AI関連資産のデューデリジェンス：発明者確認からデータ権利まで
株式会社IPリッチのライセンス担当です。本記事では、人工知能（AI）技術を核とする企業買収や投資活動において不可欠となる、知的財産および技術資産のデューデリジェンス（資産査定）の核心的な実務について、専門的な見地から詳細に解説いたします。近年、生成AIの急速な普及に伴い、企業価値の大部分をAIモデルや学習用データセットが占めるケースが増加しています。しかし、これらの資産は従来のソフトウェアとは異なり、発明者適格の有無や学習データの著作権処理、オープンソースライセンスの特殊な制約など、極めて複雑な法的リスクを孕んでいます。本稿の趣旨は、投資家や事業会社がAI企業の真の価値を評価し、将来的な法的紛争を回避するために、どのような多面的なチェックを行うべきかを体系的に提示することにあります。技術の革新性と法的な権利性の両面から、AI資産の健全性を検証するための指針を深掘りしていきます。
企業の持続的な成長において、「知財の収益化」は単なる権利保護を超えた戦略的な重要課題となっています。開発したAI技術を自社内での利用に留めず、特許権やノウハウとしてのライセンス提供、あるいは戦略的な特許ポートフォリオの売却を通じて直接的なキャッシュフローを生み出すことは、R&D投資の回収効率を飛躍的に高める手段です。こうした知財資産の価値最大化を図るためには、適切な市場での取引が欠かせません。特許売買・ライセンスプラットフォーム「PatentRevenue」では、保有する特許権の売買やライセンスを希望する方に向けて、無料での登録を積極的に促しています。自社の知財が持つ真の市場価値を可視化し、グローバルな需要と結びつけるための第一歩として、まずは「PatentRevenue（ https://patent-revenue.iprich.jp/#licence）」への登録から始めることを推奨いたします。
AI発明者の自然人適格と特許を受ける権利の帰属
AI関連資産のデューデリジェンスを実施する際、まず検証すべきは、対象となる技術が法的に有効な特許として保護されているか、あるいは保護され得るかという点です。ここで最も大きな論点となるのが、AIが自律的に生成した発明に対する「発明者」の認定です。日本の特許法において、特許を受ける権利の原始的な帰属先は「発明者」であり、現行の法体系下では発明者は「自然人（人間）」に限られると解釈されています 。
2024年5月に言い渡された東京地裁の判決（令和6年5月16日判決）は、この議論に明確な一石を投じました。本判決では、AIを発明者として記載した特許出願の補正命令を妥当とし、AIは有体物ではないため所有権の対象にもならず、民法上の果実の概念も適用できないという判断が示されました 。裁判所は、知的財産基本法における知的財産の定義に基づき、発明とは人間による創造的活動の産物であるという立場を堅持しています。
この法的背景は、AI企業の買収において重大なリスクを示唆しています。もし対象企業が「AIが全てを独創した」と主張する技術をコア資産としている場合、その発明には特許を受ける権利が発生していない可能性があり、結果として他社による模倣を法的に差し止めることができなくなる恐れがあります。実務上のデューデリジェンスでは、発明の過程で人間がどのように関与したかを詳細にヒアリングしなければなりません。プロンプトの設計、出力の選択、さらにはAIの回答を技術的に具体化・修正したプロセスが記録されているかを確認し、人間が「思想的創作に寄与した」と言える証拠を揃えることが、資産の独占力を担保する鍵となります。
また、国際的な「属地主義」の観点からも注意が必要です。米国や欧州においても、基本的には発明者は自然人に限るという判断が支配的ですが、南アフリカのように方式審査のみでAI発明を認めた事例も存在します 。クロスボーダーのM&Aにおいては、各国の法制度におけるAI発明の受け入れ状況を精査し、グローバルな特許網が将来的に無効化されるリスクを慎重に見極める必要があります。
自由実施確保のための侵害予防調査（FTO）と実務フロー
AI技術を商用化し、市場に投入する前に不可欠なのが、他者の特許権を侵害していないかを確認する「侵害予防調査（FTO: Freedom to Operate）」です。FTOは、文字通り「事業を遂行する自由」を確保するためのプロセスであり、日本ではクリアランス調査とも呼ばれます 。AI分野は特許の出願が極めて活発であり、特定のアルゴリズムやインターフェース、データ処理フローが既に他社の権利範囲に含まれている可能性が高いという特徴があります。
FTO調査は、主に「対象の特定」「母集団の形成」「クレーム対比」の3段階で進められます。まず、自社サービスのどの機能が技術的に重要で、他社の権利に抵触するリスクが高いかを定義します。全ての機能を網羅的に調査するのはコスト面で非効率であるため、独自性の強いコア機能にリソースを集中させます 。次に、国際特許分類（IPC）や日本独自のFI、Fタームといった特許分類を駆使し、数千件規模の特許を抽出してスクリーニングを行います 。
最も高度な専門性が求められるのが、抽出された特許の「特許請求の範囲（クレーム）」と、自社の仕様を詳細に突き合わせる作業です。ここでは、単に用語が一致するかどうかだけでなく、法律的な構成要件充足性の判断が必要です。相手の特許が要素A、B、Cを含む場合、自社が要素A、B、Dを使用していれば侵害にならないのか、あるいはDがCの「均等物」とみなされるリスク（均等論）はないのか、といった緻密な検討が行われます 。
FTO調査を行う最適なタイミングは、「仕様確定時」です。コーディングや実装が進む前であれば、仮にリスクの高い特許が見つかったとしても、設計変更（回避設計）によって侵害を回避できる可能性が高まります 。また、FTO調査はリスク回避だけでなく、他社の特許が及んでいない「ホワイトスペース」を特定し、そこを重点的に特許出願することで競争優位性を築くという戦略的な側面も持っています 。
著作権法第30条の4に基づくAI学習データの合法性検証
生成AIのモデル価値を支えるのは、その学習に用いられたデータの質と量です。しかし、インターネット上の膨大な著作物を無断で収集し、学習に利用する行為の適法性は、依然としてデリケートな問題です。日本においては、著作権法第30条の4が、AI学習を促進するための「柔軟な権利制限規定」として機能しています 。
この規定により、著作物に表現された思想又は感情を享受することを目的としない利用（非享受目的利用）であれば、原則として著作権者の許諾なく著作物を利用することが可能です 。例えば、AIに画像の特徴や言語の文法構造を解析させるための複製は、この規定に該当します。しかし、この規定には「著作権者の利益を不当に害することとなる場合」は適用されないという重要なただし書きがあります 。
デューデリジェンスにおいては、以下のケースがただし書きに該当しないかを厳格にチェックしなければなりません。
- 有償データベースの無断利用: AI学習用データセットとして販売されているデータベース著作物を、クローリング等で無断取得して利用する場合 。
- 特定のクリエイターの不利益: 特定のアーティストの作風を意図的に模倣させる目的で、その人の作品を集中的に学習させ、市場を代替するような生成物を得る目的がある場合 。
また、学習データの出所やクローリングの際の収集ポリシー、学習プロセスの意思決定に関する記録が適切に保存されているかも確認項目となります 。近年では「Glaze」や「Nightshade」といった、AIの学習を妨害するために画像に目に見えない「毒（ノイズ）」を混入させる技術も普及しており、これらのデータがモデルに混入することで、生成物の品質低下や予期せぬ法的紛争を招くリスクについても考慮が必要です 。
個人情報保護法の遵守と機密情報入力のリスク管理
学習データやプロンプトとして入力されるデータの中に、個人情報や他社の機密情報が含まれている場合、著作権とは別の法的リスクが顕在化します。特に、個人情報保護法との整合性は、AIビジネスの継続性を左右する重大な要素です。
個人情報をAIの学習に用いる場合、その利用目的をあらかじめ特定し、通知または公表しなければなりません 。もし別の目的で取得した個人情報を、本人の同意なくAI学習に流用している事実があれば、それは行政処分の対象となるだけでなく、企業の社会的信用を大きく損なう要因となります。また、AIが生成した回答の中に特定の個人を識別できる情報が含まれて出力されるリスク（機密情報の流出）についても、事前のフィルタリング体制が整っているかを精査する必要があります 。
さらに、自社の機密情報や、取引先から預かっている秘密情報をAIサービス（特に外部のパブリックAI）に入力する行為もデューデリジェンスの対象です。入力したデータがAI事業者の再学習に利用される設定になっている場合、それは秘密保持契約（NDA）における「開示禁止規定」への違反となるだけでなく、不正競争防止法上の「営業秘密」としての法的保護（管理性）を喪失させるリスクを孕んでいます 。特許出願前の発明情報を入力してしまえば、新規性を喪失し、特許取得が不可能になるという取り返しのつかない事態も起こり得ます 。
企業買収の場面では、対象企業がどのような生成AI利用ガイドラインを策定し、従業員の入力行為をどのように監視・制限しているかを確認しなければなりません。API連携型であれば再学習がオフにされているか、オンプレミス型での運用か、といった技術的な構成まで踏み込んだ検証が求められます 。
OSSライセンスとLlama 3等の独自規約
AI開発の現場では、オープンソースソフトウェア（OSS）や公開された学習済みモデルの利用が一般的ですが、これらに付随するライセンス条件の遵守は、知財デューデリジェンスにおけるアキレス腱となることが多い項目です。OSSライセンスの違反は、著作権侵害とみなされ、製品の販売停止や損害賠償、さらには自社のソースコードの強制開示という壊滅的な結果を招く可能性があるからです 。
特に注目すべきは、Meta社が公開している「Llama 3」などの大規模言語モデル（LLM）に適用されている独自のコミュニティライセンスです。これは、従来のApache 2.0やMITライセンスとは異なり、利用規模や目的に関する制約を設けています。例えば、月間アクティブユーザー（MAU）が7億人を超える大規模なサービスで利用する場合、Meta社への申請と個別契約が必要になります 。また、Llamaを改変したモデルを配布する際にも、元のライセンスを継承し、適切な著作権表示を行う義務があります 。
投資家は、対象企業がLlama 3などのモデルを自社サービスに組み込んでいる場合、そのユーザー数が将来的に制限値（7億人）に達した際のライセンスコストや、ライセンス条件の変更リスクを評価しなければなりません。また、GPL（GNU General Public License）のような「コピーレフト型」のライセンスを持つライブラリが、AIモデルの推論エンジンやデータ前処理パイプラインに含まれていないかをソフトウェア構成分析（SCA）を通じて検証する必要があります 。
AI開発においては、学習済みモデル自体の重みデータに対する権利関係も不明瞭な部分が多く、モデルを構成する各コンポーネントがどのようなライセンスの下で提供されているかを、依存関係の深層まで遡って確認することが、知財の清浄性を担保するために不可欠です。
M&A・投資におけるAI資産デューデリジェンスの重点項目
これまでの論点を踏まえ、AI企業の買収や投資におけるデューデリジェンスの具体的なチェックリストを整理します。実務では、法務、財務、ITの各分野の専門家が連携し、対象企業が保有するAI資産の「権利性」と「侵害可能性」を立体的に評価していきます 。
まず、法務面では「契約の有効性」が焦点となります。学習データの取得先とのライセンス契約に、AI学習への利用を許諾する明確な条項があるか、またその許諾範囲（商用利用、再配布、二次的著作物の作成など）が事業計画と整合しているかを確認します 。加えて、従業員が作成したコードや発明が「職務発明規定」に基づき、適正に対象企業に帰属しているかも重要です。
IT・セキュリティ面では、インフラの堅牢性と共に、「データの出自（リネージ）」の透明性が問われます。どのようなデータセットを用いて学習が行われ、不適切なバイアスや有害なコンテンツの混入を避けるためのフィルタリングが機能しているか、といったガバナンスの状況を精査します 。また、欧州の「EU AI法」のように、高リスクAIに対して透明性やリスク管理を義務付ける最新の規制への対応状況も、グローバル展開を予定する企業にとっては避けて通れない評価項目です 。
財務面では、保有する知財ポートフォリオがどの程度の収益を生む可能性があるか、あるいは将来的なライセンス料の支払いや侵害訴訟による偶発債務のリスクがどの程度あるかを評価します。IBMやトヨタ自動車の事例に見られるように、戦略的なライセンス提供（アウトライセンス）は強力な収益源となりますが、その前提として、強固で瑕疵のない知財基盤が確立されていなければなりません 。
最終的に、これらの調査結果は買収価格の算定や、表明保証条項の内容、あるいは買収実行後の統合計画（PMI）に反映されます。AI資産は生き物のように進化し続けるため、買収時点での静的な評価に留まらず、法規制の動向や技術トレンドの変化に耐えうる柔軟な権利構造を構築しているかを見極めることが、投資の成功を左右する真の判断基準となります。
（この記事はAIを用いて作成しています。）
1 他社の特許を侵害してるかも？アプリリリース前にやるべき「侵害予防調査（FTO）」完全ガイド https://www.evorix.jp/blog/%E4%BB%96%E7%A4%BE%E3%81%AE%E7%89%B9%E8%A8%B1%E3%82%92%E4%BE%B5%E5%AE%B3%E3%81%97%E3%81%A6%E3%82%8B%E3%81%8B%E3%82%82%E3%82%A2%E3%83%97%E3%83%AA%E3%83%AA%E3%83%BC%E3%82%B9%E5%89%8D%E3%81%AB%E3%82%84%E3%82%8B%E3%81%B9%E3%81%8D-%E4%BE%B5%E5%AE%B3%E4%BA%88%E9%98%B2%E8%AA%BF%E6%9F%BBfto-%E5%AE%8C%E5%85%A8%E3%82%AC%E3%82%A4%E3%83%89
2 特許侵害のリスクを低減する FTO調査とは？ https://www.tokkyo.ai/tokkyo-wiki/what-is-fto/
3 侵害予防調査（FTO調査）の本質について考える https://note.com/tsunobuchi/n/n30a2a77c74fc
4 AI特許調査の費用相場と侵害予防調査の重要性 https://media.emuniinc.jp/2025/01/10/ai-patent-search-cost/
5 米国におけるFTO調査の重要性と実施のポイント https://www.masudafunai.com/articles/12460
6 著作権法第30条の4の規定内容について https://www.bunka.go.jp/seisaku/chosakuken/pdf/94097701_02.pdf
7 AI学習と著作権に関する考え方 https://www.bunka.go.jp/seisaku/bunkashingikai/chosakuken/seisaku/r06_02/pdf/94089701_05.pdf
8 生成AIの開発・利用における法的リスク https://storialaw.jp/blog/9414
9 生成AIの開発と個人情報保護法に関するガイドライン https://kai-law.jp/web3-legal/law-for-generation-ai/
10 生成AIで顕在化したリスクと機密情報の管理 https://www.nicmr.com/ja/anniversary/main/01110/teaserItems1/011/link/2024aut12.pdf
11 IBMのビジネスモデル：アウトライセンスとインライセンスの戦略 https://cit-consulting.studio.site/insights/ibm-business-model
12 OSSを利用する際の法的リスクとライセンス違反 https://clairlaw.jp/qa/it/oss.html
13 EU AI法における透明性義務の概要 https://www.tc.u-tokyo.ac.jp/ai1ec_event/16409/
14 対話型AIとEU AI法：自然人への通知義務 https://www.tmi.gr.jp/eyes/blog/2024/15787.html
15 EU AI法が課す透明性の義務と限定的なリスク https://www.deloitte.com/jp/ja/services/consulting/perspectives/eu-ai-act.html
16 AIを活用した特許活用術：新しい技術と法律の調和 https://patentrelease.com/ai%E3%82%92%E6%B4%BB%E7%94%A8%E3%81%97%E3%81%9F%E7%89%B9%E8%A8%B1%E6%B4%BB%E7%94%A8%E8%AA%BF%E6%9F%BBfto-%E5%AE%8C%E5%85%A8%E3%82%AC%E3%82%A4%E3%83%89
17 AI発明と特許を受ける権利：令和6年5月16日東京地裁判決の意義 https://www.tokkyoteki.com/2025/02/r6-gyo-ko-10006.html
18 AIは発明者になれるか：現行特許法の解釈と判例 https://innoventier.com/archives/2024/10/17370
19 AIの学習データと著作権侵害のリスク https://houmu-pro.com/it/317/
20 AI学習を妨害する技術：GlazeとNightshadeの影響 https://www.lifehacker.jp/article/2402use-glaze-and-nightshade-to-stop-ai-from-stealing-your-art/
21 生成AIと著作権：既存著作物との類似性判断 https://www.powerweb.co.jp/knowledge/columnlist/generative_ai_copyright/
22 ITデューデリジェンスの主な調査項目リスト https://biz.moneyforward.com/contract/basic/7614/
23 Llama 3コミュニティライセンス：MAU 7億人の制限と商用利用条件 https://media.emuniinc.jp/2025/03/31/llama3/
24 Meta Llama 3の商用利用可否とライセンス条件 https://www.ai-dounyu.com/articles/llama
25 Llama 3の再配布と著作権表示の義務 https://highreso.jp/edgehub/machinelearning/llama3-howto.html
26 Llama 3.2の商用利用と大規模プロジェクトのライセンス契約 https://www.atmalab.co.jp/ai-articles/about-llama3-2
27 Llamaがビジネスシーンで選ばれる理由とコスト優位性 https://ai-front-trend.jp/llama-commercial-use/
28 AI学習データの収益化とクリエイターへの分配 https://ledge.ai/articles/ai_training_data_note_creator_monetization
29 法務デューデリジェンスのチェックリストと実務のポイント https://www.ma-cp.com/about-ma/due-diligence-checklist/
