この記事のポイント
AI・機械学習分野の特許戦略を解説。学習済みモデル、トレーニングデータ、推論アルゴリズムの特許適格性から、効果的な出願戦略、各国の審査基準の違いまで網羅します。
内容見直し済み（2026-05-28） このページの費用・軽減制度・PCT国際出願・年金に関する情報は、制度改定や為替・個別条件で変わります。意思決定前に、産業財産権関係手数料ページ、料金軽減・免除制度、PCT国際出願制度等の一次情報で最新条件を確認することを推奨します。本文中の金額は断定ではなく、確認項目を理解するための参考整理です。
一次情報チェック中（2026-05-28追記） 本記事は制度・費用・実務上の一般情報を含みます。最新条件や個別判断は一次情報や専門家の確認も併用してください。 主な参照先: 法令改正情報 / e-Gov特許法 / 手数料ページ
一次情報チェックポイント（2026-05-28確認）
費用・軽減制度・PCT国際出願・年金は、年度改定・請求項数・出願形態・国際調査機関・為替・個別要件によって変わります。この記事では断定的な金額表ではなく、次の一次情報で確認すべき項目を整理します。
| 確認項目 | 一次情報 | 見るポイント |
|---|---|---|
| 国内出願・審査請求・特許料（年金） | 産業財産権関係手数料ページ | 出願料、審査請求料、請求項数別加算、年次別特許料 |
| 軽減・免除制度 | 料金軽減・免除制度 | 対象者、対象手続、軽減割合、申請期限・必要書類 |
| 中小・ベンチャー向け軽減 | 中小・ベンチャー企業向け料金軽減措置 | 自社が対象に入るか、どの費用が軽減されるか |
| PCT国際出願 | PCT国際出願制度 / WIPO PCT | 国際段階・国内移行期限・手数料・国際調査/予備審査 |
| 公的相談 | INPIT 知財総合支援窓口 | 無料相談、専門家支援、地域窓口 |
この記事内に過去の金額例・割合例・ケース別試算が残る場合も、最終判断には使わず、上記リンク先で最新の表・条件を確認することを推奨します。
はじめに
AI・機械学習技術の急速な進歩に伴い、この分野の特許出願は年々増える傾向があります。しかし、「AIモデルそのものは特許で保護できるのか」「学習データの権利はどうなるのか」といった疑問を持つ企業も多いのが現状です。本記事では、AI関連技術を知財で守るための戦略を体系的に解説します。
AI特許の適格性 — 何が特許になるのか
特許対象となるAI技術
日本の特許法では、「自然法則を利用した技術的思想の創作」が特許の対象です。AI関連では以下が特許対象となり得ます。
| カテゴリ | 特許対象の例 | 注意点 |
|---|---|---|
| 学習アルゴリズム | 新規なニューラルネットワーク構造 | 数学的手法のみは対象外 |
| 学習済みモデル | 特定課題に最適化されたパラメータ構成 | 技術的意義の明確化が必要 |
| 前処理・後処理 | データ拡張手法、推論結果のフィルタリング | 技術的貢献の記載が重要 |
| システム構成 | エッジAI推論装置、分散学習システム | ハードウェアとの連携が有利 |
特許にならないもの
- 純粋な数学的アルゴリズム（技術的課題との結びつきがない場合）
- 抽象的なビジネス方法
- 学習データそのもの（著作権法の領域）
効果的な出願戦略
クレームの書き方
AI特許で権利範囲を広げるには、アルゴリズムの本質を抽象化しつつ、技術的課題との関連を明確にすることが重要です。
推奨されるクレーム構成:
- 装置クレーム: 学習部、推論部、出力部を機能的に記載
- 方法クレーム: 学習ステップ、推論ステップを工程として記載
- プログラムクレーム: コンピュータに実行させる処理として記載
明細書の記載ポイント
- 技術的課題: 従来技術の問題点（精度不足、処理速度等）を具体的に記載
- 技術的効果: 定量的なベンチマーク結果を含める
- 実施例: 複数のネットワーク構成やパラメータ範囲を記載し権利範囲を確保
各国の審査基準の違い
日本（JPO）
産業財産権情報サイトは2024年に「AI関連技術に関する審査事例」を更新し、生成AIに関する事例も追加しました。ソフトウェア関連発明として、ハードウェア資源との協働が求められます。
米国（USPTO）
Alice判決以降、抽象的アイデアに該当するかの2段階テストが適用されます。技術的改善（“something more”）を明確に示す必要になる場合があります。
欧州（EPO）
「技術的効果」の有無が重視されます。AIモデル自体は数学的手法として扱われるため、具体的な技術分野への適用を明示することが必要です。
生成AI時代の新たな論点
生成AIと発明者適格性
AIが自律的に生成した発明について、現行法では自然人のみが発明者として認められる場合があります。DABUS判決（2023年）により、AIを発明者とする出願は主要国で却下されています。ただし、AIを「ツール」として活用した場合は、操作者が発明者となり得ます。
学習データの権利処理
学習データに第三者の特許技術が含まれる場合、モデルの出力が権利侵害となるリスクがあります。データガバナンスの整備が特許戦略の前提条件です。
実務チェックリスト
AI関連特許の出願前に確認すべき事項を以下にまとめます。
| チェック項目 | 確認ポイント |
|---|---|
| 技術的課題の特定 | 従来技術との差異は明確か |
| アルゴリズムの新規性 | 公知の手法との違いを説明できるか |
| 実験データの準備 | 定量的な効果を示す比較データがあるか |
| クレーム戦略 | 装置・方法・プログラムの多面出願か |
| 外国出願の要否 | 主要市場での権利化が必要か |
まとめ
AI・機械学習の特許戦略では、技術的課題と効果を明確に示すことが最も重要です。純粋なアルゴリズムではなく、具体的な技術課題を解決する「システム」として出願することで、権利化の余地は、請求項設計・明細書の記載・審査結果により個別判断となります性が高まります。生成AI時代の新たな論点も踏まえ、包括的な知財戦略を構築しましょう。