AI開発で特許侵害になりやすい5つの場所｜モデル以外のリスクとFTO調査の実務

株式会社IPリッチのライセンス担当です。昨今、自社の製品やサービスにAIを組み込む企業が急増していますが、それに伴って懸念されるのがAI開発における特許侵害のリスクです。「オープンソースのモデルを利用しているから問題ない」「独自のデータで学習させたから安全だ」と考える開発チームも少なくありませんが、AI特許の侵害リスクはモデルそのものだけではありません。実務上は、データの収集や前処理、検索拡張生成による外部連携、出力制御、既存システムとの統合など、サービス全体の処理フローに特許の網が張られている可能性があります。本記事では、AI開発や運用において特許侵害が問題になりやすい場所を5つに分けて整理し、技術ライセンスの視点も交えながら、開発チームが直面するリスクとAIを活用したFTO調査の実務対応について詳しく解説します。

自社で独自に開発したAIアルゴリズムや、効率的なデータ前処理のノウハウ、特定の業務課題を解決するためのAIシステムなどは、特許要件を満たせば特許権として保護し、知財の収益化につなげられる可能性があります。他社の特許侵害リスクを回避すると同時に、自社の技術をライセンス供与することで、新たな収益源を構築する知財戦略が重要となります。特許権の売却やライセンスによる活用先を探す場合は、候補企業との接点を増やす手段の一つとして、特許売買・ライセンスプラットフォームであるPatentRevenueに無料登録することも検討できます。

AI関連特許の出願動向と開発現場における侵害リスクの全体像

AI関連発明の特許出願は、長期的には増加傾向にあります。特許庁が公開しているAI関連発明の出願状況調査によると、AIの基礎的なアルゴリズムなどを対象とするコア技術だけでなく、画像処理、音声認識、自然言語処理などを各事業領域に適用した「AI適用発明」も数多く出願されています。これは、AIモデルそのものの新規性や進歩性だけでなく、既存のAIモデルを用いて特定の課題をどのように解決したかという「ビジネスへの適用方法」や「システム全体の処理フロー」も特許の対象となり得ることを意味しています。

したがって、AI開発においてどのようなAIモデルを採用したかという点だけを確認しても、特許侵害リスクを十分に把握することはできません。APIを通じて外部の生成AIサービスを利用している場合であっても、自社のシステム側で行う入力データの加工、外部データベースとの連携、ユーザーへの提示方法などが他社の特許の技術的範囲に含まれる可能性があります。

開発チームと知財部門は、AIが組み込まれたシステム全体のフローチャートを描き、各工程に潜むリスクを個別に検討する必要があります。モデルの中身というブラックボックスの部分だけでなく、モデルに入力される前の段階と、モデルから出力された後の段階において、どのような処理を行っているかが権利侵害の判断において重要になります。

著作権法と特許法で異なるAI学習データのリスク構造

AI開発において、特許権と並んで問題になりやすいのが既存データの取り扱いです。データを利用する際、特許権と著作権では保護の対象や要件が根本的に異なるため、実務上は区別して管理し、対応策を設計する必要があります。

著作権法における情報解析の権利制限

文化庁が公表している「AIと著作権に関する考え方」によれば、AIの学習のために既存の著作物を収集し、複製する行為については、著作権法第30条の4が定める「著作物に表現された思想又は感情の享受を目的としない利用」に該当し、同条の要件を満たす場合には、著作権者の許諾なく行える可能性があります。この規定により、情報解析を目的とした学習用データの収集や利用が一定の範囲で認められています。

しかし、この規定は無制限に適用されるわけではありません。情報解析という非享受目的だけでなく、既存著作物の創作的表現を出力させることを目的として著作物を利用する場合など、享受目的が併存すると評価されれば、第30条の4が適用されない可能性があります。また、著作権者の利益を不当に害することとなる場合も、同条の対象外です。

なお、特定のクリエイターの「作風」そのものは、一般に著作権法が保護する創作的表現とは区別されます。そのため、特定の作風を学習させたという事情だけで直ちに著作権侵害になるとは限りません。実際には、学習に利用した著作物、利用目的、学習方法、生成物と既存著作物との類似性などを個別に検討する必要があります。

AIによって生成された出力物が既存の著作物と類似しており、かつ既存の著作物に依拠して生成されたと認められる場合には、その生成物の複製、公衆送信、販売などの利用行為が著作権侵害を構成する可能性があります。文化庁の「考え方」は法的拘束力を有するものではないため、最終的には個別の事実関係に応じて判断されます。

特許法における学習データの取り扱い

一方、特許法には、著作権法第30条の4のような情報解析を目的とする利用についての一般的な権利制限規定はありません。もし他社が「AIの学習用データの特定の生成方法」や「前処理の特定のアルゴリズム」について有効な特許権を保有している場合、自社が日本国内において業として、その請求項の技術的範囲に属する方法を実施すれば、特許権侵害となる可能性があります。

特許庁の産業構造審議会においても、AIの学習や生成に関連する行為について、特許法上の実施行為や属地主義との関係が検討されています。著作権法上は非享受目的の情報解析として許諾なくデータを利用できる場合であっても、データの生成方法や前処理方法が他社の方法特許の技術的範囲に含まれれば、特許法上は別の問題が生じ得ます。

ただし、特許権侵害の判断では、単に方法が似ているというだけではなく、対象となる特許権が有効に存続しているか、自社の処理が請求項に記載されたすべての構成要件を充足するか、どの国で処理が行われているかなどを確認する必要があります。AIモデルの学習から提供、利用に至るまでの各フェーズで、どのような権利が関係するのかを法務部門や外部の専門家と連携して整理することが重要です。

AI開発・運用で特許侵害が問題になりやすい5つの場所

具体的に、どのような機能や処理プロセスが特許侵害のリスクになりやすいのか、実務上見落とされがちな5つの場所について解説します。

データの収集・前処理と学習用データの生成方法

AIの精度を左右する重要な要素の一つがデータですが、このデータに対する処理自体が特許化されている場合があります。例えば、学習用データの生成方法や、ノイズを除去するための前処理、複数のデータを結合する手順などが特許として保護されている可能性があります。

特許庁が公表している「AI関連技術に関する特許審査の事例」においても、データに関する発明の記載要件や進歩性の判断例が示されています。審査ハンドブックに掲載された事例の中には、教師データの作成方法に関するものや、教師データに含まれる複数種類のデータ間の相関関係に関するものがあります。

例えば、「教師データ用画像生成方法」に関する審査事例では、サポート要件を満たすためには、機械学習の対象となるAIや教師データの内容が請求項において適切に特定され、発明の詳細な説明に記載された課題解決手段が請求項に反映されているかが問題となります。また、「ネジ締付品質推定装置」に関する審査事例では、教師データに含まれる各データの入出力関係や、データ間の相関関係を裏付ける記載などが検討されています。

これらは特許庁が審査上の判断を説明するために設けた事例であり、事例に記載されたシステムがそのまま実在する登録特許であることを示すものではありません。一方で、教師データの作成方法やデータ間の関係が、特許の重要な構成要素になり得ることは分かります。

開発現場では、社内のログデータを加工して独自の教師データを作成することが日常的に行われますが、そのデータを作成・加工するプロセスやアルゴリズムが他社の有効な特許の技術的範囲に含まれないかを確認することが重要です。

検索拡張生成と外部データベース連携

大規模言語モデルのハルシネーションを抑制し、企業独自のデータに基づいた回答を生成するために、検索拡張生成（RAG）と呼ばれる技術が広く導入されています。

RAGは、ユーザーからの質問を受け取り、外部データベースを検索して関連情報を抽出し、その情報をプロンプトに組み込んで言語モデルに回答を生成させるという一連の処理フローで構成されます。この仕組みを応用したシステムや、検索精度の向上、コンテキストの分割方法、検索結果の順位付け、複数の検索方式の組み合わせなどは、具体的な構成によって特許出願の対象となり得ます。

オープンソースのフレームワークを使用している場合でも、それだけで第三者の特許を侵害しないことが保証されるわけではありません。自社の業務に合わせてフローをカスタマイズした部分や、社内データベースとの連携方法、検索結果の選択方法などが、他社の特許権の範囲に含まれる可能性があるため、システムアーキテクチャ全体での侵害予防調査が求められます。

特定のビジネス課題解決や機能への適用

AIを特定のビジネス課題を解決するための機能として実装する箇所も、特許が問題になりやすい領域です。この領域では、どのような入力データを用いて、AIにどのような推論を行わせ、その結果をどのように制御や表示に反映させるかという一連のステップが特許の対象となり得ます。

特許庁のAI関連技術に関する審査事例では、無人飛行機の動作プログラムを生成するシステムが例示されています。この事例では、生成AIがユーザーの自然言語による指示を解析するだけでなく、ユーザーの表情や声から感情を推定し、その結果に応じて無人飛行機の行動パターンやカメラ設定を調整する構成が検討されています。

また、営業支援システムに関する審査事例では、未成約顧客の属性情報を入力データとし、機械学習モデルを用いて成約因子を予測したうえで、予測結果などに基づきセールストーク例を生成するためのプロンプトを作成し、大規模言語モデルに出力させる構成が示されています。

これらは登録特許の紹介ではなく、特許庁が進歩性などの判断を説明するために設けた審査事例です。ただし、AIモデル単体ではなく、入力情報、推論処理、プロンプト作成、出力内容までを組み合わせたシステムが特許の対象になり得ることを示しています。

自社が開発しようとしている機能が、既存の特許で権利化されている処理フローと類似していないか、技術分野や適用領域ごとの動向を調査する必要があります。

生成結果の出力制御とユーザーインターフェース

AIが生成したテキストや画像を、単にそのまま表示するだけでなく、ユーザーにとって使いやすい形で出力・制御するプロセスも特許の対象となり得ます。バックエンドのAI処理だけでなく、フロントエンドにおけるユーザーインターフェースや、出力結果の調整機構も、他社の特許権と競合する可能性がある場所です。

特許庁の審査事例には、ゲーム内で獲得したアイテムの外観などの詳細データを生成AIに入力し、そのオブジェクトに関連するストーリーデータを生成させ、所定の画面操作との関係で出力するプログラムが示されています。また、文章データと、その文章中に回答が存在する質問の出力指示を言語モデルに入力し、質問と回答のペアを生成して所定の画面に表示するシステムも例示されています。

さらに、商品に関する複数の投稿文を要約する際、肯定的な内容と否定的な内容の比率が、元の投稿文における比率と対応するように要約文を生成させる情報処理装置も審査事例として示されています。

これらも実在する登録特許を紹介したものではありませんが、出力結果に一定のルールや制約を設け、表示方法やユーザー体験を調整する仕組みが、特許の構成要素になり得ることを示しています。自社独自の出力制御を実装する場合は、モデルの推論部分だけでなく、その前後の処理も調査対象に含める必要があります。

既存業務の自動化やAPI連携

既存の業務プロセスをAIに置き換えるシステム化も、多くの企業が取り組む領域です。人間が行っていた業務を既知のAIに単純に置き換えただけであり、予測できない効果や具体的な技術上の工夫がない場合は、進歩性を否定する方向の事情となり得ます。ただし、進歩性は引用発明や技術常識との関係を踏まえて個別に判断されるため、AIへの置換だけを理由に一律に否定されるわけではありません。

例えば、カスタマーセンターのオペレーターが行っていた回答作成業務を生成AIに置き換えた構成であっても、それだけでは発明としての進歩性が認められにくい場合があります。一方、生成AIに入力する情報量が上限を超える場合に、どの情報を選択し、どのように分割・要約して入力するかという具体的な処理や、その処理によって技術的な効果が得られる場合には、特許性が認められる可能性があります。

また、外部のAIサービスや複数のAPIを接続する場合、個々のAPIが一般的なものであっても、データの受け渡し、処理順序、障害時の切替え、出力内容の検証などを含むシステム全体が、他社の特許の技術的範囲に含まれる可能性があります。自社が単なるAIの利用を超えた工夫を実装する場合は、その工夫が自社の特許候補となるかだけでなく、他社の特許技術に該当しないかも慎重に検討する必要があります。

侵害リスクを低減するAIを活用したFTO調査の実務対応

前述のように、AIを組み込んだシステムは多くの機能やプロセスから構成されるため、製品の市場投入前に行うFTO（Freedom to Operate：侵害予防）調査の重要性が高まっています。FTO調査とは、自社の製品や技術を事業として実施した場合に、他者が保有する有効な特許権を侵害する可能性がないかを確認する調査です。特許侵害による訴訟リスクの低減、製品設計の見直し、投資や提携における説明材料として重要な役割を果たします。

AI関連技術は複数の技術分野にまたがり、一般的なキーワード検索だけでは関連性の低い文献が多数抽出されることがあります。そこで、AI検索機能や類似文献検索などを利用し、FTO調査の候補抽出や分類を効率化する方法が利用されています。

調査の実務的な手順としては、まず自社のAIシステムを構成する技術要素を機能ごとに分解します。データの取得、前処理、学習方法、推論処理、外部連携フロー、出力制御など、どの部分が他社の特許に抵触する可能性があるかを洗い出します。

このとき、「AIを使った顧客対応システム」のような抽象的な単位ではなく、入力情報、処理条件、モデルに渡す情報、検索方法、出力内容、画面表示などに分けて整理することが重要です。また、製造、販売、提供、サーバー処理などが行われる国も確認し、国ごとに調査対象となる特許権を設定します。

次に、特許調査プラットフォームのAI検索機能や分類検索、引用情報などを用いて、関連する特許文献を抽出します。一部の調査ツールは、自然文による検索、類似文献の提示、請求項の要約、候補文献の分類などを支援できます。これにより、キーワードだけでは見つけにくい文献を候補として抽出したり、レビューの優先順位を付けたりすることが可能になります。

ただし、AI検索の結果は、侵害の有無を法的に判断したものではありません。使用するデータベースの収録範囲、翻訳精度、検索モデル、入力内容などによって結果が変わり、重要な特許を見落とす可能性もあります。

最も重要な工程は、抽出・絞り込みを行った特許について、弁理士や弁護士などの専門家が詳細なレビューを行うことです。特許請求の範囲を読み、自社の技術構成と対比して、すべての構成要件を充足するかを確認します。出願中の特許については、現在の請求項だけでなく、今後の補正によって権利範囲が変化する可能性にも注意が必要です。

侵害リスクが高いと判断された場合は、システム設計を変更する、対象国や提供方法を見直す、特許権者とライセンス交渉を行うなどの対応を検討します。また、特許の有効性に疑問がある場合は、先行技術を調査したうえで有効性を評価し、必要に応じて無効審判などの手続を検討します。

AIは、膨大な母集団から候補となる特許を抽出し、レビューの優先順位を付ける場面では有効です。しかし、最終的な権利範囲の解釈、構成要件の充足性、均等論の適用、有効性などの法的判断を、AIの出力だけで確定することはできません。調査技術と専門家による判断を組み合わせることが、スピードと品質を両立させるための鍵となります。

自社AI技術の特許化とライセンスによる事業戦略

他社の特許を侵害しないための防御の視点に加えて、自社が開発したAI関連技術を積極的に特許化し、収益につなげる攻めの知財戦略も検討する必要があります。

自社のサービスに組み込むために開発した独自の検索拡張生成のアーキテクチャ、特定業界向けのデータ前処理手法、ドメイン知識を活かした出力制御のアルゴリズムなどは、特許要件を満たせば価値のある技術資産となります。これらを特許権として確保することで、競合他社による同一技術の実施を制限し、市場における優位性を構築できる可能性があります。

ただし、具体的な実装内容を特許出願前に公開すると、新規性を失うおそれがあります。論文、展示会、営業資料、ウェブサイト、ソースコードの公開などを行う前に、出願の要否を検討することが重要です。また、すべての技術を特許化するのではなく、公開による模倣リスクや侵害発見の可能性も踏まえ、営業秘密として管理する技術と区別する必要があります。

さらに、自社で事業化するだけでなく、異なる業界や地域の企業に対して特許技術をライセンス供与することで、直接的な事業収益とは別のロイヤルティを得られる可能性があります。例えば、製造業向けに開発した異常検知のAIシステムにおけるデータ処理技術を、技術的な適用可能性や規制上の条件を確認したうえで、別分野の企業にライセンスするといった展開が考えられます。

ライセンス交渉の際には、単に特許の権利範囲を主張するだけでなく、相手企業が直面している事業課題をどのように解決できるのか、導入による効果や自社が提供できる技術支援をあわせて提案することが、技術ライセンスによる収益化を成功させるための重要な要素となります。また、特許の引用情報は、自社技術と関連する研究開発を行っている企業を探す手掛かりの一つになります。ただし、引用されていることだけで、その企業がライセンス導入を希望しているとは判断できない点には注意が必要です。

AI特許リスクを管理し知財を事業収益に変えるための実行手順

AI開発における特許侵害リスクは、モデルのアルゴリズムそのものだけでなく、データの収集や前処理、システムへの組み込み、外部データとの連携、ユーザーへの出力制御といった周辺のプロセスにも潜んでいます。自社のAIサービスを市場に展開する前に、システム全体の技術要素を細かく分解し、必要に応じて専門家を交えたFTO調査を実施して、権利侵害のリスクを可視化することが重要です。

同時に、自社が独自に開発したAI関連のシステムフローやデータ処理のノウハウが、新たな知財としての価値を持っていないかを再評価し、特許出願による権利化を検討する必要があります。特許権を取得した後は、自社での活用に留まらず、他社へのライセンス供与を通じた収益化も選択肢となります。

まずは、自社で開発しているAIシステムの機能要件と処理フローを整理し、調査対象となる国、製品、機能、実施時期を明確にしたうえで、関連する特許を調査することから始めてください。そのうえで、特許権の売却やライセンスによる活用先を探す場合は、候補企業との接点を増やす手段の一つとして、PatentRevenueに無料登録することも検討できます。自社の技術的強みを適切に保護し、幅広い事業機会に結びつけていく戦略的な行動が求められます。

（この記事はAIを用いて作成しています。）