AI 生成洪水之後：

Steam 發現層再商業化與「人工試玩 × AI 內容生產」遊戲策展平台的機會與風險

作者：Neo.K
版本：v0.1 觀察草稿
文件類型：MD 觀察論文／商業模式推演／平台策略筆記

聲明：本文不保真

本文不是正式市場研究報告，也不是投資建議、創業募資文件或可直接作為商業決策的保證性分析。

本文是一篇基於長期玩家經驗、遊戲設計觀察、平台生態理解與 AI 時代內容供給變化所寫成的觀察論文。其目的不是宣稱某一商業模式必然成功，而是提出一個值得研究的問題：

當 AI 與 Agent 使遊戲開發門檻下降，Steam 每日上架遊戲數量持續增加，玩家發現成本與開發者曝光成本同時上升時，一個結合人工試玩、AI 輔助內容生產、資料庫分析與遊戲策展的平台，是否可能成為新的商業機會？

本文認為，這個方向理論上可能成立，但風險極高。
它不是單純「做遊戲媒體」，也不是單純「做 AI 遊戲推薦網站」，而是要在 AI 生成內容洪水中建立一個新的信任型發現層。

若執行失敗，它會變成另一個 AI 洗稿網站、業配平台或低品質內容農場。
若執行成功，它可能成為 AI 時代 Steam 生態外部的重要篩選器、資料庫、媒體品牌與市場情報節點。

摘要

Steam 作為 PC 遊戲最重要的平台之一，長期依賴開放上架、玩家行為、願望清單、評價、標籤、演算法推薦、活動頁面與社群訊號共同構成其遊戲發現機制。然而，隨著 AI 生成內容與 Agent 輔助開發能力提升，遊戲供給側正在快速膨脹。大量 AI-assisted、AI-generated、低成本模板化、資產拼貼式與快速量產的遊戲，可能進一步加劇 Steam 原本就存在的「發現困難」問題。

本文提出一個觀察命題：

未來 Steam 的核心問題之一，不只是遊戲太多，而是玩家越來越難判斷哪些遊戲值得玩，開發者也越來越難讓真正有價值的作品被看見。

在這個背景下，一種新的商業模式可能出現：
建立一個專門追蹤每日 Steam 新遊戲、Demo、新品節、AI 內容揭露、玩家評價、價格、標籤與開發者紀錄的平台；以 AI 進行初步篩選與資料整理，再由真人試玩員進行人工判斷，最後由 AI 輔助生成文章、短影音腳本、推薦榜、避雷榜、週報、月報與市場情報。

這種模式的核心價值不是「玩很多遊戲」，而是建立三種資產：

信任資產；
分類資產；
資料資產。

然而，本文也強調，此模式最大風險正是信任。若平台過度依賴 AI 自動評論、未明確標示業配、濫用退款機制、接受低品質遊戲方付費推廣、忽略資安與內容品質，最終會變成它試圖解決的問題本身。

因此，本文主張：
AI 時代的遊戲策展平台若要成立，必須以「人工玩過」作為核心信任基礎，以 AI 作為生產力放大器，而不是讓 AI 偽裝成人類體驗。

關鍵詞

Steam、AI 生成遊戲、遊戲策展、Steam Curator、AI-assisted games、遊戲媒體、發現層、遊戲推薦、Agent、獨立遊戲、AI 內容洪水、遊戲市場情報、玩家信任

一、問題意識：AI 不只改變遊戲怎麼做，也改變遊戲怎麼被看見

近年 AI 在遊戲開發中的影響快速擴張。
它可以協助生成概念圖、角色草稿、對話、任務文本、程式碼、測試腳本、音效、翻譯、行銷圖文與商店頁素材。隨著 Agent 能力提升，未來 AI 不只是單點工具，而可能成為能協助開發者完成整套遊戲原型、內容填充、資料表整理、平衡測試與行銷素材生成的工作流協作者。

這會讓更多人可以做遊戲。
也會讓更多低品質遊戲出現。

這個變化會產生一個典型的供給洪水：

AI 工具降低開發門檻
↓
個人與小團隊更容易上架遊戲
↓
模板化、拼貼式、AI 生成式作品增加
↓
Steam 每日新遊戲數量進一步膨脹
↓
玩家篩選成本上升
↓
開發者曝光成本上升
↓
可信任策展與外部發現層變得更重要

過去 Steam 的開放性是優勢。
它讓獨立遊戲、小團隊、實驗作品與長尾遊戲有機會進入全球市場。

但在 AI 時代，開放性也會變成壓力。
因為當生成成本下降到極低，平台會同時吸收大量真正有創意的作品與大量低品質內容。

這不是 Steam 獨有的問題。
AI 小說、AI 圖片、AI 影片、AI 音樂、AI 商品頁、AI 教程與 AI 文章都已經或即將面臨類似問題。

差別在於，遊戲比文字與圖片更複雜。
一款遊戲是否值得玩，不只看截圖、宣傳片與商店描述，還需要實際體驗：

手感是否舒服；
系統是否咬合；
新手教學是否清楚；
戰鬥是否有回饋；
UI 是否可讀；
數值是否失衡；
內容是否只是填充；
AI 生成素材是否破壞一致性；
宣傳圖是否誇大實際品質；
Demo 是否足以代表正式版潛力。

因此，Steam AI 時代真正稀缺的東西不是遊戲，而是可信任的篩選。

二、Steam 發現機制的壓力：演算法不是萬能的

Steam 不是沒有推薦系統。

Steam 有：

首頁推薦
探索佇列
願望清單
標籤系統
使用者評論
玩家評價
新品與熱門榜
折扣活動
主題節
Steam Next Fest
Curator 系統
更新可見度機制

這些機制在過去長期支撐 Steam 的發現層。

但當遊戲供給急速增加時，問題會變成：
平台推薦不是完全失效，而是推薦系統要面對的雜訊大幅上升。

演算法可以根據玩家行為推薦遊戲，但它仍有幾個限制：

新遊戲缺乏足夠行為資料；
小作品早期很難累積願望清單與評價；
AI 生成遊戲可以大量製造商店頁與標籤噪音；
玩家評論需要時間累積；
Demo 品質與正式版品質不一定一致；
標籤系統容易被誤用或濫用；
真正小眾但高品質的作品可能被淹沒；
平台不一定能完整判斷「好不好玩」。

這代表外部策展仍然有價值。

尤其當玩家面對大量低成本遊戲時，他們需要的不只是演算法推薦，而是某種帶有人類判斷的「可信任說法」。

例如：

這款看起來普通，但系統很深；
這款截圖漂亮，但手感很差；
這款 AI 使用很多，但整體完成度不錯；
這款不是垃圾，只是商店頁不會賣；
這款價格太高，不建議首發買；
這款 Demo 很強，值得追蹤；
這款可能是模板拼貼，建議避開；
這款適合 Roguelike 玩家，但不適合劇情玩家；
這款適合 Steam Deck；
這款目前不成熟，但開發者更新頻率值得觀察。

這些判斷需要玩家語境、類型知識與實際試玩。

這就是人工策展的價值。

三、商業模式假設：人工試玩 × AI 內容生產 × Steam 市場情報

本文提出的商業模式，可以暫時命名為：

Steam AI 時代的遊戲發現與品質情報平台

它不是單純遊戲媒體。
也不是單純評測網站。
更不是單純 AI 自動推薦工具。

它應該是一個混合型系統：

每日 Steam 新遊戲資料抓取
+
AI 初步篩選與分類
+
真人試玩
+
AI 輔助內容生產
+
人工編輯與定稿
+
網站 / 影音 / 社群發布
+
長期資料庫累積
+
玩家端推薦
+
開發者與發行商端市場情報

其核心流程可以分成七層。

3.1 第一層：資料抓取

每日追蹤：

Steam 新上架遊戲；
即將推出遊戲；
Demo；
Steam Next Fest；
價格；
標籤；
語言支援；
AI 內容揭露；
商店頁描述；
截圖與影片；
開發者與發行商；
使用者評論；
願望清單可見訊號；
是否支援 Steam Deck；
是否有外部社群；
是否有更新紀錄。

這一層盡量自動化。

3.2 第二層：AI 初篩

AI 可以先做初步分類：

疑似低品質模板
疑似 AI-heavy
高潛力小品
美術普通但類型明確
商店頁品質高
Demo 值得試
價格異常
標籤混亂
開發商紀錄可疑
類型稀缺

這一層不是最終判斷，而是幫人類降低搜尋成本。

3.3 第三層：真人試玩

真人試玩員負責真正體驗遊戲。

試玩可以分層：

5 分鐘快篩：判斷是否明顯低品質或無法運行
20 分鐘初測：判斷核心手感、UI、基本玩法
60 分鐘深測：判斷系統深度、節奏與內容潛力
3 小時以上專題：值得正式推薦或深入評論

不是所有遊戲都需要深測。
否則成本會爆炸。

重點是建立清楚的測試層級，並且在文章或影片中誠實標示「試玩時間」。

3.4 第四層：AI 輔助內容生產

AI 可以協助產出：

快評草稿；
長文架構；
短影音腳本；
YouTube 章節；
B 站稿件；
TikTok / Shorts 文案；
Twitter / X 摘要；
Discord 社群貼文；
Newsletter；
每日／每週新遊戲雷達；
類型榜單；
避雷名單；
市場趨勢觀察。

但 AI 不應該偽裝成「玩過」。

AI 是整理工具，不是體驗主體。

3.5 第五層：人工編輯

所有正式內容必須經過人工編輯。
尤其是評價、推薦與避雷內容。

人工編輯要負責：

確認語氣；
確認事實；
確認試玩紀錄；
確認是否有業配標示；
確認沒有過度攻擊開發者；
確認 AI 草稿沒有幻覺；
確認影片與文章符合品牌標準。

3.6 第六層：資料庫累積

長期價值不只在單篇內容，而在資料庫。

資料庫可以記錄：

遊戲名稱
發售日
價格
類型
AI 揭露類型
試玩時間
試玩者
推薦等級
風險標籤
優點
缺點
適合玩家
不適合玩家
更新頻率
評價變化
玩家評論摘要
是否值得追蹤

這些資料會逐漸成為市場情報。

3.7 第七層：變現

可能的變現方式包括：

網站廣告；
影音平台流量；
會員訂閱；
每週 Steam 精選報；
深度類型報告；
發行商 scouting 報告；
開發者市場定位報告；
Steam Next Fest 專題追蹤；
Discord 社群會員；
贊助內容，但必須明確標示；
與媒體、發行商、投資人合作；
遊戲資料庫 API 或 SaaS。

但必須注意：
最核心變現不能傷害信任。

四、為什麼前期會賠錢，後期才可能賺錢

這個模式前期大概率會賠錢。

原因很直接：

要買遊戲
要招試玩員
要建網站
要做影片
要做資料庫
要做社群
要做 SEO
要建立品牌
要累積信任
要承受初期流量不足

而且最初玩家不一定相信你。
開發者也不一定願意給 review copy。
平台資料也不一定完整。
內容產出還需要穩定節奏。

因此，它不是一個短期套利模式。

它更接近「信任型資料媒體」：

第一階段：燒錢建立資料與內容節奏
第二階段：建立小眾類型權威
第三階段：形成玩家端信任
第四階段：吸引開發者與發行商關注
第五階段：將資料庫與策展能力變現

真正的資產不是單篇文章，而是長期可信記錄。

如果做得好，後期可能形成雙邊市場：

玩家需要可信推薦
開發者需要被看見
發行商需要找潛力作品
媒體需要趨勢題材
投資者需要市場訊號

這使平台有機會同時服務玩家端與產業端。

但這也會帶來最大風險：
一旦平台同時面對玩家與開發者，就會出現利益衝突。

五、核心風險一：信任崩壞

這是最大的風險。

一個遊戲策展平台最重要的資產不是流量，而是信任。

如果玩家認為平台：

收錢亂推；
用 AI 洗稿；
沒玩過裝玩過；
評分灌水；
避雷不準；
推薦都是業配；
對大廠寬容，對小廠苛刻；
對朋友作品偏袒；
對付費客戶保護；
對真正問題閉口不談；

那平台就會失去存在意義。

因為玩家原本就是為了逃離 Steam 供給洪水才來看策展。
如果策展平台本身也變成垃圾資訊，它就沒有價值。

因此必須建立幾條鐵規則：

所有業配必須標示
所有 review copy 必須標示
所有試玩時間必須標示
AI 輔助內容必須有人工審核
沒玩過不能寫成玩過
快篩不能偽裝成深度評測
贊助不能購買評分

信任不是口號，而是制度。

六、核心風險二：業配與推薦位腐敗

這個商業模式很容易走向腐敗。

因為一旦平台有流量，開發者與發行商就會想買曝光。

這本身不是錯。
媒體、YouTube、實況主、網站都可能有贊助。

錯的是偽裝。

如果一篇文章或影片是贊助，卻偽裝成自然推薦，平台信任會受損。

因此應區分：

自然評測
Review copy
贊助內容
廣告位
資料庫收錄
深度報告客戶

並且清楚標示。

更理想的方式是建立「廣告與評價防火牆」：

商務可以賣廣告；
編輯不能賣評價；
贊助不能改推薦等級；
開發者可以買曝光，但不能買好評；
玩家必須一眼知道哪些內容是廣告。

否則平台會很快變成另一種 Steam 廣告牆。

七、核心風險三：退款機制濫用

若平台每天試玩大量遊戲，最直覺的成本控制方式是：

買遊戲，兩小時內試玩，不喜歡就退款。

但這不能成為主要商業模式。

原因有三個。

第一，這可能違背 Steam 退款制度的精神。
退款是保護玩家，不是讓商業平台用來降低內容採購成本。

第二，濫用退款可能造成帳號風險或平台信任風險。
即使短期可行，長期也不穩定。

第三，這會傷害獨立開發者。
尤其是短小精悍的遊戲，若被大量媒體或試玩者以退款方式消費，會造成不公平。

比較健康的策略是：

優先試玩 Demo
使用 Steam Curator Connect
向開發者申請 review copy
只購買真正需要深測的作品
建立遊戲採購預算
退款只作為正常消費保護，不作為商業流程

這一點必須寫進平台倫理規範。

八、核心風險四：AI 偽評論與內容污染

這個平台的最大工具是 AI。
但最大風險也是 AI。

如果平台只是抓取 Steam 頁面、用 AI 自動生成「評測」，那它會立刻變成 AI 洗稿網站。

AI 可以整理商店頁資訊，但它不能真正知道遊戲手感。
AI 可以摘要玩家評論，但它不能替代實際操作。
AI 可以生成影片腳本，但它不能保證遊戲真的好玩。

所以必須建立一條原則：

AI 可以輔助內容生產，但不能偽裝成人類遊戲體驗。

所有內容應清楚分層：

資料摘要：AI 可主導，人類抽查
快篩報告：人類至少實際啟動與短測
初玩心得：人類至少玩過指定時間
深度評測：人類完整體驗或長時間體驗
趨勢文章：AI 協助整理，人類負責觀點

這樣才能避免平台本身成為 AI 內容污染的一部分。

九、核心風險五：覆蓋不可能與選擇偏差

Steam 遊戲太多。
每日全玩不現實。

因此平台一定會有選擇偏差。

你選哪些遊戲玩，哪些不玩，本身就會影響結論。

如果平台只玩熱門類型，就會忽略小眾作品。
如果只玩便宜遊戲，就會忽略高價獨立作品。
如果只玩有漂亮商店頁的遊戲，就會錯過美術弱但系統強的作品。
如果只玩英文遊戲，就會忽略其他語言市場。
如果只玩自己喜歡的類型，就會變成個人偏見。

所以平台需要公開篩選規則。

例如：

每日全量收錄，但不全量試玩
每週從不同類型抽樣
保留隨機抽樣池
保留讀者投稿池
保留開發者自薦池
保留 AI 高潛力篩選池
保留人工編輯選題池

透明比假裝客觀更重要。

十、核心風險六：資安風險

這點很容易被忽略。

如果一個平台每天下載、安裝、執行大量未知遊戲，尤其是低品質、匿名、小團隊、可能有惡意意圖的遊戲，就存在資安風險。

風險包括：

惡意程式；
挖礦程式；
可疑外連；
隱私資料收集；
系統破壞；
反作弊衝突；
鍵盤滑鼠監控；
儲存檔或系統檔污染；
偽裝成遊戲的詐騙軟體。

因此試玩平台不能用私人主力電腦亂裝遊戲。

應建立安全流程：

專用測試機
虛擬機或沙盒
隔離帳號
限制權限
網路監控
定期重灌
錄影留存
不存私人資料
不同風險等級分機測試

這不是多餘成本，而是基礎安全。

AI 生成遊戲越多，這個風險越值得重視。

十一、核心風險七：對開發者造成不公平傷害

避雷內容有流量。
批評內容也容易傳播。

但遊戲開發者，尤其是小團隊，可能非常脆弱。

一個平台若不負責任地嘲笑、污名化、誤判或過度放大某款小遊戲的缺陷，可能傷害開發者。

因此，平台應區分：

低品質但真誠
技術不足但有潛力
明顯模板拼貼
惡意騙錢
疑似 AI 垃圾
價格策略異常
宣傳欺騙

不能把所有爛遊戲都罵成詐騙。
也不能把所有 AI-assisted 遊戲都視為垃圾。

評論應該具體、可驗證、避免人格攻擊。

好的批評應該指出：

哪裡不好；
為什麼不好；
是否有修正可能；
適不適合某些玩家；
是否只是目前版本不足；
是否價格與品質不匹配。

這樣平台才會有長期公信力。

十二、核心風險八：平台政策風險

Steam 的規則可能改變。

Valve 可能強化 AI 揭露。
可能改變推薦機制。
可能調整 Curator 系統。
可能強化低品質內容治理。
可能推出新的發現工具。
可能限制某些資料抓取。
可能改變退款政策。
也可能新增官方商業化曝光工具。

如果外部策展平台過度依賴單一 Steam 機制，就會有平台風險。

因此商業模式不能只依賴單一資料來源或單一曝光管道。

應同時建立：

自有網站
Newsletter
YouTube
B站
TikTok / Shorts
Discord
X / Threads
資料庫
搜尋流量
社群投稿
開發者自薦
玩家回報

真正的資產應該是品牌與資料，而不是只寄生於 Steam 某個功能。

十三、核心風險九：現金流與人力成本

此模式最大的現實問題是成本。

即使 AI 能降低內容生產成本，真人試玩仍然需要時間。

一款遊戲即使只測 20 分鐘，若每天有數百款新遊戲，也不可能全測。

因此必須做漏斗。

初期建議不要追求全平台覆蓋，而應先做垂直領域。

例如：

像素 / HD-2D 新遊戲雷達
Steam 策略與戰棋雷達
Roguelike / Roguelite 每週精選
獨立 RPG 追蹤
Steam Next Fest 華語玩家精選
AI Content Disclosed 遊戲觀察站

先在一個品類建立權威，再擴張。

否則很容易變成內容量巨大但品質稀薄，最後與 AI 垃圾內容沒有差別。

十四、核心風險十：商業端與玩家端的利益衝突

玩家希望平台誠實。
開發者希望平台推薦。
發行商希望平台帶量。
平台希望賺錢。

這四者不一定一致。

若平台靠玩家訂閱賺錢，會更偏玩家。
若平台靠開發者贊助賺錢，會更偏開發者。
若平台靠廣告賺錢，會更偏流量。
若平台靠資料報告賺錢，會更偏產業端。

因此，一開始就要定義收入結構，避免商業模式反過來摧毀品牌。

比較健康的收入組合可能是：

免費公開內容：建立流量與信任
玩家會員：提供深度榜單與個人化推薦
產業報告：提供宏觀資料，不影響單款評價
贊助內容：明確標示，不購買評分
廣告位：與評測分離

核心原則是：
可以賣曝光，不能賣信任。

十五、可行的 MVP：不要一開始做全 Steam

若要實作，不應一開始就做全 Steam 每日遊戲全覆蓋。

比較合理的 MVP 是：

15.1 第一階段：每日雷達

每天自動抓取 Steam 新遊戲與 Demo，產生：

今日新上架數量
AI 揭露數量
值得注意的 5 款
疑似高風險的 5 款
最值得試玩的 Demo
價格異常遊戲
類型分布

此階段真人只試少量作品。

15.2 第二階段：每週人工精選

每週選出：

本週最值得玩
本週最被低估
本週最可惜
本週避雷
本週 AI 使用觀察
本週類型趨勢

建立固定欄目。

15.3 第三階段：影片化

把每週精選變成：

10 分鐘 YouTube；
3 分鐘 B 站快報；
60 秒 Shorts；
圖文長文；
Discord 討論串。

AI 協助剪腳本與摘要，但人類負責觀點。

15.4 第四階段：資料庫

累積可搜尋資料庫：

依類型搜尋
依 AI 使用程度搜尋
依推薦等級搜尋
依 Steam Deck 適配搜尋
依試玩時間搜尋
依價格搜尋
依風險標籤搜尋

15.5 第五階段：商業化

在有信任基礎後，再加入：

會員；
報告；
贊助；
廣告；
開發者自薦通道；
發行商 scouting 服務。

不要過早商業化。
太早收錢推薦會毀掉品牌。

十六、評分系統建議：不要只給分數

分數很容易失真。

更好的方式是多維度標籤。

例如：

完成度：低 / 中 / 高
玩法潛力：低 / 中 / 高
系統深度：低 / 中 / 高
美術一致性：低 / 中 / 高
AI 痕跡：低 / 中 / 高
價格合理性：低 / 中 / 高
推薦對象：明確 / 不明確
風險等級：低 / 中 / 高
試玩層級：快篩 / 初測 / 深測 / 專題

這比單純 7/10 更有用。

因為有些遊戲不是大眾好評，但非常適合特定玩家。
有些遊戲品質普通，但價格便宜且有趣。
有些遊戲系統很好，但美術很弱。
有些遊戲 AI 痕跡很重，但完成度不差。
有些遊戲看起來漂亮，但根本不好玩。

好的策展不是替所有玩家下同一個判斷，而是讓玩家知道「這款遊戲適不適合我」。

十七、對 AI 生成遊戲的判斷原則

本文不主張反 AI。

AI-assisted 遊戲不等於垃圾。
非 AI 遊戲也不一定好。

真正要判斷的是：

AI 是否提高完成度？
AI 是否破壞一致性？
AI 是否替代了必要的人類審美？
AI 是否造成內容填充？
AI 是否被誠實揭露？
AI 是否讓小團隊做出原本做不到的東西？
AI 是否只是用來快速拼貼低品質商品？

因此平台可以建立 AI 使用評估：

AI 工具型：主要用於開發效率、翻譯、輔助素材
AI 內容型：遊戲中明顯包含 AI 生成內容
AI 核心型：遊戲玩法依賴即時生成 AI
AI 拼貼型：大量素材似乎缺乏統一審美
AI 高品質整合型：AI 使用明顯但被人類設計良好統合

這比「有 AI / 沒 AI」更有判斷力。

十八、結論：AI 時代需要新的遊戲發現層，但它必須先保護自己的信任

AI 與 Agent 會降低遊戲開發門檻。
這會帶來更多好作品，也會帶來更多低品質作品。

Steam 原有的演算法、玩家評論與標籤系統仍然重要，但在供給洪水下，外部可信策展的價值可能上升。

因此，「人工試玩 × AI 內容生產 × 資料庫 × 遊戲策展」這個模式理論上有機會成立。

但它不是輕鬆生意。

它會面臨：

信任崩壞風險；
業配腐敗風險；
退款濫用風險；
AI 偽評論風險；
覆蓋不可能風險；
選擇偏差風險；
資安風險；
平台政策風險；
現金流風險；
人力成本風險；
商業利益衝突風險。

若沒有制度，它會變成另一個內容農場。
若有制度，它可能成為 AI 時代重要的遊戲發現基礎設施。

最終，這個模式的核心不是「每天玩很多遊戲」。
而是建立一個玩家相信的判斷系統。

在 AI 生成洪水中，最稀缺的不再是內容。
最稀缺的是可信任的篩選。

附錄一：一句話版本

當 AI 與 Agent 讓 Steam 遊戲供給爆炸時，真正有價值的不是再生成更多內容，而是建立一個由真人試玩背書、AI 放大生產力、資料庫長期累積、且嚴格治理業配與信任風險的遊戲發現層。

附錄二：平台倫理草案

所有業配明確標示。
所有 review copy 明確標示。
所有試玩時間明確標示。
沒玩過不得寫成玩過。
AI 可輔助寫稿，不可偽裝體驗。
贊助不可購買評分。
廣告與評測分離。
不以退款作為主要採購策略。
批評作品，不攻擊開發者人格。
保留更正與申訴機制。
建立資安沙盒測試流程。
公開基本評估標準。
區分 AI-assisted 與 AI shovelware。
優先建立玩家信任，再考慮重度商業化。

附錄三：參考來源標記

[S1] SteamDB：Steam 年度發售遊戲數與 AI Content Disclosed 統計。
[S2] PC Gamer：近期 Steam 單週新遊戲與 AI 揭露比例觀察。
[S3] GamesRadar：Steam Next Fest 中 AI 揭露 Demo 數量報導。
[S4] Steamworks Visibility：Steam 官方可見度機制與不可付費買推薦位說明。
[S5] Steamworks Content Survey / AI Content：AI 內容揭露與內容調查機制。
[S6] Steam Curator Connect：開發者向策展者提供 review copy 的官方工具。
[S7] Steam Refunds：14 天內、遊玩少於 2 小時的退款政策。

AI 生成洪水之後_Steam 發現層再商業化與「人工試玩 × AI 內容生產」遊戲策展平台的機會與風險