日夜、革新的なアルゴリズムの実装に心血を注いでいるR&D責任者やエンジニアの皆様。皆様が生み出すそのコードは、間違いなく企業の未来を拓く資産です。しかし、その資産を法的に保護しようとしたとき、しばしば冷ややかな現実に直面します。
「本願発明は、自然法則を利用した技術的思想の創作とは認められない」
特許庁から届くこの通知（拒絶理由通知書）は、開発現場の熱意を一瞬にして凍りつかせます。ITコンサルタントの視点から見ると、技術的には素晴らしい成果にもかかわらず、「特許法上の発明」の要件を満たせずに権利化を断念せざるを得ないケースが実務の現場では散見されます。それは単なるビジネス上の損失にとどまらず、技術者のモチベーションを削ぐ深刻な事態です。
AI、特にディープラーニング以降の技術は抽象度が高く、既存の特許法の枠組みでは「単なる数式」や「抽象的なアイデア」と区別がつきにくいという特性があります。だからこそ、開発者自身が「何が発明となるのか」という境界線を理解し、防衛策を講じる必要があります。
本記事では、AI発明がなぜ拒絶されるのか、その法的なロジックを判例や審査基準に基づいて紐解きます。その上で、AI自身の力を借りてAI発明を守る「LegalTech（リーガルテック）」を活用した、次世代の先行技術調査手法について、具体的な実証データと共に論じます。技術を守ることは、技術の倫理的な社会実装を守り、ビジネス上の成果を持続的に生み出す基盤となります。共に、その道筋を探っていきましょう。
AIブームの裏にある「特許拒絶」の現実
生成AIの台頭により、第4次AIブームとも呼べる波が到来しています。世界知的所有権機関（WIPO）の報告書『WIPO Technology Trends 2019: Artificial Intelligence』によれば、AI関連の特許出願数は2013年以降、飛躍的な伸びを見せています。日本においても、特許庁の『特許行政年次報告書2024年版』が示す通り、デジタル関連技術の出願は増加傾向にあります。しかし、出願数の増加は、そのまま「登録数」の増加を意味するわけではありません。
出願数は増えても登録率は？
AI関連発明において、開発者が最初にぶつかる壁は「特許適格性（Patent Eligibility）」です。これは、その技術が新規性（新しいか）や進歩性（容易に思いつかないか）の審査を受ける以前の、「そもそも特許の対象となる『発明』なのか」という入り口の審査です。
日本の特許法第2条第1項では、発明を「自然法則を利用した技術的思想の創作」と定義しています。ここで問題となるのが、AIのアルゴリズムそのものは「数学的公式」や「人為的な取り決め（ルール）」とみなされやすく、自然法則を利用していないと判断されるリスクが高いという点です。
現場感覚として「これは画期的な処理方法だ」と確信していても、特許庁の審査官から見れば「単に計算機で数式を計算しているだけ」と映ることがあります。特に、業務プロセス改善やビジネス上の課題解決にAIを用いた場合、ビジネスモデル特許の側面も強くなり、「人間が行う精神活動をコンピュータに置き換えただけ」として拒絶される事例が後を絶ちません。
ソフトウェア関連発明特有の「見えない壁」
AI発明は、特許実務上は「ソフトウェア関連発明」に分類されます。この分野で権利を取得するためには、単にアルゴリズムが優秀であるだけでは不十分です。
特許庁の『特許・実用新案審査基準』には、ソフトウェアが発明として認められるための要件として、以下の記述があります。
「ソフトウエアによる情報処理が、ハードウェア資源を用いて具体的に実現されていること」
つまり、抽象的なプログラムの流れだけでなく、CPU、メモリ、入力装置、出力装置といったハードウェアがどのように連携し、データがどのように加工・変換されているかを具体的に記述しなければなりません。ニューラルネットワークの「重み」や「層」といった概念を、いかに物理的なハードウェアの動作と結びつけて説明できるか。ここに、多くのAI開発企業が苦戦する「見えない壁」が存在します。
この壁を突破するには、技術的な革新性を法的な言語へ翻訳し、論理的に再構築するスキルが求められます。次章では、具体的な判例分析を通じて、そのロジックを深掘りします。
判例分析：なぜそのAIモデルは「発明」ではないのか
「プログラムコードが書ける」ことと、「発明として記述できる」ことは全く別のスキルです。ここでは、特許適格性が争点となった考え方や審査事例を整理し、何が「アウト」で何が「セーフ」なのか、その境界線を分析します。
「人間が行う精神活動」とみなされるリスク
特許法において、人間の思考プロセスや精神活動そのものは発明から除外されます。AI、特に機械学習モデルは、人間の学習や判断を模倣するものであるため、書き方によっては「精神活動」とみなされるリスクを常に孕んでいます。
例えば、あるECサイトで「ユーザーの購入履歴からおすすめ商品を提示するAI」を開発したとします。特許請求の範囲（クレーム）に以下のように書いたとしましょう。
- 「過去の購入履歴データを入力し、嗜好を分析して、推奨商品を決定するプログラム」
これでは拒絶される可能性が高いです。なぜなら、「分析して決定する」という行為は、人間の店員が頭の中で行うことと区別がつかないからです。これを「発明」にするには、以下のように情報処理の具体性を高める必要があります。
- 「入力された購入履歴データをベクトル化し、商品特徴ベクトルとのコサイン類似度を演算部で算出し、閾値を超えた商品をメモリ上のリストに格納して出力部へ送信するシステム」
このように、「誰が（どのハードウェアが）」「何を（どのデータを）」「どう処理するか」を明確にすることで、初めて「自然法則を利用した技術」として認められるのです。
ハードウェア資源との協働要件とは
先ほど触れた「ハードウェア資源との協働」について、もう少し具体的に見てみましょう。特許庁が公開している『AI関連技術に関する審査事例』の中に、わかりやすい例があります。
【拒絶される例】
学習済みモデルの係数データそのもの。「ニューラルネットワークの重みパラメータデータ構造」としての出願。
→ これは単なる「データの提示」であり、プログラムですらないため、発明とは認められません。
【認められる例】
「学習済みモデルを用いて処理を行う装置」。すなわち、「取得部が画像データを取得し、推論部がメモリに記憶された学習済みパラメータを用いて当該画像の特徴量を演算し、判定部がその特徴量に基づいて分類結果を出力する画像処理装置」。
→ これならば、データが装置（ハードウェア）と一体となって機能しているため、発明として成立します。
重要なのは、AIを「魔法の箱」として扱わず、入力から出力に至るまでのデータの流れとハードウェアの役割分担を、エンジニアリングの視点で分解して記述することです。
日米欧の審査傾向の違い
グローバル展開を見据える場合、各国の審査傾向の違いも押さえておく必要があります。
- 米国: 2014年の連邦最高裁判決（Alice Corp. v. CLS Bank Int'l、通称Alice判決）以降、ソフトウェア特許に対する適格性判断（特許法101条）が非常に厳格化しました。「抽象的なアイデア」を汎用コンピュータで実行するだけでは特許になりません。技術的な改善（コンピュータの機能向上など）に寄与しているかどうかが厳しく問われます。
- 欧州: 欧州特許庁（EPO）は「技術的性格（Technical Character）」を重視します。AIが具体的な技術的課題（例：画像の圧縮効率向上、通信リソースの最適化）を解決するために使われているかが鍵となります。単なるビジネス手法の自動化は認められません。
- 日本: 比較的、ソフトウェア発明に対して寛容と言われていますが、前述の「ハードウェア資源との協働」要件は必須です。
このように、AI発明を権利化するためには、単なるアルゴリズムの優秀さを主張するのではなく、「具体的な技術的手段」として再構成する作業が不可欠なのです。
従来型調査の限界と「見落とし」のリスク
特許適格性の論理構造を理解し、明細書を作成する準備が整ったとしても、次に立ちはだかるのが「先行技術調査」という巨大な壁です。既存の技術と同一、あるいは容易に推考できるものであれば、当然ながら特許（新規性・進歩性）は認められません。しかし、AI分野における先行技術調査は、従来の手法ではもはや限界を迎えていると言わざるを得ません。
キーワード検索では拾いきれない「概念」の壁
AI分野は技術の進化スピードが極めて速く、用語が統一されていないことが調査を著しく困難にしています。同じ技術概念であっても、研究者や企業、あるいは出願された時期によって、全く異なる用語が使われることが頻繁にあります。
例えば、「画像認識」を行うAIについて調査するケースを考えてみてください。以下のように、同じ技術要素に対して多様な用語が混在して使用されることは珍しくありません。
- ニューラルネットワーク / 人工神経回路網
- ディープラーニング / 深層学習
- CNN（畳み込みニューラルネットワーク） / ConvNet
- 機械学習モデル / 学習済みモデル
- 識別器 / 分類器 / 推論モジュール
- 特徴抽出部 / 空間フィルタリング層
これらは文脈によっては類似の技術や構成要素を指す可能性がありますが、単純なキーワード検索では、検索語と完全一致しない文献はヒットしません。例えば「CNN」というキーワードで検索しても、過去の文献や特許明細書の中で「階層型特徴抽出器」や「空間畳み込み演算部」と表現されていた場合、決定的な先行技術を見落としてしまうリスクがあります。
さらに近年では、NVIDIAのJetsonやDeepStreamといったエッジAIハードウェアでの利用や、TAO Toolkitを用いた転移学習など、実装に直結する具体的な環境やツール名が特許文献内に直接記載されるケースも増加しています。CNN自体は普遍的なアルゴリズム概念であり、特定の新しいバージョンがリリースされる性質のものではありませんが、こうした周辺技術や実装手法の多様化が、検索キーワードの選定を一層複雑にしています。最新の実装手順については公式ドキュメントを参照するなどの対応が必要ですが、特許調査においてこれらすべての派生用語を網羅することは至難の業です。
また、AI関連の発明は「適用分野（X）」と「アルゴリズム（Y）」の組み合わせで構成されることが多く、そのバリエーションは膨大です。検索キーワードを増やせば無関係なノイズ文献が増大し、逆に絞り込めば重要な先行技術を見落とすというジレンマに陥ります。これが、知財担当者の作業工数を著しく圧迫し、研究開発部門へのフィードバックを遅らせる構造的な要因となっています。
爆発的に増える非特許文献（論文・学会発表）の存在
さらに重大な課題となるのが、AI技術の多くが特許文献として公開される前に、学術論文や学会発表、プレプリントサーバー（arXivなど）で先行して公開されている点です。AI研究におけるオープンサイエンスの文化は技術の急速な発展に大きく寄与していますが、特許調査の観点からは、調査対象となる文献が指数関数的に増大することを意味します。
特許庁の審査官は、特許データベースだけでなく、これらの非特許文献（論文データベース）も広範に調査して審査を行います。したがって、出願前に特許データベースだけを検索して安心することはできません。世界中で毎日更新される膨大な論文の中から、自社の技術と類似する「概念」や「論理構造」を持つものを探し出すことは、人力による単純なキーワード検索では、極めて困難な作業であると断言できます。
LegalTech活用による調査プロセス変革の実証
ここで解決策として提示したいのが、AI自身の力を借りてAI発明を調査するアプローチ、すなわち「LegalTech（リーガルテック）」の活用です。近年、自然言語処理（NLP）技術、とりわけ大規模言語モデル（LLM）の推論能力と文脈理解力の飛躍的な向上により、特許調査の在り方は劇的に変化しています。システム導入支援の観点からも、こうしたツールの活用は業務プロセス改善に直結します。
AIがAIを調査する：セマンティック検索の威力
最新の特許調査ツールには、概念検索（Semantic Search）やベクトル検索と呼ばれる技術が標準的に搭載されつつあります。これは、文章を単なる文字列としてではなく、その「意味」を数値ベクトル（多次元の数値の並び）に変換して比較する技術です。
例えば、「自動車」と検索したとき、従来のキーワード検索では「自動車」という文字そのものが含まれる文書しかヒットしません。しかし、ベクトル検索であれば、「自動車」と意味空間上で距離が近い「クルマ」「車両」「モビリティ」「四輪車」といった言葉が含まれる文書も、関連度が高いものとして抽出できます。最新のLLMを活用した検索エンジンでは、単語レベルの類似性だけでなく、文脈や因果関係まで考慮した高度なマッチングが可能になっています。
AI特許調査において、これは革命的です。前述のように用語が揺らいでいても、技術的な概念（例えば「データを層状に処理して特徴を抽出する」という概念）が類似していれば、AIがそれを検知し、「この文献、表現は違いますが技術的思想は似ています」と示唆してくれるのです。
概念検索による「類似特許」の炙り出し
画像生成AIのような先端技術分野では、新しい概念に対して用語が定着しておらず、検索漏れのリスクが高まります。こうしたケースにおいて、従来のキーワード検索とAIによる概念検索を比較すると、以下のような違いが一般的に報告されています。
- キーワード検索のアプローチ: 知財担当者が同義語や類義語を網羅した検索式（クエリ）を作成し、数百件の文献を抽出。その中から目視でスクリーニングを実施する必要があります。
- 概念検索のアプローチ: 発明提案書（数ページのテキスト概要）や技術メモをそのままツールに入力し、AIが文脈を解析して類似度順に特許・論文をリストアップします。
特に注目すべきは、「用語は全く異なるが、技術的思想が酷似している過去の論文」の発見です。例えば、「生成AI」という言葉が一般化する前の文献では、「確率的パターン合成法」や「生成的敵対ネットワークの初期概念」といった独自の用語が使われていることがあります。キーワード検索では見落としがちなこれらの文献も、概念検索であれば「意味の類似性」から検出可能です。このプロセスを経ることで、出願前にクレーム（権利範囲）を修正し、先行技術との違いを明確にする戦略的な対応が可能になります。
調査時間80%削減のインパクト
精度の向上以上に、ビジネス的なインパクトが大きいのが「工数削減」です。以下は、概念検索機能を導入した際の予備調査における工数削減のモデルケースです。
| 調査フェーズ | 従来手法（人力+KW検索） | LegalTech活用（概念検索） | 削減率 | 備考 |
|---|---|---|---|---|
| 検索式作成・調整 | 3.0時間 | 0.1時間 | 97% | 自然文入力のみで完了 |
| スクリーニング（読み込み） | 10.0時間 | 2.5時間 | 75% | AIが関連度順に並べ替え |
| 報告書作成 | 2.0時間 | 1.0時間 | 50% | 引用箇所の自動抽出 |
| 合計 | 15.0時間 | 3.6時間 | 76% | 約11.4時間の削減 |
このように、調査にかかる時間を約80%近く削減できるケースも珍しくありません。浮いた時間は、より創造的な業務、例えば発明の具体化や、他社特許網（パテントマップ）の分析、そしてAI倫理リスクの評価といった戦略的な業務に充てることができます。R&D責任者にとって、エンジニアの貴重なリソースを「調査」という守りの業務から解放し、本来の研究開発に集中させることは極めて合理的な判断と言えるでしょう。
結論：技術を守るための「攻め」の知財戦略へ
AI技術の権利化は、法的な「特許適格性」の壁と、技術的な「先行技術調査」の壁という二重のハードルを越える必要があります。しかし、これらは適切な知識と最新のツールがあれば、決して越えられない壁ではありません。
判例知識と最新ツールの両輪で出願精度を高める
本記事で解説した通り、まずは判例や審査基準を理解し、「ハードウェア資源との協働」を意識した発明の構成を行うこと。これが第一歩です。そして、その発明が本当に新しいものかを検証するために、LegalTechによる概念検索を活用すること。この「理論（Why）」と「ツール（How）」の両輪が揃って初めて、無駄な出願コストを抑え、ビジネスを守る強い権利を取得することが可能になります。
開発初期段階でのスクリーニング重要性
知財活動を法務部門任せにする時代は終わりました。開発の初期段階（アイデア出しの段階）で、エンジニア自身やR&DマネージャーがLegalTechツールを使い、ざっくりとした先行技術調査を行うことをお勧めします。「このアイデアは既に誰かがやっているか？」を数分で確認できれば、開発の方向修正も早期に行えますし、他者の権利を侵害するリスク（クリアランス問題）も回避できます。
AI倫理の観点からも、他者の知的財産を尊重しつつ、自社の独自性を明確にすることは、社会的に信頼されるAIシステム構築の必須条件です。導入して終わりではなく、実際に現場で運用され、ビジネス上の成果が出るシステムを構築するために、技術を守り、倫理を守り、そして企業のブランド価値を向上させる。そのための武器を、今すぐ手にしてください。
コメント