Dans cette série, nous avons jusqu’à présent abordé la construction (US 2025/0299023), l’infrastructure d’exécution (US 12,430,150) et l’agent lui-même (US 12,566,913).La présente demande protège la quatrième couche, à savoir le « flux de données » allant de l’apprentissage à l’inférence (infrastructure MLOps). Un conseil en propriété industrielle spécialisé dans la propriété intellectuelle liée à l’IA en donne l’explication en citant les revendications réelles.
💡 Point clé : cet article est la quatrième analyse individuelle de la série consacrée aux brevets d’Anthropic. En le lisant conjointement avec la partie consacrée à l’analyse stratégique, vous pourrez vous faire une idée globale et en trois dimensions du réseau de brevets d’Anthropic autour de la notion de « Computer Use ».
Sommaire
| Rubrique | Contenu |
|---|---|
| Numéro de publication | US 2025/0299074 A1 |
| Intitulé de l'invention | Logique de flux de données permettant de fournir des agents d’intelligence artificielle qui automatisent l’utilisation de logiciels multimodaux |
| Date de publication | 25 septembre 2025 |
| Date de dépôt | 8 octobre 2024 |
| Date de priorité | 20 mars 2024 |
| Demandeur | Anthropic PBC (rectifié le 17 avril 2025) |
| Nombre de revendications | 20 |
| Statut | Demande publiée (en cours d'examen) |
Anthropic protège son produit « Computer Use » de manière stratifiée, à travers quatre couches distinctes. Faisons le point sur la vue d’ensemble, en incluant le présent dossier.
| Niveaux | Brevet/Demande | Objet de la protection | Exemple |
|---|---|---|---|
| ① Mise en place | US 2025/0299023 A1 | Mécanisme de création d’agents et langage dédié | Scénario |
| ② Plateforme d'exécution | US 12 430 150 B1 | Environnement d’exécution (client/serveur) | Scène |
| ③ Agent principal | US 12 566 913 B2 | Intelligence et fonctionnement de l’agent | Acteur |
| ④ Flux de données | US 2025/0299074 A1 (cet article) | Pipeline d’apprentissage et de raisonnement · Données d’apprentissage | Circulation sanguine et nutrition |
💡 Point clé : outre les « éléments visibles » que sont le « scénario, la scène et les acteurs », cette demande de brevet couvre également la « circulation sanguine », c’est-à-dire les données et le pipeline. La compétitivité de l’IA dépendant de sa base de données, la protection des droits sur cette quatrième couche constitue une stratégie clé qui renforce la profondeur du réseau de brevets.
La structure de la revendication 1 repose sur la séparation claire entre ces deux types de serveurs.
Dans les systèmes d’apprentissage automatique, il est courant de séparer « l’environnement d’entraînement du modèle (training) » et « l’environnement de production (inference) » où le service est effectivement fourni aux utilisateurs. Dans le cas présent, c’est cette structure fondamentale même du MLOps (exploitation de l’apprentissage automatique) qui est revendiquée dans le contexte des agents IA.
C’est la « logique de flux de données (data flow logic) » qui relie ces deux groupes de serveurs et coordonne le flux de données. Selon la revendication 1, cette logique effectue les quatre opérations suivantes :
| Étapes | Fonctionnement de la logique de flux de données |
|---|---|
| Phase d’apprentissage | Fournir l’agent et l’ensemble de données d’apprentissage au serveur d’apprentissage afin de le former |
| Déploiement | Configurer le serveur de production avec les agents entraînés |
| Au moment de l’inférence | Transmettre les invites du client au serveur de production afin qu’il les traduise en appels d’agents |
| Réponse | Mettre la sortie générée à la disposition du client |
💡 Point clé : en mettant en place un composant global appelé « logique de flux de données », l’ensemble du cycle de vie — de l’apprentissage au déploiement, en passant par l’inférence et la restitution — est géré comme un système unique. Il s’agit d’une architecture typique d’un brevet de système, qui met l’accent sur le « flux » plutôt que sur les composants individuels.
L’élément le plus important d’un point de vue stratégique dans cette affaire est le contenu des données d’apprentissage mentionné dans la revendication 1.La revendication stipule que l’ensemble de données d’apprentissage comprend « des images de trajectoires d’agents (agentic trajectories) prédéfinies pour des tâches d’automatisation d’interfaces multimodales » et que « chaque trajectoire est accompagnée d’annotations multimodales détaillées décrivant les actions et les décisions de l’agent ».
Il s’agit donc de données d’apprentissage de haute qualité qui enregistrent et annotent la séquence d’actions d’un agent IA : « ce qu’il a vu à l’écran, comment il a raisonné et comment il a agi ». De telles données ne peuvent pas être créées du jour au lendemain.Ces données d’apprentissage exclusives constituent un véritable « fossé » (moat) que la concurrence ne peut pas facilement reproduire, et c’est précisément en les intégrant comme éléments de revendication que la stratégie d’Anthropic se révèle.
US 2025/0299074 A1 | Revendication 1 (texte original / anglais)
Système destiné à fournir des agents d’intelligence artificielle qui automatisent l’utilisation de logiciels, comprenant : une pluralité de serveurs d’entraînement configurés pour entraîner les agents pendant la phase d’entraînement ; une pluralité de serveurs de production configurés pour exécuter les agents formés pendant l’inférence ; une pluralité d’ensembles de données d’entraînement, dans laquelle la pluralité d’ensembles de données comprend des images de trajectoires d’agents définies pour des flux de travail de tâches d’automatisation d’interfaces multimodales, chaque trajectoire étant accompagnée d’annotations multimodales détaillées décrivant les actions et les décisions des agents ; et une logique de flux de données configurée pour : pendant l’entraînement, fournir les agents et la pluralité d’ensembles de données d’entraînement aux serveurs d’entraînement afin d’amener ces derniers à entraîner les agents sur la pluralité d’ensembles de données d’entraînement et ainsi produire les agents entraînés ; configurer les serveurs de production avec les agents entraînés en vue de leur utilisation pendant l’inférence ; pendant l’inférence, fournir aux serveurs de production les invites d’automatisation d’interface multimodale émises par les clients afin que les serveurs de production traduisent ces invites en appels d’agents d’automatisation d’interface multimodale, chaque appel d’agent d’automatisation d’interface multimodale spécifiant des actions d’interface destinées à amener les agents formés à générer des sorties qui automatisent le flux de travail d’interface multimodale en réponse aux invites multimodales ; et de mettre ces résultats à la disposition des clients.
Traduction de référence par un conseil en brevets (en japonais)
| Limitations | Signification technique | Raison de la validité |
|---|---|---|
| Séparation entre serveur d’apprentissage et serveur de production | Structure MLOps « entraînement ↔ inférence » | Configuration matérielle spécifique du système |
| Trajectoires d’agents annotées (données d’apprentissage) | Données de haute qualité enregistrant les comportements et les décisions | L'exploitation des données. Capitaliser sur la source de différenciation |
| Flux de données et logique | Gestion de l’ensemble du cycle de vie | Le cœur du brevet de système : saisir le « flux » |
Dans la présente affaire, la revendication 1 ne porte pas sur un petit composant spécifique, mais revendique le « système dans son ensemble », comprenant le serveur d’apprentissage, le serveur de production, les données d’apprentissage, le flux de données et la logique. Cela revêt une importance stratégique.
① Elle est difficile à contourner. Les opérateurs proposant des agents d’IA à grande échelle disposent, d’une manière ou d’une autre, d’un « environnement d’apprentissage » et d’un « environnement de production », entre lesquels circulent des données. En couvrant l’ensemble du système, il devient plus facile de faire entrer dans le champ d’application du brevet même si certains éléments constitutifs sont modifiés.
② Intégration des données, ces actifs incorporels, dans le champ d’application des droits. En faisant des « traces annotées » un élément de la revendication, on place des actifs de données difficiles à imiter dans le champ d’application de la protection juridique.
Attention | Des revendications larges comportent des risques proportionnels : les revendications couvrant l’ensemble du système de manière étendue comportent d’autant plus le risque d’être invalidées par l’état de la technique (en particulier dans le domaine des structures MLOps générales, où de nombreuses techniques sont déjà connues). Il convient de suivre de près l’évolution de cette affaire pour déterminer dans quelle mesure elle sera enregistrée lors de l’examen (cette affaire est actuellement en instance).La règle d’or dans la pratique consiste à trouver un juste équilibre entre revendications larges et revendications étroites.
Comme cette invention présente une architecture système concrète (serveur d’apprentissage et serveur de production) ainsi qu’un élément technique spécifique (les données annotées), elle est susceptible d’échapper à la qualification d’« idée abstraite » lors des tests d’Alice et de Mayo. Toutefois, les architectures MLOps comptant de nombreux exemples connus, la question de l’état de la technique (nouveauté et non-évidence) pourrait faire l’objet d’un débat.
Le traitement de l’information (groupe de serveurs, flux de données, logique) étant concrètement mis en œuvre à l’aide de ressources matérielles, cette configuration remplit facilement les critères de brevetabilité en tant qu’invention liée aux logiciels. En matière de progrès technique, la conception des données sous forme de « trajectoires d’agents annotées » ainsi que les innovations techniques relatives à la gestion des flux de données constituent des éléments clés.
S’il est facile de faire valoir la contribution apportée au système technique que constitue le pipeline allant de l’apprentissage à l’inférence, il est toutefois utile de mettre en évidence les effets techniques (efficacité, fiabilité, etc.) afin d’éviter que cette invention ne soit considérée comme une simple « règle opérationnelle ».
① Protégez non seulement le produit, mais aussi la « plateforme ». Outre les technologies mises en œuvre, le pipeline d’apprentissage et d’inférence (plateforme MLOps) peut également faire l’objet d’une protection par brevet.
② Intégrer vos données d’apprentissage propriétaires dans la protection. Les méthodes de création et la structure de données difficiles à imiter, telles que les « trajectoires annotées », constituent un « fossé » solide. Envisagez de les intégrer dans les éléments de la revendication.
③ Déposer des demandes couvrant à la fois le système dans son ensemble et ses composants. Combiner des revendications système larges et des revendications de composants étroites et solides permet de trouver un équilibre entre le risque d’invalidation et la difficulté de contournement.
④ Déposez des demandes de brevet en segmentant le produit en plusieurs couches. Protégez chaque couche (par exemple, l’architecture, la plateforme d’exécution, le cœur du système et la base de données) afin de renforcer votre réseau de brevets.
Pourquoi ne pas protéger non seulement votre IA et vos produits, mais aussi vos « données et pipelines » ?
Des conseils en propriété industrielle spécialisés dans les domaines de l’informatique, des logiciels et de l’IA vous apportent un accompagnement complet : diagnostic gratuit de la faisabilité de la protection, conception de revendications incluant les données et le MLOps, veille sur les brevets concurrents, ainsi que stratégie de dépôt au Japon, aux États-Unis et en Europe.
Réserver une première consultation gratuite Services de propriété intellectuelle en informatique et IAQ. En quoi consiste le brevet US 2025/0299074 A1 ?
R. Il s’agit d’une publication de demande de brevet américain déposée par Anthropic, qui porte sur une « logique de flux de données » fournissant un agent IA permettant d’automatiser l’utilisation de logiciels.Elle se caractérise par la séparation entre le serveur d’apprentissage (qui forme les agents) et le serveur de production (qui exécute les inférences des agents formés), ainsi que par la gestion centralisée du flux de données entre les deux (fourniture des données d’apprentissage, déploiement des modèles formés, traitement des invites des clients, renvoi des résultats).Publiée le 25 septembre 2025, en cours d’examen, 20 revendications au total.
Q. Qu’est-ce que la « logique de flux de données » ?
R. Il s’agit d’un mécanisme qui gère la manière dont les données circulent au sein du système. Dans la présente demande, ce mécanisme assure une « gestion du trafic des données » comprenant les étapes suivantes : ① fournir les données d’apprentissage au serveur lors de l’apprentissage, ② déployer l’agent entraîné sur le serveur de production, ③ acheminer les invites des clients vers le serveur de production lors de l’inférence, et ④ renvoyer les résultats aux clients.
Q. En quoi ce brevet diffère-t-il des trois précédents ?
R. Le « Computer Use » d’Anthropic bénéficie d’une protection multicouche à quatre niveaux : ① la construction (US 2025/0299023), ② la plateforme d’exécution (US 12,430,150),③ l’agent lui-même (US 12,566,913), et ④ le présent brevet porte sur le « flux de données = pipeline allant de l’apprentissage à l’inférence (infrastructure MLOps) ». Il s’agit d’une structure qui couvre non seulement le « squelette » du produit, mais aussi sa « circulation sanguine ».
Q. Qu’est-ce qu’une « trajectoire d’agent annotée » ?
R. Il s’agit du cœur des données d’apprentissage mentionnées dans la revendication 1 : des « images des trajectoires de l’agent (agentic trajectories) » issues de tâches d’automatisation d’interfaces multimodales, accompagnées d’« annotations détaillées décrivant les actions et les décisions de l’agent ».Il s’agit de données d’apprentissage de haute qualité qui enregistrent « comment l’agent IA a pensé et agi », et qui constituent une source de compétitivité (un « fossé de données »).
Q. Y a-t-il des éléments qui pourraient servir de référence pour le développement de l’IA au sein de notre entreprise ?
R. Le fait que non seulement le « produit lui-même », mais aussi le « pipeline de données allant de l’apprentissage à l’inférence » et la « méthode de création de données d’apprentissage propriétaires » puissent faire l’objet d’un brevet. En particulier, les mécanismes permettant de générer des données d’apprentissage propriétaires (telles que des trajectoires annotées) constituent un « fossé » que les concurrents ne peuvent pas facilement reproduire ; il s’agit donc d’un domaine pour lequel il est très intéressant d’envisager une protection par brevet.
Remarque concernant cet article : cet article est une explication générale des aspects techniques et institutionnels basée sur des publications de demandes de brevet rendues publiques. La demande US 2025/0299074 A1 est une demande publiée en cours d’examen et n’a pas encore été enregistrée. Les revendications pouvant faire l’objet de modifications par voie de correction, l’étendue définitive des droits n’est pas encore fixée.Les citations des revendications, du résumé et du descriptif sont basées sur les données des publications (Google Patents, FreePatentsOnline, etc.), mais pour toute utilisation juridiquement importante (analyse de la liberté d’exploitation, analyse de contrefaçon, dépôt de demande, etc.), veuillez impérativement vérifier l’original de l’USPTO ainsi que les dernières informations sur l’état d’avancement de la procédure, et faire appel à l’avis d’un expert pour une analyse au cas par cas.La traduction en japonais est fournie à titre indicatif pour faciliter la compréhension ; le texte de référence est la version originale en anglais.