ChatGPTに課題を説明したところ、自分では思いつかなかった製品構造や業務フローが返ってきた。
このアイデアを実装できそうだと分かったとき、「特許は取れるのか」「発明者は自分なのか、それともAIなのか」という疑問が生まれます。
結論から言えば、生成AIを使った事実だけで特許取得が否定されるわけではありません。
ただし、AIの回答をそのまま採用しただけなのか、人が課題を設定し、出力を選別し、技術的な構成へ落とし込んだのかによって、議論の中心は変わります。
さらに、特許になるかどうかは「面白いアイデアか」だけでは決まりません。
既に公表された技術と同じではないか、専門家が容易に思いつく範囲を超えるか、自然法則を利用した技術的思想として説明できるか、実施できるほど具体的に記載できるかが審査されます。
本記事は法律相談ではなく、生成AIを使った発明を整理するための実務的な入口です。
個別案件では、出願前の公開を避け、弁理士などの専門家へ相談してください。
最初に切り分けたいのは、「誰が発明者か」と「その技術が特許要件を満たすか」は別の問題だという点です。
発明者は、単に作業をした人、費用を負担した人、AIへ文字を入力した人という意味ではありません。
一般には、特許請求の範囲に記載される発明の特徴的部分について、具体的な着想や創作に関与した自然人が問題になります。
上司が目標だけを示した場合や、エンジニアが指示どおりに実装しただけの場合は、常に発明者になるとは限りません。
一方、特許性は発明の内容に対する評価です。人が十分に関与していても、既存技術と同じなら新規性を欠きます。
既知の部品や処理を予想どおり組み合わせただけなら、進歩性が否定されることがあります。発明者を正しく特定できても、特許になるとは限らないのです。
生成AIを使った案件では、次の記録が役立ちます。
「プロンプトを書いたから発明者」と機械的に決めるのではなく、最終的な技術思想のどこを誰が生み出したかを追えるようにします。
AI「DABUS」を発明者として記載した出願は各国で争われ、日本でもAIを発明者として扱えるかが問題になりました。
日本の裁判では、現行特許法が想定する発明者は自然人であり、AIを発明者として届け出ることはできないという方向が示されています。
ここで誤解したくないのは、「AIを使った発明はすべて特許にならない」という判断ではないことです。
問題になったのは、AI自体を発明者として記載できるかです。
人がAIを道具として利用し、発明の具体的着想に関与した場合は、その人の寄与を基準に発明者を検討します。
たとえば、人が解決したい技術課題を定義し、性能条件を設定し、AIの候補から一つを選び、シミュレーションや試作によって構成を修正したなら、人の関与を説明できる余地があります。
反対に、AIへ広い質問を投げ、出力を理解せずそのまま出願書類へ移しただけなら、誰が発明を着想したのか、記載内容が正しいのかという問題が残ります。
米国特許商標庁も、AI支援発明を一律に排除せず、人の「significant contribution（重要な貢献）」へ着目するガイダンスを公表しました。
日本と米国の制度は同一ではありませんが、「AIは道具であり、人の具体的な知的貢献を確認する」という方向は、社内管理を考えるうえで参考になります。
生成AIの利用を隠すことより、出力を検証し、人の判断過程を残す方が重要です。
モデルはもっともらしい誤情報や存在しない先行技術を返すことがあるため、発明内容、実験結果、引用文献は人が確認しなければなりません。
特許庁の審査では、生成AIの利用有無とは別に、通常の特許要件が検討されます。主な観点を平易に整理すると、次のようになります。
新規性は、出願前に同じ発明が公知になっていないかという基準です。
自社サイト、論文、展示会、SNS、GitHubで先に公開すると、自分の公開であっても障害になる場合があります。
生成AIとの会話を公開共有したり、外部サービスへ機密情報を入力したりする行為にも注意が必要です。
進歩性は、その分野の専門家が既存技術から容易に思いつけたかを問います。
「LLMを使って要約する」「AIで予測する」と機能を置き換えただけでは弱く、特有の技術課題に対して、どのデータ、処理順序、制御、評価、例外処理を組み合わせたかが重要になります。
発明該当性では、抽象的なアイデアや人為的な取り決めではなく、自然法則を利用した技術的思想として説明できるかが問題になります。
ソフトウェア関連発明では、情報処理がハードウェア資源と協働して具体的に実現されることを示す必要があります。
記載要件では、当業者が実施できるほど具体的に説明し、請求項が明細書に支えられていることが求められます。
AIが生成した「それらしい効果」を実験せず書けば、再現性や裏付けが不足します。
生成AI関連の出願は世界で増えています。
WIPOの2024年報告は、2014〜2023年に5万件を超える生成AI関連の特許ファミリーが確認され、中国の出願が大きな割合を占めたとしています。
ただし、件数の多さは個別出願の有効性や事業価値を保証しません。
「このプロンプトを特許にできるか」という質問には、プロンプトの文章だけを見るのか、プロンプトを含む情報処理システム全体を見るのかで答えが変わります。
短い指示文そのものは、技術的思想よりも表現、ノウハウ、運用ルールとして評価されやすく、特許請求項へ落とし込むのが難しい場合があります。
一方、入力データを前処理し、利用者の権限や状況に応じてプロンプトを生成し、複数モデルへ振り分け、出力を検証し、誤りを検知して再実行する一連の仕組みであれば、具体的な技術課題と手段を説明しやすくなります。
以下の表は、何を守りたいのかを整理するための例です。特許性を保証するものではありません。
実務では、発明の説明を「AIに○○させる」で止めず、入力、処理、出力、評価、失敗時の制御まで分解します。
技術的効果が速度、精度、通信量、メモリ、電力、誤検出率などで測れるなら、その条件と比較結果を残します。
また、生成AIサービスの利用規約も別途確認が必要です。
出力の利用権、入力データの扱い、学習への利用、補償条項はサービスごとに異なります。
特許を取れるかと、第三者の権利を侵害しないかも別問題です。
特許は、発明を公開する代わりに、一定期間の独占排他権を得る制度です。
製品を解析すれば仕組みが分かる、競合が同じ構成を使ったことを検知できる、ライセンスや資金調達で権利の存在が意味を持つ場合は、出願を検討しやすくなります。
営業秘密は、非公開のまま競争力を守る方法です。
モデルの評価データ、運用パラメータ、プロンプト生成ルールなど、外部から利用状況を把握しにくい要素では有効な場合があります。
ただし、秘密として管理していなければ法的保護を受けにくく、独自開発やリバースエンジニアリングを止められないことがあります。
判断の順序は次のとおりです。
① 発明の中核を一文で定義します。
「生成AIを使う」ではなく、「どの技術課題を、どの処理によって、どの効果で解決するか」を書きます。
② 先行技術を調べます。
論文、特許、製品、OSS、モデルカード、ブログを確認し、似た仕組みとの差を整理します。
生成AIの回答だけで先行技術調査を完了させてはいけません。
③ 人の寄与を整理します。
誰が課題を設定し、どの構成を考え、どの実験や修正を行ったかを記録します。
共同開発では、所属会社、業務範囲、契約、職務発明規程も確認します。
④ 公開前に出願判断を行います。
デモ、プレスリリース、営業提案、論文投稿、OSS公開より前に知財担当へ相談します。
⑤出願しない要素も秘密管理します。
権限設定、ログ、持ち出し制限、外部AIへの入力ルール、退職者対応まで運用に落とします。
生成AI時代の発明管理では、プロンプトだけを保存するより、意思決定の履歴を保存する方が価値があります。
出力のどこが誤っていたか、人がどう修正したかまで残せば、発明者の特定、明細書の裏付け、品質管理に使えます。
生成AIを使った発明は、AIを利用したという理由だけで特許対象から外れるわけではありません。
見るべきなのは、人がどの技術的着想に関与したか、発明が新規性・進歩性などの要件を満たすか、具体的に実施できる形で説明できるかです。
AIそのものを発明者として記載することは、日本の現行制度では認められていません。
だからこそ、課題設定、制約条件、候補選択、実験、修正という人の貢献を記録する必要があります。
プロンプト文だけを守りたいのか、AIを組み込んだ情報処理システムを守りたいのかでも戦略は異なります。
出願すれば公開され、営業秘密なら自社で秘密を守り続けなければなりません。
発明の中核、模倣のされやすさ、侵害の検知可能性、事業期間を比べ、公開前に専門家と判断するのが現実的です。
.png){kind=logo}
.webp)
.webp)
