Anthropic: la domanda US 2025/0299074 A1 sui flussi di dati tra training e inferenza

💡 Punto chiave: il presente articolo costituisce la quarta analisi specifica della serie dedicata ai brevetti di Anthropic. Leggendolo insieme alla parte dedicata all’analisi strategica, sarà possibile comprendere in modo approfondito il quadro complessivo della rete di brevetti di Anthropic relativa al «Computer Use».

Indice

1. Sintesi in 30 secondi | Il «fossato dei dati» degli agenti di IA
2. Informazioni di base sulla domanda di brevetto
3. I 4 livelli | Quadro generale dei brevetti Anthropic sul “Computer Use”
4. Tecnologia n. 1 | Separazione tra server di addestramento e server di produzione (train ↔ inference)
5. Tecnologia n. 2 | Flusso dei dati e logica = gestione del traffico complessivo
6. Tecnologia n. 3 | Il “vallo di dati” denominato “traiettorie annotate degli agenti”
7. Analisi dettagliata della rivendicazione 1
8. Il punto di vista del consulente in brevetti | Perché si rivendica il «sistema nel suo complesso»?
9. Come verrà valutata durante l’esame in Giappone, Stati Uniti ed Europa
10. Lezioni da trarre per le proprie domande di brevetto | Tutelare i «dati» e la «pipeline»
11. Domande frequenti (FAQ)

💡 Punto chiave: oltre alle «parti visibili» quali «copione, palcoscenico e attori», il presente caso copre anche il «flusso sanguigno», ovvero i dati e la pipeline. Poiché la competitività dell’IA dipende dalla base dati, la protezione dei diritti su questo quarto livello rappresenta una mossa fondamentale per conferire maggiore profondità alla rete di brevetti.

💡 Punto chiave: creando un componente coordinante denominato «flusso di dati e logica», si gestisce l’intero ciclo di vita — dall’apprendimento alla distribuzione, dall’inferenza alla restituzione — come un unico sistema. Si tratta di una configurazione tipica dei brevetti di sistema, che si concentra sul «flusso» anziché sui singoli componenti.

US 2025/0299074 A1 | Rivendicazione 1 (testo originale / inglese)

Un sistema per fornire agenti di intelligenza artificiale che automatizzano l’utilizzo del software, comprendente: una pluralità di server di addestramento configurati per addestrare gli agenti durante la fase di addestramento; una pluralità di server di produzione configurati per eseguire gli agenti addestrati durante la fase di inferenza; una pluralità di set di dati di addestramento, in cui la pluralità di set di dati include immagini di traiettorie agente definite per flussi di lavoro di automazione di interfacce multimodali, ciascuna traiettoria accompagnata da annotazioni multimodali dettagliate che descrivono azioni e decisioni degli agenti; e una logica di flusso dei dati configurata per: durante l’addestramento, fornire gli agenti e la pluralità di set di dati di addestramento ai server di addestramento affinché questi ultimi addestrino gli agenti sulla pluralità di set di dati di addestramento e producano così gli agenti addestrati; configurare i server di produzione con gli agenti addestrati per l’utilizzo durante l’inferenza; durante l’inferenza, fornire ai server di produzione i prompt di automazione dell’interfaccia multimodale emessi dai clienti, in modo che i server di produzione traducano tali prompt in chiamate agli agenti di automazione dell’interfaccia multimodale, dove ciascuna chiamata agli agenti di automazione dell’interfaccia multimodale specifica le azioni dell’interfaccia necessarie affinché gli agenti addestrati generino output che automatizzino il flusso di lavoro dell’interfaccia multimodale in risposta ai prompt multimodali; e rendere disponibili tali output ai clienti.

Traduzione di riferimento a cura di un consulente in brevetti (in giapponese)

Attenzione | Le rivendicazioni di ampia portata comportano rischi proporzionati: le rivendicazioni che coprono ampiamente l’intero sistema comportano, di conseguenza, il rischio di essere invalidate dalla tecnica anteriore (in particolare, le strutture MLOps generiche sono un ambito in cui la tecnica nota è molto diffusa). Sarà necessario seguire con attenzione gli sviluppi futuri per comprendere fino a che punto il presente caso verrà registrato in sede di esame (il caso è attualmente pendente).Una strategia consolidata nella pratica consiste nel trovare un equilibrio tra rivendicazioni ampie e rivendicazioni ristrette.

Perché non proteggere non solo l’IA e i prodotti della Sua azienda, ma anche i “dati e le pipeline”?

I nostri avvocati specializzati in proprietà intellettuale, esperti nei settori IT, software e IA, Le forniranno un supporto completo che spazia dalla valutazione gratuita della possibilità di ottenere i diritti, alla progettazione di rivendicazioni che includono dati e MLOps, al monitoraggio dei brevetti della concorrenza, fino alle strategie di deposito in Giappone, Stati Uniti ed Europa.

D. Che tipo di brevetto è l’US 2025/0299074 A1?

R. Si tratta di una pubblicazione di domanda di brevetto statunitense di Anthropic che riguarda la "logica del flusso di dati", volta a fornire agenti di intelligenza artificiale che automatizzano l’utilizzo del software.La sua caratteristica distintiva consiste nel separare il server di addestramento (che addestra gli agenti) dal server di produzione (che esegue il ragionamento con gli agenti già addestrati) e nel coordinare il flusso di dati tra di essi (fornitura dei dati di addestramento, distribuzione dei modelli addestrati, elaborazione dei prompt dei clienti e restituzione dei risultati).Pubblicata il 25 settembre 2025, attualmente in fase di esame, con un totale di 20 rivendicazioni.

D. Che cos’è la «Data Flow Logic»?

R. Si tratta di un meccanismo che gestisce il flusso dei dati all’interno del sistema. Nella presente domanda di brevetto, tale meccanismo si occupa di una serie di operazioni di “regolazione del traffico dei dati”, ovvero: ① fornire i dati di addestramento al server durante la fase di addestramento; ② distribuire gli agenti addestrati al server di produzione; ③ inviare i prompt dei clienti al server di produzione durante la fase di inferenza; ④ restituire gli output ai clienti.

D. In che cosa differisce questo brevetto dai tre precedenti?

A. Il «Computer Use» di Anthropic è protetto in modo stratificato su quattro livelli: ① la struttura (US 2025/0299023), ② la piattaforma di esecuzione (US 12,430,150),③ l’agente stesso (US 12,566,913) e, infine, ④ il presente brevetto riguarda il «flusso di dati = pipeline dall’apprendimento all’inferenza (infrastruttura MLOps)». Si tratta di una struttura che copre non solo la «struttura portante» del prodotto, ma anche il suo «flusso sanguigno».

D. Che cosa si intende per «traiettorie dell’agente annotate»?

A. Si tratta del nucleo dei dati di apprendimento citati nella rivendicazione 1, ovvero «immagini delle traiettorie dell’agente (agentic trajectories)» relative a compiti di automazione tramite interfaccia multimodale, corredate da «annotazioni dettagliate che descrivono le azioni e le decisioni dell’agente».Si tratta di dati di addestramento di alta qualità che registrano “come ha ragionato e come si è mosso” l’agente di IA e costituiscono una fonte di competitività (il “vantaggio competitivo basato sui dati”).

D. Vi sono aspetti che possono essere di riferimento per lo sviluppo dell’IA della propria azienda?

R. Il punto è che non solo il «prodotto in sé», ma anche la «pipeline di dati dall’apprendimento alla deduzione» e il «metodo di creazione di dati di apprendimento proprietari» possono essere oggetto di brevetto. In particolare, il meccanismo di generazione di dati di apprendimento proprietari (come le traiettorie annotate) costituisce un «vantaggio competitivo» che i concorrenti non possono facilmente riprodurre, pertanto si tratta di un ambito in cui vale la pena valutare la possibilità di ottenere la tutela brevettuale.

Note relative al presente articolo: il presente articolo costituisce una spiegazione generale degli aspetti tecnici e normativi basata sui bollettini di pubblicazione delle domande di brevetto rese pubbliche. US 2025/0299074 A1 è una domanda pubblicata in fase di esame e non è stata ancora registrata. Poiché le rivendicazioni possono subire modifiche in seguito a correzioni, l’ambito di protezione definitivo non è ancora stato stabilito.Le rivendicazioni, la sintesi e le descrizioni citate si basano sui dati delle pubblicazioni (Google Patents, FreePatentsOnline ecc.), ma per scopi giuridicamente rilevanti (FTO, analisi di violazione, depositi di domande, ecc.) si raccomanda di verificare sempre l’originale dell’USPTO e le informazioni aggiornate sullo stato di avanzamento della procedura, avvalendosi della consulenza individuale di un esperto.La traduzione in giapponese è da intendersi come traduzione di riferimento a scopo di comprensione; il testo ufficiale è quello originale in inglese.