.png?width=500&height=250&name=%E7%9F%A5%E7%9A%84%E8%B2%A1%E7%94%A3%E4%BA%8B%E5%8B%99%E6%89%80%E3%82%A8%E3%83%9C%E3%83%AA%E3%82%AF%E3%82%B9%20(500%20%C3%97%20250%20px).png)
...
ChatGPTをはじめとする生成AIの普及により、AI自身が目的を理解し、計画を立て、外部ツールを操作して自律的にタスクを遂行する「AIエージェント」の開発競争が世界中で激化しています。この最先端技術を模倣から守る手段が「特許」ですが、「AIエージェントは本当に特許になるのか？」「他社はどんな特許を取っているのか？」と疑問を持つ開発者・経営者の方は少なくありません。
本記事では、AI分野に精通した弁理士が、日本（JPO）・米国（USPTO）・欧州（EPO）の実際の特許事例と公式審査事例を比較しながら解説します。GoogleのTransformer特許、OpenAIのツール連携特許、DeepMindの外部メモリ特許など、検証済みの実例から、AIエージェント技術を権利化するための具体的なポイントを紹介します。
本記事は「事例編」です。AIエージェント特許の基礎要件（新規性・進歩性・実施可能要件）については、姉妹記事「AIエージェント技術は特許出願できる？審査基準と権利化のポイント」をあわせてご覧ください。
目次
AIエージェント特許とは？事例を読む前の基礎
まず大前提として、AIの推論アルゴリズム（数式）そのものは、どの国でも原則として特許の対象になりません。しかし、その情報処理がコンピュータ等のハードウェア資源を用いて具体的に実現される技術として構成されていれば、「ソフトウェア関連発明」として特許の対象になります。
AIエージェント技術の場合、権利化の主戦場となるのは、モデル自体の改良よりも「LLMをどう活用して自律的なシステムを構築したか」というシステム構成・処理フローです。以下、3つの法域（日・米・欧）でどのような事例が特許になっているのかを具体的に見ていきましょう。
AIエージェント特許を読み解く3つの観点
各国の事例を理解するために、共通する3つの観点を押さえておきましょう。
| 観点 | 日本（JPO） | 米国（USPTO） | 欧州（EPO） |
|---|---|---|---|
| 基本となる考え方 | ハードウェア資源を用いた具体的な情報処理 | Alice/Mayoテスト（抽象的アイデアか否か） | 技術的性質＋技術的貢献（COMVIK） |
| 鍵となる問い | 情報処理が具体的に実現されているか | 技術的課題への技術的解決（practical application）か | 技術的目的に資する技術的特徴か |
| 弱い構成 | 単なるデータの提示・人間業務のAI化 | 抽象的アイデアの汎用PC上での実行 | 数学的手法・ビジネス手法「そのもの」 |
【日本／JPO】AIエージェント特許の事例
日本では、AI発明は「コンピュータソフトウェア関連発明」の一種として審査されます。判断基準の核心は、審査ハンドブック附属書Bが示す「情報処理がソフトウェアにより、ハードウェア資源を用いて具体的に実現されている」かどうかです。
特許庁は2019年1月にAI関連の公式事例集を公表し、2024年3月には生成AI・LLM時代に対応した10事例を追加しました。代表的な事例の結論は次のとおりです（いずれも特許庁が示す仮想事例）。
JPO事例：登録OK
新たな入力変数で「予測精度が顕著に向上」した事例（水力発電量の推定）
従来の回帰モデルをニューラルネットに置き換えただけの構成は進歩性が否定された一方、入力変数に「河川の水温」を追加して雪解け水の流入を捉え、予測精度を顕著に高めた構成は進歩性ありと判断されました。技術的に意味のある入力特徴・学習データの工夫が鍵です。
JPO事例：拒絶NG
人間の業務を単にAIに置き換えただけの事例（がんレベル算出）
医師が手作業で行っていた血液マーカーからのがん確率の算出を、学習済みニューラルネットに代替させただけの構成は、「単なる人間業務のAI化」として進歩性が否定されました。
JPO事例：2024年・LLM
生成AI（LLM）を使った構成の進歩性
質問をLLMに入力して回答を自動生成する構成（顧客対応自動応答など）は進歩性が否定された一方、関連文書から複数のキーワードを抽出してプロンプトを生成し、より適切な文を生成する具体的処理は、顕著な効果ありとして登録が認められました。
実際に登録された日本の関連特許
特許庁の仮想事例だけでなく、実在の登録特許も見てみましょう。
実在特許｜日本
JP 7282070（三菱電機）｜ニューラルネットワークの「圧縮データ」
量子化によってニューラルネットワークの構成情報を圧縮するデータに関する特許（2023年登録）。AI分野における「データ構造」の権利化事例です。
実在特許｜日本
JP 7177608（コマツ）｜作業機械の学習済み位置推定モデル
カメラ画像から油圧ショベルの作業機の位置を推定する学習済みモデルを用いたシステム特許（2022年登録）。システム・方法に加え、学習済みモデルの製造方法・学習用データまで権利化した好例で、自律的な機械制御（AIエージェント隣接領域）の参考になります。
日本のポイント：① 新たな入力特徴・学習データの工夫で「予測精度の顕著な向上」を示す、② 学習済みモデルは「ニューラルネット構造＋パラメータ＋具体的動作」で記載する（単なるパラメータの集合はNG）、③ AIが予測する相関関係は明細書で裏付ける（サポート要件・実施可能要件）。
【米国／USPTO】AIエージェント特許の事例
米国では、特許適格性（35 U.S.C. §101）をAlice/Mayoの2ステップテストで判断します。「抽象的アイデアに向けられているか」「向けられている場合、それを上回る発明的概念（技術的課題への具体的応用）があるか」が問われます。
USPTOは2024年7月17日にAIに特化した審査ガイダンスを公表し、3つの具体例（事例47〜49）を示しました。
| USPTO事例 | 適格でない構成 | 適格な構成（登録OK） |
|---|---|---|
| 事例47：異常検知 | ニューラルネットの学習方法（数式の適用のみ） | 学習済みNNで不正パケットをリアルタイムに遮断する具体的応用 |
| 事例48：音声分離 | 埋め込みベクトルを数式で計算するだけ | クラスタリング・マスク適用で話者音声を分離する具体的処理 |
| 事例49：AI医療 | 遺伝子データからリスクスコアを算出するだけ | 高リスク患者群への特定の治療（点眼薬投与）という具体的応用 |
教訓は明快です。米国でAIエージェント発明を権利化する鍵は、「技術的課題に対する技術的解決（technological solution to a technological problem）」を、AIが「どう動作し」「何を改善するのか」とともに具体的に示すことです。
実際に登録された米国の重要特許
実在特許｜米国
US 10,452,978（Google）｜Transformer特許
論文「Attention Is All You Need」に対応する、自己注意機構（self-attention）に基づくニューラルネットワークの特許（2019年登録）。現代のあらゆるLLM・AIエージェントの基盤となるアーキテクチャです。
実在特許｜米国
US 11,922,144（OpenAI）｜外部API連携（ツール利用）
LLMがAPIのスキーマ（マニフェスト）を読み取り、再学習なしに外部ツール（買い物・データベース・メール等）の関数呼び出しを生成する特許（2024年登録）。ChatGPTのプラグイン／関数呼び出し（ファンクションコーリング）に相当する、まさに「AIエージェント」の中核特許です。
【欧州／EPO】AIエージェント特許の事例
欧州（EPO）では、コンピュータプログラムや数学的手法は「それ自体（as such）」では特許の対象から除外されます（欧州特許条約52条）。ただし、ハードウェア（コンピュータ・プロセッサ等）に言及すれば除外は容易に回避でき、本当の勝負は進歩性の段階（COMVIKアプローチ）で行われます。
COMVIKアプローチでは、技術的性質に貢献する特徴だけが進歩性の判断に算入され、純粋な数学・ビジネス目的の特徴は考慮されません。つまり、数学的に新規でも技術的目的がなければ進歩性に「ゼロ」貢献となります。
EPO事例：拒絶NG
T 0702/20（三菱電機）｜疎結合ニューラルネットワーク
誤り訂正符号を用いて層間の接続を疎にするニューラルネット構造について、審判部は「新規かつ非自明」と認めつつも、それは数学的関数のクラスを定義しているにすぎない（除外対象）として拒絶しました。「過学習を防ぐ」といった目的だけでは不十分で、コアAIの改良が欧州で権利化困難であることを示す重要事例です。
EPO事例：重要判断
G 1/19（拡大審判部・2021年）｜歩行者群シミュレーション
コンピュータによる歩行者の群衆移動シミュレーションについて、拡大審判部は「コンピュータ実装シミュレーションも他のソフトウェア発明と同じ基準で判断される」「数値出力でも技術的効果になり得る」と判断。シミュレーションや計画立案（プランニング）型のAI発明に示唆を与えます。
実在特許｜欧州
EP 3398117（DeepMind）｜外部メモリで拡張したニューラルネット
ニューラルネットに外部メモリ（記憶領域）を組み合わせるアーキテクチャの欧州特許（2023年登録）。記憶を保持して次の行動に活かす、AIエージェントの「メモリ」機能に直結する登録事例です。
欧州のポイント：AIを「具体的な技術分野・技術的目的」（医療機器の信号解析、画像・音声処理、機械制御、通信、暗号など）に結びつけること。数式の新規性だけに頼らず、技術的実装やデータパイプラインを記載すること。技術的効果が学習データの特性に依存する場合は、その特性を開示すること（2025年改訂ガイドラインで強調）。
日本・米国・欧州の審査比較（早見表）
| 比較項目 | 日本（JPO） | 米国（USPTO） | 欧州（EPO） |
|---|---|---|---|
| 判断の枠組み | ハードウェア資源での具体的実現 | Alice/Mayo 2ステップ | 52条＋COMVIK（2段階） |
| コアAI（モデル改良） | 工夫＋顕著な効果で可 | 技術的改善を示せば可 | 厳しい（T0702/20で拒絶） |
| 権利化しやすい型 | 具体的処理フロー・新規入力特徴 | 技術的課題への具体的応用 | 技術的目的・技術的実装に紐付け |
| 公式の手がかり | AI事例集（2019・2024） | AIガイダンス事例47〜49（2024） | ガイドラインG-II 3.3.1・G1/19 |
| 一般的な傾向 | 比較的緩やか | Alice後に厳格化→2024年で予測性向上 | 技術的貢献を最も厳しく要求 |
共通する本質：3極に共通するのは「AIで何を実現するか（ビジネスアイデア）」ではなく、「それをどう技術的に実現するか」を具体的に記載することです。この一点が、AIエージェント特許の成否を分けます。
事例から学ぶ｜権利化を成功させる5つのポイント
日米欧の事例から導かれる、AIエージェント特許を成功させる実務上のポイントをまとめます。
① 公開前に出願する：論文・OSS・プレスリリースでの公開は新規性を喪失させます。いかなる情報公開よりも前に出願を完了しましょう。
② 「処理フロー」で書く：プロンプト文やビジネスアイデアではなく、システムがどんな条件でどう動的に振る舞うかという情報処理プロセスとして記載します。
③ 技術的課題と効果を明示する：「ハルシネーションをどう防ぐか」など、技術的課題と、それを解決する具体的手段・顕著な効果をセットで示します。
④ 特定技術に依存しすぎない：特定の外部API（OpenAI等）に完全依存したクレームは、将来のモデル乗り換えで権利が及ばなくなります。自社のコアバリューを普遍的概念で抽出しましょう。
⑤ 各国の審査基準に合わせる：日本・米国・欧州で「効く」クレームの書き方は異なります。グローバル出願では各法域の実務に精通した戦略が不可欠です。
AIエージェント技術の特許化、まずはご相談を。
IT・ソフトウェア分野に精通した弁理士が、技術のヒアリングから先行技術調査、各国での権利化戦略までトータルサポート。初回無料相談を承ります。
初回無料相談を予約IT・AI知財サービスよくある質問（FAQ）
Q. AIエージェントは特許になりますか？
A. なります。AIエージェントの推論アルゴリズムそのものは数学的手法ですが、コンピュータ等のハードウェア資源を用いて情報処理を具体的に実現するシステム・方法として記載すれば、日本・米国・欧州いずれでも特許の対象となり得ます。実際にGoogleのTransformer特許（US10,452,978）やOpenAIのツール連携特許（US11,922,144）など、AIエージェントの基盤技術が多数登録されています。
Q. プロンプトの工夫だけで特許は取れますか？
A. 取りにくいのが実情です。プロンプト文そのものは「人間の取り決め（情報の提示）」とみなされやすく、発明に該当しないリスクがあります。日本特許庁の2024年事例でも、単に質問をLLMに入力して回答を生成する構成は進歩性が否定されました。一方、文脈に応じてプロンプトを動的に生成・合成する情報処理プロセスとして記載すれば権利化の可能性が高まります。
Q. 日本・米国・欧州で一番特許が取りやすいのはどこですか？
A. 一概には言えませんが、ソフトウェア発明の登録要件は一般に「日本が比較的緩やか、欧州（EPO）が最も技術的貢献を厳しく求める」と評価されることが多いです。米国はAlice判決後に厳格化しましたが、2024年7月のAI審査ガイダンス（事例47〜49）で実務上の予測可能性が高まりました。いずれの国でも「技術的課題を技術的手段で解決している」ことの明示が鍵です。
Q. AIエージェント特許の有名な事例はありますか？
A. 代表例として、現代のLLMの基盤である「Transformer」のGoogle特許（US10,452,978）、ChatGPTのプラグイン／関数呼び出しに相当するOpenAIの外部API連携特許（US11,922,144）、DeepMindの外部メモリ拡張ニューラルネットワーク特許（欧州EP3398117）などがあります。日本でも三菱電機のニューラルネット圧縮特許（JP7282070）やコマツの作業機械向け学習済みモデル特許（JP7177608）が登録されています。
Q. 技術を論文やGitHubで公開した後でも特許出願できますか？
A. 原則として、公開後は新規性を喪失し特許を取得できません。日本には一定要件下で救済される「新規性喪失の例外」（30条）制度がありますが、国によって要件が異なり万能ではありません。AI業界は公開スピードが速いため、論文発表・OSS公開・プレスリリースよりも前に出願を完了することが極めて重要です。
Q. AIエージェントの発明は弁理士に相談すべきですか？
A. 強く推奨します。AIエージェント特許は、ブラックボックス化しがちなシステムの中から「権利化できる技術」を抽出し、各国の審査基準に合わせてクレーム（権利範囲）を設計する高度な専門性が必要です。IT・ソフトウェア分野に精通した弁理士に相談することで、競合に回避されにくい強い特許網を構築できます。
参考情報源（一次ソース）
- 特許庁 審査ハンドブック 附属書B 第1章（コンピュータソフトウエア関連発明）：https://www.jpo.go.jp/system/laws/rule/guideline/patent/handbook_shinsa/index.html
- 特許庁 AI関連技術に関する事例：https://www.jpo.go.jp/system/laws/rule/guideline/patent/ai_jirei.html
- USPTO 2024 AI Subject Matter Eligibility Guidance（Examples 47-49）：https://www.uspto.gov/sites/default/files/documents/2024-AI-SMEUpdateExamples47-49.pdf
- EPO Guidelines G-II 3.3.1（AI and machine learning）：https://www.epo.org/en/legal/guidelines-epc/2024/g_ii_3_3_1.html
- US 10,452,978（Google Transformer）：https://patents.google.com/patent/US10452978B2/en
- US 11,922,144（OpenAI 外部API連携）：https://patents.google.com/patent/US11922144B1/en
- EP 3398117（DeepMind 外部メモリ拡張NN）：https://patents.google.com/patent/EP3398117B1/en
- JP 7282070（三菱電機 圧縮データ）：https://patents.google.com/patent/JP7282070B2/en
- JP 7177608（コマツ 位置推定モデル）：https://patents.google.com/patent/JP7177608B2/en
