在視頻游戲的人工智能中，實用系統或實用人工智能是一種簡單而有效的方法，用于模擬非玩家角色的行為。使用數字、公式和分數來評價可能的行動的相對利益，人們可以給每個行動分配效用。然后，可以根據哪個行為的效用最高來選擇，或者用這些分數作為加權隨機選擇的概率分布的種子。其結果是，角色是根據這些行為在數學上的定義，為此刻的特定情況選擇最佳行為。關鍵概念效用的概念已經存在了幾個世紀--主要是在數學上依賴的領域，如經濟學。然而，它也被用于心理學、社會學、甚至生物學中。由于這種背景和計算機編程需要將事物轉換為數學的固有性質，它是作為設計和表達游戲角色行為的一種方式而自然產生的。自然，不同的人工智能架構有其不同的優點和缺點。實用人工智能的一個好處是，它比許多其他類型的游戲人工智能架構更少的手工編寫。雖然實用系統中的行為通常是單獨創建的（而且是手工創建的），但它們之間的相互作用和優先級并沒有內在的規定。例如，行為樹（BT）要求設計者按順序指定優先級，以檢查是否應該做某事。只有當該行為（或樹狀分支）沒有被執行時，行為樹系統才會下降到檢查下一個行為。相比之下，許多實用系統中的行為會根據定義每個給定行為的任何數學模型所產生的分數，按優先級進行排序。正因為如此，開發者不需要確定新的行為在BT中可能有成千上萬個行為節點的整體計劃中的位置。相反，重點是簡單地定義有關的單一行為將是有益的具體原因（即其效用）。然后，決策系統根據當時世界上發生的事情對每個行為進行評分，并選擇最佳行為。雖然必須注意確保遵循標準，以便所有的行為評分都使用相同或類似的前提，但確定如何處理幾十--甚至幾百--種不同行為的繁重工作卻從設計者那里卸載下來，放到了系統本身的執行過程中。

早期使用數字、公式和分數在游戲中被用來定義行為已經有幾十年了。即使是一些簡單的東西，如定義某事發生的百分比機會（如12%的機會執行X行動），也是進入實用人工智能的早期步驟。然而，只有在21世紀初，這種方法才開始采取更加正式的方法，現在通常被稱為效用人工智能。

在《模擬人生》（2000）中，一個NPC當前對某些東西（例如休息、食物、社交活動）的需求與可以滿足同一需求的物體或活動的得分相結合。這些值的組合給行動打分，告訴模擬人它應該做什么。這是實用人工智能在游戲中的首次明顯應用之一。雖然玩家沒有看到計算結果，但他們意識到了模擬人的相對需求和游戲中的物體所能提供的不同程度的滿足。事實上，這也是游戲的核心機制。在《模擬人生3》（2009年）中，理查德-埃文斯使用修改過的波爾茲曼分布來為模擬人選擇行動，當模擬人高興時使用溫度低，而當模擬人表現不佳時使用溫度高，以使選擇效用低的行動的可能性更大。

他還在模擬人中加入了個性。這創造了一種三軸模型--將數字需求和滿足值擴展到包括偏好，這樣不同的NPC在相同的情況下可能會根據他們內部的愿望和驅動力做出與其他人不同的反應。在他的《游戲AI的行為數學》一書中，戴夫-馬克詳細介紹了如何在精神上用數學思考行為，包括諸如反應曲線（將變化的輸入變量轉換為輸出變量）。他和凱文-迪爾繼續在舊金山的年度游戲開發者大會（GDC）的人工智能峰會上發表了許多關于效用理論的早期演講，包括2010年的《通過效用理論改善人工智能決策建模》和2012年的《擁抱人工智能中的數學建模黑暗藝術》。這些講座為效用型人工智能注入了活力，使其成為與有限狀態機（FSM）、行為樹和計劃者并列的一種常被提及的架構。

雖然理查德-埃文斯（RichardEvans）以及后來的模擬人生系列的人工智能程序員，如大衛-雷茲-格雷厄姆（DavidRezGraham）的工作在很大程度上是基于實用人工智能的，但戴夫-馬克（DaveMark）的工作卻是基于實用人工智能。