comme quelque chose de noir ou blanc : si un joueur arrête de se connecter, c'est fini. Mais en y regardant de plus près, en fait, c'est juste le résultat final — pas le processus.
Ce qui se passe souvent est en fait plus subtil. Les joueurs ne partent pas directement, mais commencent à perdre leur cap. Ils se connectent toujours, mais leurs interactions deviennent de plus en plus rares. Les quêtes sont abandonnées, les sessions de jeu ne se poursuivent pas, et le temps passé devient de moins en moins cohérent.
En termes de chiffres, ils restent 'actifs', mais en comportement, ils commencent déjà à s'éloigner.
Ici, l'approche Stacked commence vraiment à montrer la différence. Ils ne prennent pas le 'dernier login' comme référence principale. Ce qui est analysé, c'est plutôt le parcours initial du joueur — de la phase D1 à D30 — car c'est là que le schéma commence à se former.

Dans Pixels, beaucoup pensent que le churn est un événement instantané : aujourd'hui on se connecte, demain on disparaît. Fini. Mais en y regardant de plus près, la réalité est bien plus nuancée—les joueurs ne 'partent' pas vraiment, ils 's'effacent' plutôt.
Toujours dans le game, mais commence à être sélectif sur les activités. Les quêtes sont sautées. L'énergie est dépensée, mais aucun session de suivi. La fréquence devient de plus en plus espacée. Techniquement encore actif, mais comportementalement, il commence à décrocher.
À ce stade, l'approche Stacked devient intéressante car ils n'attendent pas la fin du cycle. Ils lisent la phase initiale—D1 à D30—comme fondation. Pendant cette période, les habitudes se forment, les attentes se dessinent, et la direction des joueurs commence à se voir.