La potenza di un agente di intelligenza artificiale non dipende solo dal modello, ma dall’intero sistema di base, ovvero «con quali dati, in che modo viene addestrato e come viene gestito». Tra i brevetti che sostengono il «Computer Use» di Anthropic, in questo articolo approfondiremo proprio la domanda di brevetto US 2025/0299074 A1, che tutela questo flusso di dati (pipeline).
Finora, in questa serie, abbiamo illustrato la fase di costruzione (US 2025/0299023), l’infrastruttura di esecuzione (US 12,430,150) e l’agente stesso (US 12,566,913).La presente domanda protegge il quarto livello, ovvero il «flusso di dati» dall’apprendimento all’inferenza (infrastruttura MLOps). Un consulente in proprietà industriale nel campo dell’IA fornirà una spiegazione citando le rivendicazioni effettive.
💡 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
| Voce | Contenuto |
|---|---|
| Numero di pubblicazione | US 2025/0299074 A1 |
| Denominazione dell’invenzione | Logica di flusso dei dati per la fornitura di agenti di intelligenza artificiale che automatizzano l’utilizzo di software multimodale |
| Data di pubblicazione | 25 settembre 2025 |
| Data di deposito | 8 ottobre 2024 |
| Data di priorità | 20 marzo 2024 |
| Richiedente | Anthropic PBC (rettificato il 17 aprile 2025) |
| Numero di rivendicazioni | 20 |
| Stato | Domanda pubblicata (in fase di esame) |
Anthropic protegge il proprio prodotto «Computer Use» in modo articolato attraverso quattro livelli distinti. Esaminiamo il quadro generale, includendo il presente caso.
| Livello | Brevetti/Domande di brevetto | Oggetto della protezione | Esempio |
|---|---|---|---|
| ① Struttura | US 2025/0299023 A1 | Meccanismo di creazione degli agenti e linguaggio dedicato | Sceneggiatura |
| ② Piattaforma di esecuzione | US 12.430.150 B1 | Runtime (client/server) | Ambiente |
| ③ Agente principale | US 12.566.913 B2 | Intelligenza e funzionamento dell’agente | Attori |
| ④ Flusso dei dati | US 2025/0299074 A1 (il presente articolo) | Pipeline dall’apprendimento al ragionamento – Dati di apprendimento | Circolazione sanguigna e nutrimento |
💡 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.
L’elemento fondamentale della rivendicazione 1 risiede nella chiara separazione tra i due tipi di server.
Nei sistemi di apprendimento automatico, è prassi comune separare «l’ambiente di addestramento del modello (training)» dall’«ambiente in cui il servizio viene effettivamente fornito agli utenti (inference/produzione)». Nel presente caso, si formalizza come rivendicazione proprio questa struttura di base dell’MLOps (gestione operativa dell’apprendimento automatico) nel contesto degli agenti di intelligenza artificiale.
La «logica del flusso di dati (data flow logic)» collega questi due gruppi di server e coordina il flusso dei dati. Secondo la rivendicazione 1, tale logica svolge le seguenti quattro funzioni:
| Fase | Funzionamento della logica del flusso di dati |
|---|---|
| Fase di apprendimento | Fornisce l’agente e il set di dati di apprendimento al server di apprendimento per consentirne l’addestramento |
| Distribuzione | Configurare il server di produzione con gli agenti addestrati |
| In fase di inferenza | Si inviano i prompt del client al server di produzione affinché vengano tradotti in chiamate all’agente |
| Restituzione | Rendere disponibile al cliente l’output generato |
💡 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.
L’aspetto strategicamente più rilevante in questo caso è il contenuto dei dati di addestramento specificato nella rivendicazione 1.La rivendicazione stabilisce che il set di dati di addestramento comprenda «immagini di traiettorie agentiche (agentic trajectories) predefinite per attività di automazione di interfacce multimodali» e che «a ciascuna traiettoria siano associate annotazioni multimodali dettagliate che descrivono le azioni e le decisioni dell’agente».
Si tratta, in altre parole, di dati di addestramento di alta qualità che registrano e annotano la sequenza di azioni compiute dall’agente AI, ovvero «come ha osservato lo schermo, come ha ragionato e come ha agito». Dati di questo tipo non possono essere creati dall’oggi al domani.Proprio i dati di addestramento proprietari costituiscono quel «fossato» (moat) che i concorrenti non possono facilmente riprodurre, e la strategia di Anthropic si manifesta proprio nel fatto di averli integrati come elementi delle rivendicazioni.
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)
| Limitazioni | Significato tecnico | Motivo per cui è efficace |
|---|---|---|
| Separazione tra server di addestramento e server di produzione | Struttura MLOps tra addestramento e inferenza | Configurazione hardware specifica del sistema |
| Tracciati degli agenti annotati (dati di addestramento) | Dati di alta qualità che registrano azioni e decisioni | Il patrimonio di dati. Tutela dei diritti sulla fonte di differenziazione |
| Flusso dei dati e logica | Gestione integrata dell’intero ciclo di vita | Il nucleo del brevetto di sistema che coglie il “flusso” |
La rivendicazione 1 del presente caso non riguarda una specifica piccola componente, bensì rivendica il “sistema nel suo complesso”, che comprende il server di addestramento, il server di produzione, i dati di addestramento, il flusso di dati e la logica. Ciò riveste un significato strategico.
① È difficile da eludere. Gli operatori che forniscono agenti di intelligenza artificiale su larga scala dispongono in qualche modo di un «ambiente di addestramento» e di un «ambiente di produzione», tra i quali fanno fluire i dati. Coprendo l’intero sistema, anche se si modificano alcuni dei suoi componenti, questi rientrano più facilmente nell’ambito di protezione del brevetto.
② Si includono i dati, in quanto beni immateriali, nell’ambito dei diritti. Rendendo le «tracce annotate» un elemento della rivendicazione, si inseriscono nel campo di applicazione della tutela giuridica beni di dati difficili da imitare.
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.
Poiché presenta una configurazione di sistema concreta, composta da server di apprendimento e server di produzione, e elementi tecnici quali i dati annotati, si tratta di una configurazione che consente di evitare facilmente la valutazione di «idea astratta» nei test di Alice/Mayo. Tuttavia, poiché esistono numerosi esempi noti di strutture MLOps, l’originalità (novità e non ovvietà) potrebbe costituire un punto controverso.
Poiché l’elaborazione delle informazioni – costituita da gruppi di server, flussi di dati e logica – è concretamente realizzata tramite risorse hardware, si tratta di una configurazione che soddisfa facilmente i requisiti di brevettabilità come invenzione relativa al software. Per quanto riguarda l’attività inventiva, la chiave risiede nella progettazione dei dati denominata «tracce degli agenti annotate» e nelle soluzioni tecniche relative alla gestione dei flussi di dati.
Sebbene sia facile sostenere il contributo apportato al sistema tecnico costituito dalla pipeline che va dall’apprendimento al ragionamento, è utile indicare chiaramente gli effetti tecnici (efficienza, affidabilità, ecc.) per evitare che venga valutato come una mera «disposizione operativa».
① Proteggere non solo il prodotto, ma anche la «piattaforma». Non solo la tecnologia implementata, ma anche la pipeline dall’apprendimento all’inferenza (piattaforma MLOps) è oggetto di tutela.
② Includere i dati di apprendimento proprietari nella protezione. Le modalità di creazione e la struttura dei dati difficili da imitare, come le «tracce annotate», costituiscono un potente «bastione». Si valuti la possibilità di integrarli negli elementi delle rivendicazioni.
③ Presentare domande sia per l’intero sistema che per i singoli componenti. Combinare rivendicazioni di sistema di ampio respiro con rivendicazioni sui componenti più specifiche e solide, per trovare un equilibrio tra il rischio di invalidazione e la difficoltà di elusione.
④ Presentare la domanda di brevetto suddividendo il prodotto in più livelli. Si rafforza la rete di brevetti ottenendo la tutela per ogni singolo livello, ad esempio: architettura, piattaforma di esecuzione, corpo principale e infrastruttura dati.
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.
Prenoti una prima consulenza gratuita Servizi di proprietà intellettuale nel settore IT e IAD. 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.
AUTORE / Autore
Takefumi Sugiura (SUGIURA Takefumi)
Studio di proprietà intellettuale EVORIX – Consulente in proprietà industriale e rappresentante legale
Assiste clienti operanti in un’ampia gamma di settori, tra cui IT, produzione, start-up, moda e sanità, in ogni fase del processo, dalla presentazione delle domande di brevetto, marchio, disegno e modello e diritti d’autore fino ai procedimenti di ricorso e alle cause per violazione.È inoltre esperto in strategie di proprietà intellettuale nei settori all’avanguardia quali AI, IoT, Web3 e FinTech. È membro di diverse associazioni, tra cui l’Ordine dei Patentisti del Giappone, l’Associazione Asiatica dei Patentisti (APAA) e l’Associazione Giapponese dei Marchi (JTA).