生成AIによるパテントマップの作成と新規事業テーマの発掘

パテントマップは知財分析の基本ツールであり続けてきましたが、その作成実務は数百件から数千件の公報を読み、分類軸を決め、一件ずつタグを付ける地道な作業に支えられています。工数が大きいため分析の頻度は上がらず、分類基準は担当者の頭の中にあって引き継げず、完成した時点で母集団は既に古い – - この構造的な問題は、ツールの改良では解決してきませんでした。 　生成AIは、このうち「読んで分類する」工程を実務水準で担えるようになりました。公報から課題・解決手段・用途・効果を構造化データとして抽出し、分類軸そのものを提案させ、一括でタグ付けする。従来なら数週間を要した母集団の整理が、数時間の作業に置き換わります。その本当の意味は、軸を何度も差し替えて試せるようになる点にあります。反復のなかで初めて、単なる件数の可視化ではない示唆 – - どこが空いていて、その空白に意味があるのか – - が見えてきます。 　本セミナーはプロンプト技術の習得を入口としながら、知財ランドスケープを新規事業・研究テーマの起点として使いこなすことをゴールに置き、母集団の構造化から多次元マップ作成、ホワイトスペースの判別、テーマ企画書への落とし込みまでを実際に手を動かしながら通していただきます。 　生成AIを特許分析に使ってみた方の多くが、最初に「意外と使える」と感じ、次に「結果を信じていいのか分からない」という壁に突き当たります。この壁は、プロンプトの書き方を工夫すれば消えるものではありません。必要なのは、AIに任せる工程と人が責任を持つ工程を、あらかじめ線引きしておくことです。要約と分類はAIが得意です。一方で母集団の妥当性、分類基準の適切さ、空白領域が本当に狙う価値があるのかという解釈は、人が担う領域として残ります。 　本セミナーでは、うまくいくプロンプトの紹介だけでなく、どこで間違いが起きるのか、どう検証するのかを同じ重みで扱います。地味な部分ですが、分析結果を社内で説明する立場になったとき最も効いてきます。一日を通して、再現可能なワークフローが手元に残ることを目指しています。演習は自社データをお持ちでなくても進められるようサンプルデータをご用意しています。

1. 第1部 なぜ今、生成AIでパテントマップなのか?
   1. 従来のパテントマップ作成の3つのボトルネック:
      • 読み込み工数
      • 分類軸の属人性
      • 更新コスト
   2. 「読む調査」から「判断する調査」へ:AIに任せる工程と人が担保する工程の線引き
   3. LLMの得意・不得意の整理
      • 要約・分類は得意
      • 件数カウント・網羅性判断は不得意
   4. ハルシネーションと出力揺らぎへの基本姿勢:検証可能な形で出力させる
   5. 本日の成果物イメージと進め方の確認
2. 第2部 母集団データの構造化:分類・要約・課題抽出
   • 到達目標: 生特許テキストから分析可能な構造化データを生成できる
   1. 母集団形成とノイズ処理の勘所 (本講座は母集団取得後を主眼とするため要点のみ)
   2. 構造化要約プロンプトの設計
   3. 抽出4要素:課題/解決手段/適用対象・用途/効果
   4. 出力形式の指定 (表形式・CSV/JSON) で後工程につなぐ
   5. 抽出粒度をそろえるための語彙統制と字数制約
   6. 分類軸の作り方
   7. トップダウン型:既存の技術体系・IPC/FI をAIに解釈させる
   8. ボトムアップ型:AIに軸候補を提案させ、人が採否を決める
   9. 軸定義文 (各カテゴリの定義と境界事例) を書かせる重要性
   10. 精度を担保する工夫
   11. Few-shotによる基準提示、分類不能の逃げ道 (「その他」「判定保留」) を用意する
   12. サンプル検証の手順とヒット率の見方
   13. 長文明細書の扱い:請求項+課題欄への絞り込み、分割処理
   14. デモ1:公報テキスト100件を一括で要約・タグ付けし、表形式に落とす
   15. 演習1:配布サンプルデータで抽出プロンプトを改良し、出力差を比較
3. 第3部 多次元パテントマップの作成
   • 到達目標: 構造化データから目的別のマップを自力で組み立てられる
   1. マップの型と使い分け
   2. 課題×解決手段マトリクス (技術戦略の基本形)
   3. 用途展開マップ (技術×適用市場)
   4. 時系列×技術要素 (開発トレンドの把握)
   5. 出願人×課題 (競合の狙いどころの可視化)
   6. 表計算ソフトでの実装:ピボットテーブル、条件付き書式によるヒートマップ化
   7. AIに集計・整形コードを書かせる場合の指示の出し方と検算方法
   8. 3軸以上を扱う際の見せ方
      • 分割表示
      • フィルタ設計
   9. デモ2:第2部の出力から課題×解決手段マトリクスと用途展開マップを作成
   10. 演習2:与えられたデータで軸を差し替え、示唆が変わることを体験
4. 第4部 ホワイトスペース分析と解釈
   • 到達目標: 空白セルを「意味のある空白」と「意味のない空白」に切り分けられる
   1. 空白セルの4分類
   2. 未着手の有望領域
   3. 技術的に成立しない領域
   4. 需要が存在しない領域
   5. 母集団の設計ミス・検索漏れによる見かけの空白
   6. 誤検出を避ける確認手順
      • 分類結果の逆引き
      • 検索式の再点検
   7. AIに空白の理由を推論させるプロンプトと、その出力を鵜呑みにしないための検証
   8. 密集領域の読み方:参入障壁か、それとも市場が証明された領域か
   9. デモ3:マトリクスの空白セルを列挙し、仮説と検証項目を自動生成
   10. 演習3:抽出した空白に対して分類と検証項目を付す
5. 第5部 新規事業・研究テーマへの落とし込み
   • 到達目標: 空白領域からテーマ案を起こし、社内で議論できる形に整える
   1. ランドスケープからテーマ仮説を生成させるプロンプト
      (制約条件の与え方が精度を決める)
   2. 実現可能性のスクリーニング3軸:
      • 自社技術資産との適合
      • 市場規模・ 顧客課題
      • 特許的な自由度
   3. テーマ案を企画書ドラフトへ展開
      • 背景
      • 狙い
      • 技術課題
      • 想定特許出願
      • 次アクション
   4. 社内合意形成での使い方:マップを根拠資料として提示する際の注意
   5. 演習4:関心領域でテーマ案を3件起草し、評価軸でスクリーニング
6. 第6部 まとめ・実務導入の留意点
   1. 機密情報の取り扱いと利用サービスの選定
      • 学習利用のオプトアウト
      • 社内規程との整合
   2. 再現性の確保
      • プロンプト
      • モデル
      • 実行日のログ管理
   3. 分析品質の責任分界点:AI出力をそのまま結論にしない運用ルール
   4. 社内展開のステップと費用感
• 質疑応答