Até agora, nesta série, explicamos a construção (US 2025/0299023), a infraestrutura de execução (US 12,430,150) e o próprio agente (US 12,566,913).Este artigo protege a quarta camada: o “fluxo de dados” desde o aprendizado até a inferência (infraestrutura de MLOps). Um advogado especializado em propriedade intelectual de IA fará a explicação, citando as reivindicações reais.
💡 Ponto-chave: este artigo é a quarta explicação individual da série sobre as patentes da Anthropic. Ao lê-lo em conjunto com a edição de análise estratégica, é possível compreender de forma abrangente o panorama geral da rede de patentes da Anthropic em torno do conceito de “Computer Use”.
Índice
| Item | Conteúdo |
|---|---|
| Número de publicação | US 2025/0299074 A1 |
| Nome da invenção | Lógica de fluxo de dados para fornecer agentes de inteligência artificial que automatizam o uso de software multimodal |
| Data de publicação | 25 de setembro de 2025 |
| Data do pedido | 8 de outubro de 2024 |
| Data de prioridade | 20 de março de 2024 |
| Requerente | Anthropic PBC (retificado em 17 de abril de 2025) |
| Número de reivindicações | 20 |
| Status | Pedido publicado (em tramitação) |
A Anthropic protege um único produto, chamado “Computer Use”, de forma multifacetada em quatro camadas diferentes. Vamos organizar o panorama geral, incluindo este caso.
| Camadas | Patentes/Pedidos | O que é protegido | Exemplo |
|---|---|---|---|
| ① Estrutura | US 2025/0299023 A1 | Mecanismo de criação de agentes e linguagem dedicada | Roteiro |
| ② Infraestrutura de execução | US 12.430.150 B1 | Runtime (cliente/servidor) | Palco |
| ③ Agente principal | US 12.566.913 B2 | Inteligência e funcionamento do agente | Atores |
| ④ Fluxo de dados | US 2025/0299074 A1 (este artigo) | Pipeline de aprendizado a inferência · Dados de aprendizado | Circulação sanguínea e nutrição |
💡 Ponto-chave: Além das “partes visíveis” — “roteiro, palco e atores” —, este caso abrange a “circulação sanguínea” = dados e o pipeline. Como a competitividade da IA é determinada pela base de dados, a obtenção de direitos sobre esta quarta camada é uma jogada importante que confere profundidade à rede de patentes.
A essência da reivindicação 1 reside na separação clara entre os dois tipos de servidores.
Em sistemas de aprendizado de máquina, é comum separar o “ambiente de treinamento do modelo (training)” do “ambiente de produção (inference/produção)”, onde o serviço é efetivamente fornecido ao usuário. Neste caso, a própria estrutura básica do MLOps (operação de aprendizado de máquina) está sendo reivindicada no contexto dos agentes de IA.
O que conecta esses dois grupos de servidores e coordena o fluxo de dados é a “lógica de fluxo de dados (data flow logic)”. De acordo com a reivindicação 1, essa lógica realiza as quatro funções a seguir:
| Etapa | Funcionamento da lógica de fluxo de dados |
|---|---|
| Durante o aprendizado | Fornece o agente e o conjunto de dados de aprendizado ao servidor de aprendizado para que ele seja treinado |
| Implantação | Configurar o servidor de produção com os agentes treinados |
| Durante a inferência | Enviar o prompt do cliente ao servidor de produção para que ele seja traduzido em uma chamada ao agente |
| Retorno | Disponibilizar a saída gerada para o cliente |
💡 Ponto-chave: Ao estabelecer um componente integrador chamado “fluxo de dados e lógica”, todo o ciclo de vida — desde o aprendizado até a implantação, a inferência e a devolução — é tratado como um único sistema. Trata-se de uma configuração típica de uma patente de sistema, que se concentra no “fluxo” em vez de em componentes individuais.
O aspecto estrategicamente mais importante neste caso é o conteúdo dos dados de treinamento especificado na reivindicação 1.A reivindicação estipula que o conjunto de dados de treinamento inclua “imagens de trajetórias de agentes (agentic trajectories) pré-definidas para tarefas de automação de interface multimodal” e que “cada trajetória seja acompanhada de anotações multimodais detalhadas que descrevam as ações e as decisões do agente”.
Em outras palavras, trata-se de dados de treinamento de alta qualidade que registram e anotam a sequência de ações do agente de IA — “o que ele viu na tela, como pensou e como agiu”. Dados como esses não podem ser criados da noite para o dia.São justamente esses dados de aprendizado exclusivos que constituem uma “barreira” (moat) que os concorrentes não conseguem reproduzir facilmente, e é nesse ponto — ao incorporá-los como elementos da reivindicação — que se manifesta a estratégia da Anthropic.
US 2025/0299074 A1 | Reivindicação 1 (texto original / inglês)
Um sistema para fornecer agentes de inteligência artificial que automatizam o uso de software, compreendendo: uma pluralidade de servidores de treinamento configurados para treinar agentes durante o treinamento; uma pluralidade de servidores de produção configurados para executar os agentes treinados durante a inferência; uma pluralidade de conjuntos de dados de treinamento, em que a pluralidade de conjuntos de dados inclui imagens de trajetórias definidas dos agentes para fluxos de trabalho de tarefas de automação de interface multimodal, cada trajetória acompanhada por anotações multimodais detalhadas que descrevem ações e decisões dos agentes; e uma lógica de fluxo de dados configurada para: durante o treinamento, fornecer os agentes e a pluralidade de conjuntos de dados de treinamento aos servidores de treinamento, a fim de fazer com que os servidores de treinamento treinem os agentes com base na pluralidade de conjuntos de dados de treinamento e, assim, produzam os agentes treinados; configurar os servidores de produção com os agentes treinados para uso durante a inferência; durante a inferência, fornecer aos servidores de produção os comandos de automação de interface multimodal emitidos pelos clientes, de modo a fazer com que os servidores de produção traduzam os comandos em chamadas de agentes de automação de interface multimodal, em que cada chamada de agente de automação de interface multimodal especifica ações de interface para fazer com que os agentes treinados gerem saídas que automatizem o fluxo de trabalho da interface multimodal em resposta aos comandos multimodais; e disponibilizar as saídas aos clientes.
Tradução de referência feita por um advogado de patentes (em japonês)
| Limitações | Significado técnico | Motivo da aplicação |
|---|---|---|
| Separação entre servidor de treinamento e servidor de produção | Estrutura de MLOps entre treinamento e inferência | Configuração específica de hardware do sistema |
| Trajetórias de agentes anotadas (dados de treinamento) | Dados de alta qualidade que registram comportamentos e decisões | O poço de dados. Protegendo a fonte de diferenciação |
| Fluxo de dados e lógica | Coordenação de todo o ciclo de vida | O núcleo da patente de sistema que capta o “fluxo” |
A reivindicação 1 deste caso não se refere a uma pequena peça específica, mas reivindica o “sistema como um todo”, incluindo o servidor de treinamento, o servidor de produção, os dados de treinamento, o fluxo de dados e a lógica. Isso tem um significado estratégico.
① É difícil de contornar. Operadoras que fornecem agentes de IA em grande escala possuem, de alguma forma, um “ambiente de treinamento” e um “ambiente de produção”, e fazem o fluxo de dados entre eles. Ao abranger o sistema como um todo, fica mais fácil incluir na extensão dos direitos mesmo que parte dos componentes seja alterada.
② Incorpora ativos intangíveis, como os dados, ao escopo dos direitos. Ao incluir “trajetórias anotadas” como elemento da reivindicação, os ativos de dados — difíceis de imitar — passam a estar sob a proteção legal.
Atenção | Reivindicações amplas também acarretam riscos correspondentes: reivindicações que abrangem amplamente o sistema como um todo também apresentam, na mesma proporção, o risco de serem invalidadas com base na técnica anterior (especialmente porque a estrutura geral de MLOps é uma área com muitas técnicas de conhecimento público). É necessário acompanhar de perto o andamento do processo para verificar até que ponto esta patente será registrada na fase de exame (o processo está em andamento).Manter um equilíbrio entre reivindicações amplas e restritas é uma prática recomendada na prática jurídica.
Por apresentar uma configuração específica de sistema — com servidores de treinamento e de produção — e elementos técnicos como dados anotados, essa configuração tende a evitar a classificação como “ideia abstrata” nos testes de Alice/Mayo. No entanto, como há muitos exemplos conhecidos de estruturas de MLOps, a capacidade de avanço (novidade e não obviedade) pode se tornar um ponto de discussão.
Como o processamento de informações — composto por conjuntos de servidores, fluxo de dados e lógica — é concretamente implementado por meio de recursos de hardware, essa é uma configuração que facilmente atende aos requisitos de patenteabilidade como invenção relacionada a software. A atividade inventiva tem como pontos-chave o projeto de dados denominado “trajetória de agente anotada” e os recursos técnicos para a gestão do fluxo de dados.
Embora seja fácil argumentar a contribuição para o sistema técnico que abrange o pipeline de aprendizado à inferência, é eficaz explicitamente demonstrar os efeitos técnicos (eficiência, confiabilidade etc.) para evitar que a invenção seja avaliada como uma mera “disposição operacional”.
① Proteja não apenas o produto, mas também a “infraestrutura”. Não apenas a tecnologia executada, mas também o pipeline de aprendizado a inferência (infraestrutura de MLOps) é objeto de proteção.
② Incorporar dados de aprendizado exclusivos aos direitos. Métodos e estruturas de criação de dados difíceis de imitar, como “trajetórias anotadas”, tornam-se uma “barreira” poderosa. Considere incorporá-los aos elementos das reivindicações.
③ Faça o pedido de patente tanto para o sistema como um todo quanto para seus componentes. Combine reivindicações amplas para o sistema com reivindicações específicas e sólidas para os componentes, equilibrando o risco de invalidação e a dificuldade de contornar a patente.
④ Registre o produto dividindo-o em várias camadas. Proteja cada camada separadamente — como a construção, a infraestrutura de execução, o corpo do produto e a infraestrutura de dados — para fortalecer a rede de patentes.
Que tal proteger não apenas a IA e os produtos da sua empresa, mas também os “dados e o pipeline”?
Nossos advogados especializados nas áreas de TI, software e IA oferecem suporte completo, desde a avaliação gratuita da viabilidade de obtenção de direitos, passando pela elaboração de reivindicações que incluem dados e MLOps, até o monitoramento de patentes concorrentes e estratégias de depósito no Japão, nos EUA e na Europa.
Agende uma consulta inicial gratuita Serviços de Propriedade Intelectual em TI e IAP. O que é a patente US 2025/0299074 A1?
R. Trata-se de uma publicação de pedido de patente nos EUA da Anthropic, que tem como objeto a “lógica de fluxo de dados” para fornecer agentes de IA que automatizam o uso de software.Sua principal característica é a separação entre o servidor de treinamento (que treina os agentes) e o servidor de produção (que executa inferências com os agentes já treinados), além de coordenar o fluxo de dados entre eles (fornecimento de dados de treinamento, implantação de modelos treinados, processamento de prompts dos clientes e retorno de resultados).Divulgada em 25 de setembro de 2025, em processo de análise, com 20 reivindicações no total.
P. O que é o “Data Flow Logic”?
R. É um mecanismo que coordena o fluxo de dados dentro do sistema. Neste pedido, ele é responsável por uma série de “organização do tráfego de dados”, que consiste em: ① fornecer dados de treinamento ao servidor durante o treinamento; ② implantar o agente treinado no servidor de produção; ③ encaminhar as solicitações do cliente para o servidor de produção durante a inferência; e ④ retornar a saída ao cliente.
P. Em que essa patente difere das três anteriores?
R. O “Computer Use” da Anthropic é protegido de forma hierárquica em quatro camadas: ① construção (US 2025/0299023), ② infraestrutura de execução (US 12,430,150),③ o próprio agente (US 12,566,913) e, ④ neste caso, trata-se do “fluxo de dados = pipeline da aprendizagem à inferência (infraestrutura MLOps)”. É uma estrutura que abrange não apenas a “estrutura” do produto, mas também sua “circulação”.
P. O que é “trajetória do agente com anotações”?
R. Trata-se do núcleo dos dados de aprendizado mencionados na reivindicação 1, que consiste em “imagens das trajetórias de ação do agente (agentic trajectories)” em tarefas de automação de interfaces multimodais, às quais foram adicionadas “anotações detalhadas que descrevem as ações e as decisões do agente”.Trata-se de dados de treinamento de alta qualidade que registram “como o agente de IA pensou e como agiu”, constituindo uma fonte de competitividade (a “vala de dados”).
P. Há algum ponto que possa servir de referência para o desenvolvimento de IA da nossa empresa?
R. O ponto é que não apenas o “próprio produto”, mas também o “pipeline de dados, desde o aprendizado até a inferência” e a “maneira de criar dados de aprendizado exclusivos” podem ser objeto de patente. Em especial, o mecanismo de geração de dados de aprendizado exclusivos (como trajetórias anotadas) constitui um “fosso” que os concorrentes não conseguem reproduzir facilmente, sendo, portanto, uma área que merece ser considerada para a obtenção de direitos de propriedade intelectual.
Observações sobre este artigo: Este artigo é uma explicação geral sobre tecnologia e regulamentação com base em boletins de pedidos de patente publicados. O US 2025/0299074 A1 é um pedido publicado em processo de exame e ainda não foi registrado. Como as reivindicações podem ser alteradas por meio de correções, o escopo final dos direitos ainda não está definido.As reivindicações, o resumo e o conteúdo da descrição citados baseiam-se em dados de publicações oficiais (Google Patents/FreePatentsOnline, etc.), mas, para fins juridicamente importantes (FTO, análise de violação, pedidos de patente, etc.), verifique sempre o original do USPTO e as informações mais recentes sobre o andamento do processo e recorra à análise individual de um especialista.A tradução para o japonês é uma tradução de referência para facilitar a compreensão; o texto oficial é o original em inglês.