【弁理士徹底解説】Anthropicの「データフロー」特許出願 US 2025/0299074 A1 を読み解く｜学習↔推論パイプラインとデータの堀

💡 要点：本記事は、Anthropic特許シリーズの個別解説（4件目）です。戦略分析編とあわせて読むと、Anthropicの「Computer Use」をめぐる特許網の全体像が立体的に理解できます。

目次

1. 30秒サマリー｜AIエージェントの「データの堀」
2. 特許出願の基本情報
3. 4つのレイヤー｜Anthropic「Computer Use」特許の全体像
4. 技術①｜学習サーバと本番サーバの分離（train↔inference）
5. 技術②｜データフロー・ロジック＝全体の交通整理
6. 技術③｜「注釈付きエージェント軌跡」というデータの堀
7. クレーム1を逐条で読む
8. 弁理士の視点｜なぜ「システム全体」を請求するのか
9. 日米欧の審査でどう評価されるか
10. 自社出願への教訓｜「データ」と「パイプライン」を守る
11. よくある質問（FAQ）

💡 要点：「脚本・舞台・役者」という"見える部分"に加え、本件は"血流"＝データとパイプラインを押さえています。AIの競争力はデータ基盤で決まるため、この第4レイヤーの権利化は、特許網に深みを与える重要な一手です。

💡 要点：「データフロー・ロジック」という統括コンポーネントを立てることで、学習〜配備〜推論〜返却というライフサイクル全体を一つのシステムとして請求しています。個々の部品ではなく"流れ"を押さえる、システム特許らしい構成です。

US 2025/0299074 A1｜Claim 1（原文／英語）

A system for providing artificial intelligence agents that automate software usage, comprising: a plurality of training servers configured to train agents during training; a plurality of production servers configured to execute the trained agents during inference; a plurality of training datasets, wherein the plurality of datasets includes images of defined agentic trajectories for multimodal interface automation task workflows, each trajectory accompanied by detailed multimodal annotations describing actions and agentic decisions; and a data flow logic configured to: during the training, provide the agents and the plurality of training datasets to the training servers to cause the training servers to train the agents on the plurality of training datasets and thereby produce the trained agents; configure the production servers with the trained agents for use during the inference; during the inference, provide multimodal interface automation prompts issued by clients to the production servers to cause the production servers to translate the prompts into multimodal interface automation agent calls, wherein each multimodal interface automation agent call specifies interface actions to cause the trained agents to generate outputs that automate multimodal interface workflow in response to the multimodal prompts; and make the outputs available to the clients.

弁理士による参考訳（日本語）

注意｜広いクレームには相応のリスクも：システム全体を広く請求するクレームは、その分、先行技術により無効とされるリスクも抱えます（とりわけ一般的なMLOps構造は公知技術が多い領域）。本件が審査でどこまでの範囲で登録されるかは、今後の経過を注視する必要があります（本件は係属中）。広いクレームと狭いクレームをバランスよく揃えることが、実務上の定石です。

自社のAI、製品だけでなく"データとパイプライン"まで守りませんか？

IT・ソフトウェア・AI分野に精通した弁理士が、権利化可能性の無料診断、データ・MLOpsを含むクレーム設計、競合特許のウォッチ、日米欧での出願戦略までトータルでご支援します。

Q. US 2025/0299074 A1はどんな特許ですか？

A. Anthropic（アンソロピック）の米国特許出願公開で、ソフトウェア利用を自動化するAIエージェントを提供する「データフロー・ロジック」を対象とします。学習サーバ（エージェントを訓練）と本番サーバ（訓練済みエージェントを推論実行）を分離し、その間のデータの流れ（学習データの供給、訓練済みモデルの配備、クライアントのプロンプト処理、出力の返却）を統括する点が特徴です。2025年9月25日公開、審査係属中、全20クレーム。

Q. 「データフロー・ロジック」とは何ですか？

A. システム内でデータがどう流れるかを統括する仕組みです。本出願では、①学習時に学習データをサーバへ供給し、②訓練済みエージェントを本番サーバへ配備し、③推論時にクライアントのプロンプトを本番サーバへ流し、④出力をクライアントへ返す、という一連の「データの交通整理」を担います。

Q. この特許は前の3件と何が違うのですか？

A. Anthropicの「Computer Use」は4つのレイヤーで重層的に保護されています。①構築（US 2025/0299023）、②実行基盤（US 12,430,150）、③エージェント本体（US 12,566,913）、そして④本件は「データの流れ＝学習から推論までのパイプライン（MLOps基盤）」です。製品の"骨格"だけでなく"血流"まで押さえる構造です。

Q. 「注釈付きエージェント軌跡」とは何ですか？

A. クレーム1に登場する学習データの中核で、マルチモーダル・インターフェース自動化タスクにおける「エージェントの行動の軌跡（agentic trajectories）の画像」に、「アクションとエージェントの判断を記述した詳細な注釈」を付したものです。AIエージェントが"どう考え、どう動いたか"を記録した高品質な学習データであり、競争力の源泉（データの堀）になります。

Q. 自社のAI開発で参考になる点はありますか？

A. 「製品そのもの」だけでなく、「学習から推論までのデータパイプライン」や「独自の学習データの作り方」も特許の対象になり得る、という点です。とりわけ独自の学習データ（注釈付き軌跡など）を生み出す仕組みは、競合が容易に再現できない"堀"となるため、権利化の検討価値が高い領域です。

本記事の注意事項：本記事は、公開された特許出願公報に基づく一般的な技術・制度解説です。US 2025/0299074 A1は審査係属中の公開出願であり、登録されていません。クレームは補正により変更され得るため、最終的な権利範囲は確定していません。引用したクレーム・要約・明細書記載は公開公報データ（Google Patents／FreePatentsOnline等）に基づきますが、法的に重要な用途（FTO・侵害分析・出願等）では、必ずUSPTO正本と最新の経過情報をご確認のうえ、専門家の個別検討をご利用ください。日本語訳は理解のための参考訳であり、正文は英語原文です。