特許AIとは｜市場8兆円・企業事例・法制度のいま

特許AIの市場は、2024年の約1.8兆円規模から2035年までに8兆円規模へ、CAGR 17〜22%で拡大する見通しです（SNS Insider、Fortune Business Insights）。日本では、三井化学が生成AI特許チャットで調査時間を80%削減し、住友化学は全従業員6,500名向けの「ChatSCC」で業務効率を50%以上向上させたと公表しています（三井化学）。法制度では、2026年2月にEPOがDABUS（AIを発明者とした申請）を最終棄却し、3月には米国最高裁もAI著作者性の上告を不受理としました（EPO）。

この記事は、実務手順ではなく、市場・企業事例・特許庁政策・学術動向・法制度予測を、経営層・R&D企画・知財戦略室の視点でまとめた展望型ガイドです。読み終えたときに「自社の投資判断・組織設計・出願戦略で、どこを動かすべきか」の見取り図が持てる状態を目指しています。実際に手を動かす実務手順は、先行技術調査のやり方 完全ガイド を参照ください。

特許AI市場は2035年に約8兆円へ｜世界の投資構造を数字で見る

特許AIの領域に、静かに巨額の投資が流れ込んでいます。この章では、経営視点で押さえておくべき市場規模・成長率・投資構造の数字を、複数の調査機関のデータで整理します。結論を先に言うと、成長率は年17〜22%で4機関が一致しており、市場は10年で6〜7倍に伸びる公算が高そうです。

4つの調査機関が示す方向感の一致

AI特許調査市場の規模予測を、4つの調査機関が公表しています。数字には多少のズレがありますが、成長率はCAGR 17〜22%のレンジに収束しています。

調査機関	現在	将来	期間	CAGR
Fortune Business Insights	15.8億USD	56.7億USD	2026→2034	17.3%
Precedence Research	18億USD	80億USD	2026→2035	18.1%
SNS Insider	7.5億USD	53.7億USD	2025→2035	21.9%
Market.us	–	–	2026→	21.2%

CAGR 20%前後で10年伸びると、市場規模はおよそ6〜7倍になります。金額の桁で言えば10億USDから100億USDへ、日本円に直すと1兆円から8兆円へと大きく広がる計算です。私自身、複数機関が同じ方向で数字を出しているケースは珍しいと感じています。

特許件数そのものも爆発している

市場が伸びる背景には、特許件数の爆発があります。WIPOのGenAI特許ランドスケープレポートによると、GenAI関連特許ファミリー数は2014年の733件から2023年には14,000件超へ、9年で約19倍に増えました（WIPO）。

さらに、世界の累積有効特許件数は、2028年までに1億件を超える見込みです。テキストだけを人間が全部読む調査モデルは、この段階で物理的に破綻します。AI導入は「便利になる」レベルの話ではなく、「AIなしでは調査が物理的に回らない」という段階に入っているように見えます。

アジアが牽引する構造

地理的な投資構造もはっきりしています。ABI Researchは、アジア太平洋の生成AI市場が2027年に北米を追い抜くと予測しています（ABI Research）。日本の化学・素材・自動車の大手が特許AIに積極投資している背景も、この構造で説明がつきそうです。

「1件あたりの単価」は今も高い

一方で、特許調査の外注相場は依然として労働集約型の水準です。

• 出願前の先行技術調査：日本1テーマ 10万円〜（アズテック）
• 無効資料調査：日本1テーマ 40〜90万円（アズテック）
• サーチャー単価：39,000〜49,000円/人日（日本特許）（日本アイアール）

特許庁が登録調査機関に外注している先行技術文献調査事業は、年間約14万件あります（特許庁）。1件平均10万円と概算しても、140億円規模の外注市場です。ここに特許AIが本格的に入り込むと、価格構造そのものが変わっていきそうな気がしています。

経営視点の要点

• 市場成長は確定路線に見える（複数機関が17〜22%CAGRで一致）
• 特許件数は爆発中（GenAIだけで9年で19倍）
• アジアが2027年に北米を追い抜く投資構造
• 現状の外注コスト構造（1テーマ40〜90万円）が変わる余地は大きい

自社の投資判断で「AI調査ツールにどれだけ張るか」を決めるとき、この4点をベースラインにできると思います。次章では、日本の大手企業が実際にどう投資しているかの実例を見ていきます。

大手企業の実装事例｜三井化学80%削減から旭化成の1万件解析まで

数字だけでは実感がわきません。日本の大手企業が特許AIをどう組み込んで、どんな成果を出しているかを、公表資料ベースで整理します。ざっと並べると、化学メジャー4社と自動車業界が先頭を走っており、共通する成功パターンも見えてきそうです。

三井化学｜生成AI特許チャットで調査時間80%削減

三井化学は、化学構造式や実験結果の表を読み取れるドメイン適合型LLM（特定分野の語彙・記法に最適化した大規模言語モデル）で「生成AI特許チャット」を構築しました。特許分析・新規用途探索・営業支援の3機能を統合したもので、2024年度に実証実験を完了し、2025年度から本格運用に入っています。事業部・研究開発部門の実験で業務時間80%削減を確認しました（三井化学ニュースリリース 2024-12-25）。

もう1つの事例として、三井化学と日本IBMは新規用途探索プラットフォームを共同開発しています。IBM Watsonの自社辞書とAzure OpenAI GPTを組み合わせ、特許・ニュース・SNSを横串で分析する構成です。4か月の比較実験で、辞書作成数10倍、用途抽出作業効率3倍、新規用途発見数2倍を達成しました（三井化学・日本IBM 共同プレスリリース 2023-09-13）。80%削減も辞書10倍も、桁でインパクトが出ている点が興味深いところです。

住友化学｜全従業員6,500名向けの「ChatSCC」

住友化学は、全従業員約6,500名向けの社内生成AI「ChatSCC」を展開しました。技術資料の要約・翻訳・議事録・特許関連調査を包含した設計で、入力情報が外部に漏れないセキュア環境（クラウドの汎用AIとは切り離された社内向け環境）を採用しています。事前検証で業務効率が最大50%以上向上したと公表しており、2025年度からは「DX NEXT empowered by AI」として全社AI活用を経営中核に位置付けました。

レゾナック｜Chat Resonacで統合技術資料を横断

レゾナック（旧昭和電工・旧日立化成の統合）は、社内生成AI「Chat Resonac」を展開しています。分散していた技術文書・特許情報を1つのUIで検索できるようにするもので、統合効果を狙った実装です。R&D現場での技術資料検索の標準ツールになっています。統合企業ならではの「散らばった知識を1画面に束ねる」使い方は、他社の統合ケースにも応用が効きそうです。

旭化成｜知財を戦略室に格上げ、AIで1万件を一括解析

旭化成の事例は、組織設計の面で象徴的です。知財部門を「知的財産部（R&D管轄）」と「知財インテリジェンス室（CSO管轄）」の2組織に分離し、後者を経営戦略に直結するIPランドスケープ組織として位置付けました。Patentfield AIRなどを活用して、最大1万件の特許集合を一括で生成AI分析し、マインドマップや用途課題マトリクスを自動生成しています。R&Dテーマそのものを提案するレベルに到達しているとされます（特許AI×技術動向分析ツール比較レポート 2026-04）。「AIツールを入れる」ではなく「AIを活かす組織を新設する」という順番で動いている点が、他社が真似しにくい部分だと思います。

自動車業界｜TTDCのAI Ninjaで10社横断可視化

自動車業界では、トヨタテクニカルディベロップメント（TTDC）の「AI Ninja」技術情報配信サービスが動いています。自動車業界の特許情報を収集・解析し、テーマ別の技術動向レポートをMarkLinesなどに配信するものです。トヨタ・デンソー・ホンダ・パナソニックなど10社の車載インフォテインメント特許動向を、1クリックでグラフ化・ダウンロードできる構成です（MarkLines 2026-01-20）。

特許事務所側の変化｜FRONTEO KIBIT で無効資料調査90%削減

サーチャー（特許調査の専門職）サイドでは、FRONTEO KIBIT Patent Explorer の実測ケースが公開されています。通常3,000件の特許公報レビューに50時間かかる無効資料調査を、5時間に短縮した実績です（JAPIO YEAR BOOK 2025）。1件40〜90万円の外注単価が想定されている領域なので、事務所側の粗利構造が変わり始めています。

事例に共通する4つの成功要件

上の事例を並べると、成功パターンに共通点が見えてきます。

1. セキュア環境の確保。三井化学・住友化学とも社内クローズド構成で、クラウド汎用AIには機密情報を入れない設計にしている
2. 既存業務プロセスへの統合。単独ツールとして導入せず、社内ワークフローに組み込む
3. KPI設計。時間削減率・辞書数・発見数など、具体的な数値で成果を追う
4. 組織の再設計。旭化成の「知財インテリジェンス室」のように、AIを活かす組織を新設する

「AIツールを導入したのに使われない」を避けるには、この4点をセットで押さえる必要がありそうです。次章では、この動きを政策側がどう後押ししているかを見ます。

特許庁とUSPTOのAI政策｜審査官支援ツールの実装段階

企業側の投資と並行して、行政側も特許AIを本格実装しています。日欧米の政策動向は、企業戦略の追い風にも制約にもなるので、経営視点でも押さえる価値があります。要点だけ先に言うと、日本は2025年6月に「実装段階」へ移り、米国はClass ACTが即時運用に成功、DABUS訴訟は3地域で「AIは発明者不可」に決着しました。

日本｜特許庁AI技術活用アクション・プランが「実装段階」へ

特許庁の「AI技術活用アクション・プラン」は、2022年に策定され、2025年6月に改定版が公表されました（特許庁 令和7年度改定版）。基本理念は「AI自動審査ではなく、ハイブリッド審査（AIが抽出、人間が判断）」です。全面自動化ではなく、判断は人間に残すという姿勢が一貫しています。

4本柱で整理すると、次のようになります。

• 先行技術調査AIの高度化
• 外国語文献の翻訳AI
• 意匠・商標の画像認識AI
• 生成AI適用可能性の検討（令和7年度中にPoC実施）

2025年改定で特に重要な変化は、先行技術調査②が実証フェーズから導入フェーズに移行した点です。数年かけた検討が終わり、実務投入が始まっているという合図だと私は見ています。

米国｜USPTOのASAP!パイロットは低調、Class ACTは即時運用へ

米国USPTOは複数の実装を並走させています。ただし、成果の温度差ははっきりしています。

ASAP!（AI Search Automated Pilot Program）は、AIによる自動先行技術検索を審査プロセスに組み込む試みでした。3,200枠を用意しましたが、2026年4月時点で申請169件・許可76件と参加は低調です。手数料を無料化して延長したものの、更新は未定で、2026年6月1日で受付が終了しています（USPTO）。

対照的に、Class ACT（Trademark Classification Agentic Codification Tool）は成功しています。2026年3月にローンチしたもので、商標出願の分類・デザインコード・疑似マーク付与を、エージェント型AIが即時実行するツールです。従来数か月かかっていたタスクが自動化され、人間の審査官が最終レビューする構成になっています（IPWatchdog 2026-05-21）。同じUSPTOでも、審査の中核に踏み込むASAP!は低調、周辺の分類作業に絞ったClass ACTは即時運用、という対比になっているのが興味深いところです。

§101新ガイダンス（2025年11月28日発効）も重要です。旧バイデン政権下のAI関連ガイダンスを大幅に撤回し、AIは「単なるツール」として扱う方針を明確化しました。AI支援発明にも通常のPannu因子とconception基準を適用し、AIは共同発明者にはなれないとしています（Venable LLP）。

DABUS判例｜AI発明者資格の議論は世界的に決着

AIを発明者とすべきかを問う「DABUS訴訟」は、世界各国の特許庁・裁判所で並走していましたが、2026年に事実上の決着がつきました。

• 2026年2月5日：EPO Board of Appeal T 0528/25 が、DABUSを発明者とする申請を最終棄却（EPO）
• 2026年3月2日：米国連邦最高裁が、Thaler v. Perlmutter（AI著作者性）の上告を不受理（Holland & Knight）
• 日本：知財高裁 令和6年(行ケ)第10023号でAI発明・自然人要件を議論中。裁判所は現行法の解釈拡張ではなく、国会立法による制度設計に委ねるべきと明言

3地域で、判例上の結論は「AIは発明者になれない」で固まりました。

特許庁ステータスレポート2026が示す論点

日本の特許庁ステータスレポート2026では、より根本的な議論が進行中です。AIが短時間で大量に生成した成果物のネット公開により、後から人間が特許取得することが困難になる懸念が明示されました。「発明の定義」や「引用発明適格性」の見直し議論が急ピッチで進むと報告されています（MIGALIO）。

米国側では、USPTOが「AIツールを持つ AI-equipped PHOSITA（当業者、その技術分野の平均的な技術者）」を前提とした新規性・自明性の判断基準の見直しを検討中です。ホワイトハウスの2026年3月AI政策枠組みと連動しています（JD Supra）。

経営視点の要点

• 日本の特許庁はAI審査が実装段階に入った（2025年6月改定）
• 米国は成功事例（Class ACT）と苦戦事例（ASAP!）が同居
• DABUS訴訟は3地域で決着、AIは発明者にはなれない
• 「発明の定義」の再定義議論が、2027年以降のリスク要因

政策が動くことで、企業側は「AIが判定できる範囲」と「人間が最終判断すべき範囲」の線引きを、より厳密に設計する必要が出てきそうです。次章では、この動きの学術的な裏付けを見ます。

学術動向｜特許ドメイン特化SLM × グラフRAGが本命に

企業と行政が動くだけでなく、学術研究も特許AIに集中しています。この章では、直近1〜2年の主要論文を4本紹介し、2028年ごろに標準化しそうな技術の方向を整理します。1行で先に言うと、「特許ドメイン特化SLM（小規模専門モデル）× グラフベースRAG × マルチモーダル」が本命として見えてきそうです。

なぜ「汎用LLM単体」では特許AIに勝てないのか

まず前提として、ChatGPTやClaudeなどの汎用LLMをそのまま特許調査に使うと、精度が伸び悩みます。理由は3つあります。

• 特許DBに接続していないため、公報検索や法的ステータス確認ができない
• 単純ベクトル検索でRAG（外部知識を取り込む仕組み）を構築すると、無関係な文献が混入する
• 特許図面（矢印・ノード・番号ラベル付きの疎な線図）を理解する能力がない

学術研究は、この3つの課題を1つずつ潰しに来ています。

論文1｜MemGraph（2025-04, arXiv）

タイトル：Enhancing the Patent Matching Capability of Large Language Models via the Memory Graph（arXiv:2504.14845）

RAGでのノイズ混入問題に対し、グラフベースで記憶を構造化する手法を提案しました。Llama-3.1、Qwen2、GLM-4、Qwen2.5などの主要OSS-LLMで特許マッチング精度を改善しています。

含意としては、単純ベクトル検索ではノイズが致命的、というのが実証された点が大きいです。グラフベースRAGへのシフトは避けられそうにありません。

論文2｜PAI-NET（2025）

タイトル：PAI-NET: Retrieval-Augmented Generation Patent Network Using Prior Art Information（Preprints.org）

オントロジー情報（用語体系による意味関係の情報）ではなく、先行技術の関係情報を使って、RAGの検索候補を選定するコントラスト学習型モデルです。従来RAGの「単純文書リポジトリ」の限界を克服する狙いです。

含意としては、特許ドメインでは「文書間の引用・被引用ネットワーク」自体が意味検索の質を決めるという発想です。ここは特許の世界ならではの視点で、他分野には転用しにくい部分だと感じます。

論文3｜PatentLMM（2025）

タイトル：PatentLMM: Large Multimodal Model for Generating Descriptions for Patent Figures（arXiv:2501.15074）

特許図面（矢印・ノード・番号ラベルなどの疎な要素構造）専用のLMM（Large Multimodal Model、画像とテキストを同時に扱う大規模モデル）です。汎用VLM（Vision Language Model）では扱いにくい特許図の特性に特化しました。

含意としては、特許図面の理解は「専門モデルが要る」領域という結論が出た点です。汎用マルチモーダルでは足りないという結果になっています。

論文4｜PatentVision（EACL 2026, Samsung）

タイトル：PatentVision: A multimodal method for drafting patent applications（EACL 2026 Industry Track）

Samsung Semiconductorが発表した論文です。PatentFormerを拡張し、図面画像とコンポーネント名/番号とテキストを同時入力するVLMで、明細書ドラフトの品質を向上させました。産業界の実装研究として、EACL 2026 Industry Trackに採録されています。

含意としては、明細書のドラフト自動生成が、単なるテキスト予測ではなくマルチモーダル前提の領域になった、という点です。

学術トレンドを1行で言うと

「特許ドメイン特化SLM × グラフベースRAG × マルチモーダル」の組み合わせが、汎用LLMの精度を上回るデファクトになりそうです。

これが2027〜2028年に標準化する可能性は、かなり高いと私は見ています。実際、UICのサーベイ論文（A Survey on Patent Analysis: From NLP to Multimodal AI）でも、特許分析タスクをNLP時代からマルチモーダルAI時代へ体系化する方向が示されています。

商用ツール側の動き

学術動向を先取りする形で、商用ツール側も動いています。

• Questel Sophia（2025年10月）：業界初のクロスプラットフォームAIアシスタントで、自然言語からブール検索式への変換、AIチャットボットによる特許レビューを提供
• LexisNexis PatentSight+ Protégé（2025年9月）：生成AIアシスタントを発表、自然言語入力から視覚的な回答を即時生成
• XLSCOUT Novelty Checker LLM：無料特許検索ツール比90%、有料代替品比40%の精度向上を主張しており、SOC2 Type II認証も取得済み

経営視点の要点

• 汎用LLM単体で特許調査に勝てる時代は終わりつつある
• 特許特化SLM × グラフRAG × マルチモーダルが本命
• Questel・LexisNexisなど大手も商用実装に踏み込んでいる
• 「自社のLLMで特許AIを内製する」戦略は、社内SLM開発とグラフDB構築が要件になる

自社開発か外部ツール活用かの選択は、この学術動向を踏まえて決める段階に入りました。次章では、2028年までの展望と、Snorbeで月曜日から回せる反復ループを紹介します。

2028年展望と、Snorbeで小さな組織でも回せる反復ループ

ここまでの市場・企業事例・政策・学術動向を踏まえ、2028年までの展望と、旭化成の「1万件AI一括分析」に近い動き方を、もっと小さな組織でも回すための道具について紹介します。展望を先に言うと、マルチモーダル化、エージェント化、特許ドメイン特化SLMの3方向が同時に進みそうな気配です。

2027〜2028年の5つの予測

1. マルチモーダルAIが医薬・材料・ロボティクスで新しい価値を生む。化学構造・2D/3D CADファイル・配列データを横断検索する調査ツールが主流化する。累積アクティブ特許が2028年に1億件を超える見込みで、テキストのみの検索では限界が明らかです
2. エージェント型AIが多段の自律実行に進む。USPTOのClass ACT（商標）で本格運用が始まったエージェントAIが、特許ワークフロー（検索→クレーム→FTO：自社の実施が他社権利に抵触しないかの調査）に横展開されそうです
3. セマンティック検索が標準化する。出願側は明細書のクレーム設計を「AI審査対応型」に変える必要が出てきます
4. 特許ドメイン特化SLMがデファクトになる。汎用LLMではRAGノイズが致命的と実証済みで、MemGraph・PAI-NETのアプローチが標準化する見込みです
5. GenAI関連特許件数が年数万〜10万件級に到達する。2014年から2023年で年間出願ファミリー数が733件から14,000件超と約19倍に伸びており、次の5年で同じ勢いが続けば10万件級が視界に入ります

投資判断で気にすべきは、このうち1・4・5の確度が高い点です。マルチモーダル対応と特許SLM開発は、内製か外注かの選択で先手を打った企業が有利になりそうな気がしています。

「AIによる判定 vs 人間の判断」の境界線

政策・学術・実装のいずれも、AIと人間の役割分担を明確にする方向で動いています。マッキンゼーの試算では、AIによる特許業務の自動化は知的労働の60〜70%を代替可能とされていますが、これはあくまで「作業」の話です。弁理士や知財部員は、「作業」から「判断」に軸足を移す方向で、新規性・進歩性の法的判断、無効化ロジックの組み立て、事業判断への翻訳といった上流工程の価値が上がっています。

「AIで人が要らなくなる」というより、「AIを持つ人と持たない人の生産性差が10倍になる」というのが、より現実に近い予測だと思います。

小さな組織でも回せる反復ループ

私たち Deskrex が開発している Snorbe は、ナレッジグラフ型のリサーチAIエージェントで、上で紹介した学術動向（グラフベースRAG）と実装事例（旭化成のIPインテリジェンス室のような使い方）を、もっと小さな組織でも回せる形にしたものです。特徴は次の3点です。

• クエリを意識せず自然な日本語で投げられる。「全固体電池のホワイトスペースを、大手化学メーカーが手を出していない用途で探して」のような自然文で依頼できます
• 特許・論文・業界データを横断する。JPO / EPO / Google Patentsの特許検索、arXiv / PubMed / Semantic Scholarの論文検索、Statistaの市場データなどを、1回の依頼で束ねて調べに行きます
• 完全記憶型ナレッジグラフで記憶が育つ。過去に調べたエンティティ・ソース・レポートがすべてグラフに保存され、@メンションで過去の調査を呼び出せます。同じテーマを再調査するたびに、精度と深さが上がっていきます

「新規テーマの投資判断材料を数日で集める」場合を想定して、実際の使い方を書きます。

まずは、悩んでいる技術テーマを1本、そのまま Snorbe に投げてみます。「全固体電池の直近3年の主要プレイヤー、特許動向、未着手用途、主要研究機関を、日欧米中の特許と主要論文で調べてください」といった自然文で構いません。1〜2時間で最初のレポートが返ってきます。

レポートを読むと、たいてい「もう少しこの会社を掘りたい」「この特許の周辺をもう少し」といった追加の論点が浮かびます。ここで @メンションを使って「この会社の直近5年の権利化戦略を、審査経過と拒絶理由通知まで含めて要約」といった依頼を追加していく。返ってきたクレームチャート案を、現場のR&D担当者と社内実験データで突き合わせる。ここまでで、初期テーマ設定から1〜2日程度です。

新規性を主張する「上位概念化案」がほしければ、そのまま Snorbe に「当社の技術の新規性を強調する上位概念化案を3つ、それぞれ想定引用文献付きで」と依頼できます。最終的に特許マップと部門間翻訳ドラフトが揃った時点で、そのまま知財部との定例の議題資料に載せていく。旭化成のIPインテリジェンス室が1万件規模でやっている動き方を、10人未満の R&D チームでも回せる形に落とし込む、というイメージです。

実務手順は D01 記事へ

この記事は、市場・事例・政策・学術という展望寄りの内容でまとめました。実際の先行技術調査の実務手順（J-PlatPatの5ステップ、AI活用4パターンなど）は、先行技術調査のやり方を完全ガイド｜AI活用で化学R&Dが変わる にまとめています。特に化学R&Dの担当者は、そちらも合わせて読むと実装が具体化しやすいはずです。

無料クレジットで試せます

Snorbe は 無料クレジット で試せます。まずは1テーマ、社内で今悩んでいる技術領域を投げてみてください。「投資判断に必要な材料が1〜2時間で揃う」という感覚が、実感として掴めるのではないかと思います。

特許・知財領域に特化した使い方は Snorbe（特許・知財向け） にまとめています。関連記事として 化学業界の特許マップ作成 もあわせてどうぞ。

よくある質問

Q1. この記事とD01「先行技術調査のやり方を完全ガイド」の違いは何ですか？

D01は実務担当者向けの実装ガイド（J-PlatPatの5ステップ、AI活用4パターン、化学R&Dの具体的な使いどころ）で、こちらの記事は経営層・R&D企画・知財戦略室向けの展望型ガイド（市場規模、企業実装事例、特許庁政策、学術動向、法制度予測）です。実際に先行技術調査を回す方はD01を、投資判断や戦略立案が主用途の方はこちらを、というふうに読み分けていただけます。

Q2. 特許AI市場のCAGRが調査機関で違うのはなぜですか？

対象範囲の定義が微妙に違うためです。Fortune Business Insightsは「AI in Patent & Market Intelligence」、SNS Insiderは「AI Patent Search」というふうに、切り取り方が異なります。ただし、成長率は17〜22%のレンジで4社が一致しており、方向感は固いと見て良さそうです。細かい数値差は、意思決定の主要変数にはなりにくいレベルだと思います。

Q3. DABUS判例でAIが発明者になれなくなりましたが、AI関連発明の特許は取れますか？

取れます。AI関連発明そのものは、通常の特許要件（新規性・進歩性・産業上の利用可能性）を満たせば特許化できます。「AIが発明者として記載される」ことができなくなっただけで、AIをツールとして使って人間が発明した場合は、その人間が発明者として通常どおり出願します。ただし、AIが「単なるツール」以上に発明に寄与した場合の発明者資格の議論は、日本でも国会立法に委ねる方向のようです。

Q4. 三井化学の80%削減や住友化学の50%向上は、どんな環境で計測されたものですか？

いずれも各社の公表資料に基づく数字です。三井化学は事業部・研究開発部門での実験結果、住友化学は「ChatSCC」の事前検証段階での数字になります。導入直後の伸びしろが大きい段階の数値なので、平常運用に入ってからも同じ削減率が続くかは各社の運用体制次第です。とはいえ、他社事例（FRONTEO KIBITの3,000件を50時間から5時間、90%削減）とも整合しており、労働集約フェーズにおけるAI効果の桁感は信頼できそうです。

Q5. AI-PLASという言葉を見かけますが、これは公式名ですか？

「AI-PLAS」という固有名は、特許庁の公式資料では確認できません。正しくは特許庁「AI技術活用アクション・プラン」（2022〜2026）で、その中の先行技術調査②が2025年6月改定で実証から導入フェーズに移行しました。ネット上ではAI-PLASという略称が独り歩きしていますが、公式資料を探すときは「AI技術活用アクション・プラン」で検索してください。

Q6. 学術動向で紹介されたMemGraphやPatentLMMは、商用ツールに実装されていますか？

MemGraphやPatentLMMは学術論文段階で、そのままの実装は商用にはまだありません。ただし、思想を取り込んだ商用ツールは登場しています。Questel Sophia、LexisNexis PatentSight+ Protégé、XLSCOUT Novelty Checker LLMなどが、グラフベースRAGやドメイン特化LLMの発想を取り入れています。商用実装は、学術動向の1〜2年遅れで追いかけている状態のようです。

Q7. 特許AIの市場規模がここから10倍になっても、投資家として何を見ればいいですか？

3つの軸で判断できます。（1）独自データの保有。世界特許の網羅性、非特許文献の含有率、日本語対応の状況。（2）AIの独自性。グラフAIなのか、SLMドメイン特化なのか、汎用LLMのラッパーに過ぎないのか。（3）ワークフロー統合。単独ツールなのか、企業の既存業務にはめ込めるSaaSなのか。この3軸で見ると、玉石混交のツール群の中で本命が見えてきそうです。

Q8. AIが発明者になれない一方で、AIが大量に生成した公開情報が新規性を空洞化させる、というリスクは本当ですか？

はい、これは特許庁ステータスレポート2026でも明示的に警告されている論点です。AIが短時間で大量に生成した成果物がネットに公開されると、後から人間が特許を取得することが困難になるリスクがあります。特許庁は「発明の定義」や「引用発明適格性」の見直し議論を急ピッチで進めるとしており、2027〜2028年にかけて制度設計の変更が入る可能性があります。企業側は、公開のタイミングと出願のタイミングの設計を、これまで以上に丁寧に組む必要が出てきそうです。