この記事のポイント
2026年時点でのAI関連発明の審査基準を解説。特許庁の最新事例集を踏まえ、生成AI・大規模言語モデル・強化学習の特許適格性と出願戦略を紹介します。
はじめに
AI関連特許の出願は年々増加し、2025年の日本特許庁への出願件数は前年比約20%増となりました。特許庁は審査基準の事例集を随時更新しており、生成AIや大規模言語モデル（LLM）に関する新たな事例も追加されています。本記事では、2026年時点での最新審査基準を解説します。
AI関連発明の特許適格性
基本的な考え方
日本の特許法では、AI関連発明は「ソフトウェア関連発明」として審査されます。特許適格性が認められるためには、ソフトウェアによる情報処理がハードウェア資源を利用して具体的に実現されていることが必要です。
特許適格性の判断基準
| 判断要素 | 特許適格あり | 特許適格なし |
|---|---|---|
| 技術的課題との関連 | 具体的な技術課題を解決 | 抽象的な概念の提示のみ |
| ハードウェア資源の利用 | CPU・メモリ等の具体的活用 | ソフトウェアの概念的記載のみ |
| 技術的効果 | 定量的な改善効果あり | 単なるデータ処理の自動化 |
生成AI関連の審査動向
大規模言語モデル（LLM）
LLM自体のアーキテクチャ（Transformerなど）はすでに公知技術ですが、特定の技術課題に対する応用は特許対象となり得ます。
特許化のポイント:
- 特定ドメインに特化したファインチューニング手法
- ハルシネーション（幻覚）を低減する技術的手段
- 推論コストを削減するモデル圧縮・量子化技術
画像生成AI
拡散モデルの改良やControlNetのような制御技術、高速サンプリング手法などが特許出願の対象となっています。
クレーム記載の実務ポイント
推奨されるクレーム構成
- 学習装置クレーム: 学習データの前処理、モデル構築、パラメータ最適化
- 推論装置クレーム: 学習済みモデルを用いた推論処理
- 学習方法クレーム: 学習プロセスの手順
- プログラムクレーム: コンピュータに実行させる処理
記載上の注意
- 技術的課題の明確化: 「精度向上」だけでなく、具体的な問題設定を記載
- 入出力データの明示: 学習データの種類と出力結果を具体的に記載
- 比較実験: 従来手法との定量的な比較データを実施例に含める
拒絶理由への対応
AI関連出願で多い拒絶理由と対応策を示します。
- 進歩性欠如: 公知のモデルとの技術的差異を実験データで明確に示す
- 記載不備: 技術的手段とその効果の因果関係を具体的に記載する
- 発明該当性: ハードウェア資源との連携を補正で明確にする
まとめ
AI関連発明の特許化には、技術的課題と効果の明確化、ハードウェア資源の利用の記載、定量的な比較データの提示が重要です。生成AI分野は急速に進化しているため、出願のタイミングも権利化の成否を左右します。