지금까지 본 시리즈에서는 구축(US 2025/0299023), 실행 기반(US 12,430,150), 에이전트 본체(US 12,566,913)에 대해 설명했습니다.본 건은 그 네 번째 계층, 즉 학습에서 추론에 이르는 "데이터의 흐름"(MLOps 기반)을 보호합니다. AI 지적재산권에 정통한 변리사가 실제 청구항을 인용하며 해설합니다.
💡 핵심: 본 기사는 Anthropic 특허 시리즈의 개별 해설(4번째)입니다. 전략 분석 편과 함께 읽으면, Anthropic의 ‘Computer Use’를 둘러싼 특허망의 전체상을 입체적으로 이해할 수 있습니다.
목차
| 항목 | 내용 |
|---|---|
| 공개 번호 | US 2025/0299074 A1 |
| 발명의 명칭 | 다중 모드 소프트웨어 사용을 자동화하는 인공 지능 에이전트를 제공하는 데이터 흐름 로직 |
| 공개일 | 2025년 9월 25일 |
| 출원일 | 2024년 10월 8일 |
| 우선일 | 2024년 3월 20일 |
| 출원인 | Anthropic PBC (2025년 4월 17일 정정) |
| 청구항 수 | 20 |
| 상태 | 공개 출원 (심사 계속 중) |
Anthropic은 ‘Computer Use’라는 단일 제품을 4가지 서로 다른 레이어로 다층적으로 보호하고 있습니다. 본 건을 포함한 전체적인 구도를 정리해 보겠습니다.
| 계층 | 특허/출원 | 보호 대상 | 예시 |
|---|---|---|---|
| ① 구축 | US 2025/0299023 A1 | 에이전트를 생성하는 구조·전용 언어 | 각본 |
| ② 실행 기반 | US 12,430,150 B1 | 런타임(클라이언트/서버) | 무대 |
| ③ 에이전트 본체 | US 12,566,913 B2 | 에이전트의 지능·동작 | 배우 |
| ④ 데이터 흐름 | US 2025/0299074 A1 (본 기사) | 학습~추론 파이프라인·학습 데이터 | 혈류·영양 |
💡 요점: ‘각본·무대·배우’라는 ‘보이는 부분’에 더해, 본 건은 ‘혈류’＝데이터와 파이프라인을 확보하고 있습니다. AI의 경쟁력은 데이터 기반에 따라 결정되므로, 이 제4 레이어의 권리화는 특허망에 깊이를 더하는 중요한 한 수입니다.
청구항 1의 핵심은 두 종류의 서버를 명확히 분리하고 있다는 점에 있습니다.
기계 학습 시스템에서는 ‘모델을 훈련하는 환경(training)’과 ‘실제로 사용자에게 제공하는 환경(inference/프로덕션)’을 분리하는 것이 일반적입니다. 본 건은 이러한 MLOps(기계 학습 운영)의 기본 구조 자체를 AI 에이전트의 맥락에서 청구항으로 구성하고 있습니다.
이 두 서버군을 연결하고 데이터의 흐름을 총괄하는 것이 ‘데이터 흐름 로직(data flow logic)’입니다. 클레임 1에 따르면, 이 로직은 다음 4가지 기능을 수행합니다.
| 단계 | 데이터 플로우 로직의 동작 |
|---|---|
| 학습 시 | 에이전트와 학습 데이터셋을 학습 서버에 제공하여 훈련시킴 |
| 배포 | 훈련된 에이전트로 운영 서버를 구성한다 |
| 추론 시 | 클라이언트의 프롬프트를 운영 서버에 제공하여 에이전트 호출로 변환시킨다 |
| 반환 | 생성된 출력을 클라이언트가 사용할 수 있도록 한다 |
💡 핵심: ‘데이터 흐름·로직’이라는 통합 구성 요소를 구축함으로써, 학습~배포~추론~반환이라는 전체 라이프사이클을 하나의 시스템으로 구성하고 있습니다. 개별 부품이 아닌 ‘흐름’을 파악하는, 시스템 특허다운 구성입니다.
본 건에서 가장 전략적으로 중요한 것은 청구항 1에 명시된 학습 데이터의 내용입니다.청구항은 학습 데이터셋이 ‘다중 모달 인터페이스 자동화 작업을 위한, 미리 정의된 에이전트 궤적(agentic trajectories)의 이미지’를 포함하며, ‘각 궤적에는 액션과 에이전트의 판단을 기술한 상세한 다중 모달 주석이 첨부된다’고 규정합니다.
즉, AI 에이전트가 ‘화면을 보고 어떻게 생각하며 어떻게 조작했는지’라는 일련의 행동을 기록하고 주석을 달아 놓은 고품질의 학습 데이터입니다. 이러한 데이터는 하루아침에 만들 수 없습니다.독자적인 학습 데이터야말로 경쟁사가 쉽게 재현할 수 없는 ‘성곽(moat)’이며, 이를 청구항의 요소로 포함시킨 점에서 Anthropic의 전략이 드러납니다.
US 2025/0299074 A1｜청구항 1(원문/영어)
소프트웨어 사용을 자동화하는 인공 지능 에이전트를 제공하는 시스템으로, 다음을 포함한다: 훈련 중에 에이전트를 훈련시키도록 구성된 복수의 훈련 서버; 추론 중에 훈련된 에이전트를 실행하도록 구성된 복수의 프로덕션 서버; 복수의 훈련 데이터셋, 여기서 상기 복수의 데이터셋은 다중 모드 인터페이스 자동화 작업 워크플로우를 위한 정의된 에이전트 궤적의 이미지를 포함하며, 각 궤적에는 동작 및 에이전트의 결정을 설명하는 상세한 다중 모드 주석이 수반된다; 그리고 다음을 수행하도록 구성된 데이터 흐름 로직: 훈련 중에 에이전트 및 복수의 훈련 데이터셋을 훈련 서버에 제공하여, 훈련 서버가 복수의 훈련 데이터셋을 기반으로 에이전트를 훈련시키고, 이를 통해 훈련된 에이전트를 생성하도록 함; 추론 중에 사용하기 위해 훈련된 에이전트로 프로덕션 서버를 구성함; 추론 중에, 클라이언트가 발행한 다중 모드 인터페이스 자동화 프롬프트를 프로덕션 서버에 제공하여, 프로덕션 서버가 해당 프롬프트를 다중 모드 인터페이스 자동화 에이전트 호출로 변환하도록 하며, 여기서 각 다중 모드 인터페이스 자동화 에이전트 호출은 훈련된 에이전트가 다중 모드 프롬프트에 응답하여 다중 모드 인터페이스 워크플로우를 자동화하는 출력을 생성하도록 하는 인터페이스 동작을 명시하며; 그리고 해당 출력을 클라이언트가 이용할 수 있도록 한다.
변리사의 참고 번역(일본어)
| 제한 | 기술적 의미 | 적용되는 이유 |
|---|---|---|
| 학습 서버/프로덕션 서버의 분리 | train↔inference의 MLOps 구조 | 시스템의 구체적인 하드웨어 구성 |
| 주석이 달린 에이전트 궤적(학습 데이터) | 행동과 판단을 기록한 고품질 데이터 | 데이터의 보고. 차별화의 원천을 자산화 |
| 데이터 흐름 및 로직 | 전체 라이프사이클의 총괄 | ‘흐름’을 포착하는 시스템 특허의 핵심 |
본 건의 청구항 1은 특정 작은 부품이 아니라, 학습 서버·실행 서버·학습 데이터·데이터 흐름·로직을 포함하는 ‘시스템 전체’를 청구하고 있습니다. 여기에는 전략적인 의미가 있습니다.
① 회피가 어렵다. 대규모로 AI 에이전트를 제공하는 사업자는 어떤 형태로든 ‘학습 환경’과 ‘실행 환경’을 갖추고, 그 사이에서 데이터를 흐르게 합니다. 시스템 전체를 포괄함으로써 구성 요소의 일부를 변경하더라도 권리 범위에 포함되기 쉬워집니다.
② 데이터라는 무형 자산을 권리 범위에 포함시킨다. ‘주석이 달린 궤적’을 청구항 요소로 삼음으로써, 모방이 어려운 데이터 자산을 법적 보호의 범위에 포함시키고 있다.
주의｜광범위한 청구항에는 그에 상응하는 위험도 따릅니다: 시스템 전체를 광범위하게 청구하는 청구항은 그만큼 선행 기술에 의해 무효화될 위험도 내포하고 있습니다(특히 일반적인 MLOps 구조는 공지 기술이 많은 분야입니다). 본 건이 심사에서 어느 정도 범위까지 등록될지는 향후 경과를 주시할 필요가 있습니다(본 건은 계속 중입니다).광범위한 청구항과 좁은 청구항을 균형 있게 구성하는 것이 실무상의 정석입니다.
학습 서버·실행 서버라는 구체적인 시스템 구성과 주석이 달린 데이터라는 기술적 요소를 갖추고 있어, Alice/Mayo 테스트에서 ‘추상적 아이디어’라는 평가를 피하기 쉬운 구성입니다. 다만, MLOps 구조는 공지 사례가 많아 진보성(신규성·비자명성)이 쟁점이 될 수 있습니다.
서버군·데이터 흐름·로직과 같은 정보 처리가 하드웨어 자원을 통해 구체적으로 구현되어 있어, 소프트웨어 관련 발명으로서 특허 적격성을 충족하기 쉬운 구성입니다. 진보성은 ‘주석이 달린 에이전트 궤적’이라는 데이터 설계나, 데이터 흐름을 총괄하는 기술적 고안이 핵심이 됩니다.
학습~추론 파이프라인이라는 기술적 시스템에 대한 기여를 주장하기 쉬운 반면, 순수한 "운영상의 규정"으로 평가되지 않도록 기술적 효과(효율·신뢰성 등)를 명시하는 것이 효과적입니다.
① 제품뿐만 아니라 "기반"을 보호합니다. 실행하는 기술뿐만 아니라, 학습~추론 파이프라인(MLOps 기반)도 권리화 대상입니다.
② 독자적인 학습 데이터를 권리에 포함시킵니다. ‘주석이 달린 궤적’과 같이 모방이 어려운 데이터의 생성 방법 및 구조는 강력한 ‘해자’가 됩니다. 청구항 요소에 이를 포함시키는 것을 검토합시다.
③ 시스템 전체와 구성 요소를 병행하여 출원합니다. 폭넓은 시스템 청구항과 좁고 견고한 구성 요소 청구항을 함께 마련하여, 무효화 위험과 회피 곤란성 간의 균형을 맞춥니다.
④ 제품을 다층적으로 나누어 출원합니다. 구축·실행 기반·본체·데이터 기반과 같이 레이어별로 권리를 확보하여 특허망을 두텁게 만듭니다.
자사의 AI, 제품뿐만 아니라 “데이터와 파이프라인”까지 보호해 보시지 않겠습니까?
IT·소프트웨어·AI 분야에 정통한 변리사가 권리화 가능성 무료 진단, 데이터·MLOps를 포함한 청구항 설계, 경쟁 특허 모니터링, 일본·미국·유럽에서의 출원 전략까지 종합적으로 지원해 드립니다.
첫 상담 무료 예약 IT·AI 지식재산권 서비스Q. US 2025/0299074 A1은 어떤 특허입니까?
A. Anthropic(안트로픽)의 미국 특허 출원 공개로, 소프트웨어 사용을 자동화하는 AI 에이전트를 제공하는 ‘데이터 흐름 로직’을 대상으로 합니다.학습 서버(에이전트 훈련)와 운영 서버(훈련된 에이전트의 추론 실행)를 분리하고, 그 사이의 데이터 흐름(학습 데이터 공급, 훈련된 모델 배포, 클라이언트의 프롬프트 처리, 출력 반환)을 총괄하는 점이 특징입니다.2025년 9월 25일 공개, 심사 계속 중, 총 20개 청구항.
Q. ‘데이터 플로우 로직’이란 무엇입니까?
A. 시스템 내에서 데이터가 어떻게 흐르는지를 총괄하는 구조입니다. 본 출원에서는 ① 학습 시 학습 데이터를 서버에 공급하고, ② 훈련된 에이전트를 운영 서버에 배포하며, ③ 추론 시 클라이언트의 프롬프트를 운영 서버로 전송하고, ④ 출력을 클라이언트에 반환하는 일련의 ‘데이터 흐름 관리’를 담당합니다.
Q. 이 특허는 앞서 언급한 3건과 무엇이 다른가요?
A. Anthropic의 ‘Computer Use’는 4개의 계층으로 중첩적으로 보호되고 있습니다. ① 구축(US 2025/0299023), ② 실행 기반(US 12,430,150),③ 에이전트 본체(US 12,566,913), 그리고 ④ 본 건은 ‘데이터 흐름 = 학습부터 추론까지의 파이프라인(MLOps 기반)’입니다. 제품의 ‘골격’뿐만 아니라 ‘혈류’까지 아우르는 구조입니다.
Q. ‘주석이 달린 에이전트 궤적’이란 무엇입니까?
A. 청구항 1에 등장하는 학습 데이터의 핵심으로, 멀티모달 인터페이스 자동화 작업에서 ‘에이전트의 행동 궤적(agentic trajectories) 이미지’에 ‘액션과 에이전트의 판단을 기술한 상세한 주석’을 첨부한 것입니다.AI 에이전트가 "어떻게 생각하고, 어떻게 움직였는지"를 기록한 고품질 학습 데이터이며, 경쟁력의 원천(데이터의 성곽)이 됩니다.
Q. 자사의 AI 개발에 참고할 만한 점이 있나요?
A. ‘제품 그 자체’뿐만 아니라, ‘학습에서 추론에 이르는 데이터 파이프라인’이나 ‘독자적인 학습 데이터 생성 방법’도 특허 대상이 될 수 있다는 점입니다. 특히 독자적인 학습 데이터(주석이 달린 궤적 등)를 생성하는 메커니즘은 경쟁사가 쉽게 재현할 수 없는 ‘성곽’이 되므로, 권리화 검토 가치가 높은 분야입니다.
본 기사의 주의사항: 본 기사는 공개된 특허출원 공보를 바탕으로 한 일반적인 기술·제도 해설입니다. US 2025/0299074 A1은 심사 계속 중인 공개 출원이며, 등록되지 않았습니다. 청구항은 보정을 통해 변경될 수 있으므로, 최종적인 권리 범위는 확정되지 않았습니다.인용된 청구항·요약·명세서 기재 내용은 공개 공보 데이터(Google Patents/FreePatentsOnline 등)를 기반으로 하지만, 법적으로 중요한 용도(FTO·침해 분석·출원 등)에서는 반드시 USPTO 정본과 최신 경과 정보를 확인한 후, 전문가의 개별 검토를 받아주시기 바랍니다.일본어 번역은 이해를 돕기 위한 참고 번역이며, 정식 문서는 영어 원문입니다.