AI/生成AIによる知財業務の効率化と導入・運用のポイント

第1部 知財部への生成AI導入、活用への実践的アプローチ

(2026年7月28日 13:00〜14:30)

　生成AIの急速な進展により、大量の言語情報を扱う知財業務の効率化に大きな可能性が開かれました。しかし、生成AIはその汎用性の高さや再現性、正確性への不安から、現場での業務導入は容易ではありません。 　本講演では、浜松ホトニクス知的財産本部における生成AI導入の経緯と、出願業務や調査業務を中心に活用事例をご紹介します。大手企業のような高度なAIツールの内製化ではなく、汎用AIツールと知財専用AIツールを業務特性に応じて使い分け、簡単なところから始める等身大のAI活用がテーマです。まずは導入して使って試し、効率化の感触を得ながら生成AIに慣れること。そして、課題起点で小さな成功を積み上げていく実践的アプローチを共有いたします。

1. はじめに
   1. 浜松ホトニクス及び知的財産本部の紹介と自己紹介
   2. 本講演のスタンス
      • 高度な内製化ではなく、既存ツールで始める等身大のAI活用
2. 知財部でAI活用が求められる背景と導入
   1. なぜ今、知財業務に生成AIなのか
      • 大規模言語モデルとの高い相性と現場の課題
   2. 汎用AIツール (M365 Copilot) と知財専用AIツールの整理と使い分け
   3. 導入だけでは活用は広がらない
      • ツール起点から課題起点へ
3. 出願権利化業務における汎用AIツールの活用事例
   1. 汎用AIツール (M365 Copilot) の概要と知財業務への適性
   2. 出願権利化の各工程における活用ポイント (Human in the Loop)
   3. 発明相談
      • リアルタイム先行技術調査と暗黙知のコンテキスト化
   4. 発明資料のドラフト生成
      • 文字起こしの活用と発明者の負担軽減
   5. 明細書案レビュー
      • 生成AIの得意と不得意
4. 調査業務における知財専用AIツールの活用
   1. 知財専用AIツールの特徴と調査業務への適性
   2. FTOスクリーニングや分類作業での活用
   3. AIモデルごとの特性と用途に応じた選定のポイント
5. 拒絶対応・他社特許の対応検討における汎用AIツールと知財専用AIツールの活用
   1. 拒絶理由への対応検討における補助に活用
   2. 他社特許の分析における活用シーン
6. 課題解決アプローチによる組織的な活用推進
   1. 「課題解決アプローチ」の考え方
      • まず個々の課題に使って、手触りを得ることを優先
   2. 小さな成功の積み上げとユースケースの部署全体への共有
7. 現状の課題と今後の展望
   1. 知財業務への生成AI活用推進で得られた教訓
   2. AI利用が当たり前の土壌を作る
      • 組織レベルでの実装に向けて
• 質疑応答

第2部 AI/生成AIを用いた特許調査の活用と運用上の留意点

(2026年7月28日 14:45〜16:15)

　AI技術の進展により、特許や技術文献の調査・解析を支援するツールもAIを搭載したものが当たり前になってきており、関連する知財実務にも大きな変革をもたらしています。しかし、生成AIの普及に見られるAI技術の進展が非常に速く、手法のライフサイクルが短いこと等がうまく活用することが課題となっています。 　本講演では、特許調査解析に携わる知財部門の方や技術調査に携わる技術・開発部門の方向けを中心に、企業知財担当の観点から、まさに“今“実践している特許調査の種類に応じた生成AIを含むAIの活用法について、事例を交えて、AIを用いた特許調査における留意点や調査の精度向上と効率化に向けた具体的なヒントをご紹介します。

1. イントロダクション
   1. 知財に関するAIの状況
   2. 知財業務におけるAI/生成AIの適用
   3. 特許調査解析の重要性
   4. 特許調査における現状の課題
2. AI/生成AIを用いた特許調査
   1. 特許調査の種類と目的
   2. AI/生成AIの特許調査への適用の考え方
   3. AI/生成AIを用いた特許調査の基本ステップ
      1. 調査目的の明確化
      2. DB・ツールの選定
      3. 調査種類ごとの具体的な手法
3. AI/生成AIを用いた特許調査の活用事例と留意点
   1. 先行資料調査におけるAIの活用例
   2. 技術動向調査におけるAIの活用例 – その1 -
   3. 技術動向調査におけるAIの活用例 – その2 -
   4. 生成AIを用いた特許調査
4. その他関連事項とまとめ
   1. AIを用いることへの関連事項
   2. まとめ
• 質疑応答

第3部 生成系AIの要約・評価機能を活用した特許要約のスキルアップ教育術と導入運用のポイント

(2026年7月29日 10:30〜12:00)

　特許調査や明細書読解で必要とする知財スキルの向上は、指導者側の負担が大きく属人化しやすいという課題があります。 　本講演では、生成AIを「24時間365日伴走する専属トレーナー」として位置づけ、受講者の知財力を効率的に引き上げる特許要約トレーニングの実践手法を解説します。従来のようにAIが受講者に不足している能力を指摘するだけでなく、AIが提示する具体的な上達アドバイスに従って受講者自身が要約のブラッシュアップ (再要約) することにより、明確なスキルアップ効果と高い学習の再現性が確認されました。ロジスティック関数を用いた上達の可視化、Mermaid記法による特許構造の図解表現、さらに主要AIモデル (Copilot, ChatGPT, Gemini, Claude) の特性に応じたAIの使い分けと実務運用まで、知財DXを推進する導入運用のポイントを分かりやすく提示します。

1. 知財スキルアップ教育の概要と目的
   1. 特許調査者の知財スキル向上における現場の課題
   2. 指導者の負担軽減と教育の自律的な学習環境づくり
   3. 生成系AIを「専属トレーナー」に据える背景とメリット
2. 思考を整理し本質をつかむ特許要約術の仕組み
   1. 人間が全体像を俯瞰的に理解するための文字数制限の効果 (100文字)
   2. 要約に必ず盛り込むべき3つの必須要素
      • 課題
      • 解決手段
      • 作用効果
   3. クレーム (請求項) における必須構成要件と重要ワードの抽出
3. 生成系AIを活用した特許要約スキルアップ教育のフロー
   1. 共通・必須・選択の7課題を要約する反復トレーニング
   2. AIによる5観点評価と評価ルーブリックに基づく客観的定量評価
   3. 気づきを促す「個別上達アドバイス」と「ブラッシュアップ案」
   4. AIのアドバイスに基づく要約のブラッシュアップと再評価のサイクル
   5. 特許要約サイクル全体を解析した「詳細分析レポート」によるフィードバック
4. 実証結果:知財スキルの『見える化』と学習の再現性
   1. ロジスティック関数を応用したAI評価スコアの上達曲線分析
   2. 受講者規模 (20名〜100名規模) に依存しない手法の再現性の検証
   3. 受講者が要約の「コツ」を掴む成長プロセスとタイミング
   4. トレーニング後半における課題処理の時間短縮 (50%) と業務効率化効果
   5. 要約文字数の違い (60, 120, 250文字) がAI評価値に与える影響の検証
   6. 学習進度評価指標「F-xxレベル」の到達レベルと評価基準の策定
5. 図解表記による要約術の発展と教育効果
   1. Mermaid記法による特許構成要素のコード化と相関図出力
   2. 文章では掴みづらい「部材間の連携」や「処理の分岐」の可視化
   3. 「自分の要約」と「AIの理解 (特許構造) 」の認識のズレの把握
   4. 事例 (液体吐出装置等) から学ぶ「課題解決の核心 (発明の二重構造) 」の図解比較
6. 生成AIの使い分けと予想される効果・実務運用のポイント
   1. 主要4モデルの特徴と推奨対象者
      • Copilot
      • ChatGPT
      • Gemini
      • Claude
   2. ルーブリックに忠実で構造化・効果指向に優れるCopilot (導入・基礎教育)
   3. 文脈理解・表現力・精密な文字数制御に優れるChatGPT (中級者向け)
   4. 長文読解とマルチモーダル (図面理解) に圧倒的な強みを持つGemini (エンジニア向け)
   5. 厳密な権利範囲定義とリスク評価に適したClaude (知財部・実務フロー向け)
   6. 人間の「思考訓練 (100文字) 」とAIの「調査効率化 (250文字) 」のハイブリッドスタイル
• 質疑応答

第4部 知財業務へのDX/AI導入と効果的な使い方

(2026年7月29日 13:00〜14:30)

　本講演では、株式会社レゾナックにおける知財DXの導入と実践についてご紹介します。計算情報科学研究センターでは、計算科学・情報科学・AIを活用した開発を支えています。また、知的財産部では、研究開発者の負担軽減と新たな価値創造を実現するための取り組みとして、AIを活用した特許読解の効率化や知財業務の効率化に焦点を当て、各種ツールの内製化や外部ツールの導入を進めています。 　本講演では、特許読解や知財情報解析の効率化を目指し、研究開発者の創造的活動を支援する活動についてご紹介します。

1. レゾナックのインテリジェンス活動・知財DXの導入
2. 知財AI活用の取組・展開
   1. 活用方針
   2. 特許読解支援システム (ai-PAT)
   3. 類似順ソートシステム (ai-SRT)
   4. IPランドスケープ (知財情報解析)
   5. 生成系AIの活用
3. まとめ:研究開発者の負担軽減と新たな価値創造
• 質疑応答

第5部 知財業務におけるAI、生成AIの導入と活用戦略

(2026年7月29日 14:45〜16:15)

　生成AIの登場により、知財業務は大きな変革期を迎えている。オムロンでは、全社AI推進プロジェクト「AIZAQ」、セキュアな生成AI基盤「RDinX」、内製した知財AIエージェントの三層構造で、個人活用から組織実装へとシフトを進めてきた。 　本講演では、発明創出から知財戦略策定まで多様なユースケースの具体例と、導入・運用で直面した課題と対処法を紹介する。さらに、AIを業務プロセスの構成員として位置づけ、エンジニア・知財部門の役割を再定義する取組みと、「Human in the Loop」を貫く品質保証・人材育成の考え方を共有する。これから導入する方、運用に悩む方が、明日から動き出すための実践的なヒントを提供する。

1. はじめに – なぜ今、知財業務にAIなのか
   1. オムロンの事業領域と知財業務の特徴
   2. 生成AI登場で何が変わったのか
   3. 本講演で持ち帰っていただきたいこと
2. オムロンにおける生成AI活用の全体像
   1. 全社AI推進プロジェクト「AIZAQ」
      • 1,200名・年間94,000時間削減
   2. セキュア生成AI基盤「RDinX」
      • 機密情報を扱うための自社基盤
   3. 内製の知財AIエージェント
      • 商用DB・特許庁データ・汎用AIの組合せ
   4. 「個人活用」から「組織実装」へのシフト
3. 知財業務での具体的ユースケース
   1. 発明創出
      • エンジニアとAIの対話による発想支援
   2. 先行技術調査
      • スクリーニングが数日から数十分に
   3. 発明説明書作成
      • ドラフトはAI、判断は人
   4. 中間処理対応・翻訳・契約レビュー
   5. IPランドスケープ・事業戦略提言・知財戦略策定
   6. ユースケースから見えた成功パターン
4. 導入・運用のポイント – 苦労から学んだこと
   1. セキュリティ設計
      • なぜ自社基盤を作ったのか
   2. ボトムアップ推進とTry & Learn
      • 6カ月1シーズンの設計思想
   3. ハルシネーションへの備えと品質保証の仕組み
   4. ツールの取捨選択
      • 「良いものは何でも使う」スタンス
   5. 越えるべき壁
      • よくある落とし穴と対処法
5. AI前提での『役割の再定義』と今後の展望
   1. 「発掘」から「選別」へ
      • 発明創出フェーズの転換
   2. AI・エンジニア・知財部門の役割の再設計
   3. Human in the Loop
      • AIに丸投げしない業務設計
   4. 人材育成という新たな課題
   5. まとめ
      • 明日から動き出すための3つのアクション
• 質疑応答