汎用AIだけでは届かない特許実務へ～サマリアMCPでできること～

はじめに 汎用AIだけでは届かない特許実務へ AIの理解力に、実際の特許データを接続する 汎用AI 自然言語で目的や課題を伝えるだけ 調査目的を理解する 検索条件を設計する 結果を比較・整理する 技術的な意味を説明する 考える・設計する・解釈する力は汎用AIの強み! Summaria MCP 会話の文脈と特許データを つなぐ接続レイヤー MCP AIから検索・取得を呼び出す 会話の文脈と特許データを接続 同じ母集団で分析を継続 特許データ 実務で使える確かな一次情報 検索結果と総件数 公報本文・請求項・図面 出願人・年・分類の集計 番号対応・ファミリー 出典が明確なデータだから、確認・説明がしやすい! この接続でできること 大量データを正確・高速に扱える 同じ条件で継続的に分析できる 根拠のある比較・集計で説得力が高まる 実務にそのまま使えるアウトプットに もっともらしい回答から、確認できる『根拠付きの特許調査』へ

第1章 サマリアMCPとは 生成AIと特許データベースをつなぐ接続レイヤー 1 あなた 質問・目的 知りたい技術や解決したい課題を入力 2 生成AI 理解・設計・分析 目的を理解し、検索条件や調査の方針を設計・分析 3 MCP 安全な接続 AIと特許データベースを安全につなぐ接続レイヤー 4 サマリア 検索・取得・集計 特許データを検索・取得し、件数や分類を集計 5 回答 根拠付き 根拠となる特許情報を添えてわかりやすく回答 生成AIの役割 調査目的を理解 検索条件を設計 請求項を分解 結果を比較・説明 サマリアMCPの役割 特許DBを検索 件数・分類を集計 公報・図面を取得 番号対応を確認 AIを置き換えるのではなく、AIの推論に「特許データの根拠」を加える

第2章 自然言語から特許検索を実行 調べたい内容を、AIが検索条件へ落とし込む 1 自然言語で依頼 全固体電池のうち硫化物系固体電解質を2018年以降で調べたい 2 AIが条件を分解 技術テーマ 類義語 検索フィールド 出願期間 出願人 IPC・FI 3 検索式を設計 「全固体電池」 AND 「硫化物 固体電解質」 AND/OR/NOT・近接条件 4 検索して取得 母集団 該当文献を集約 総件数 検索結果全体を確認 代表文献 次の精読候補へ 専門的な検索式を最初から完成させなくても、対話しながら検索を設計できる

第3章 検索式を作るだけでなく、結果を診断 各条件のヒット数を見て、検索の詰まりを特定する 最終ANDを見ると… 条件A AND 条件B AND 条件C 0件 原因はまだ分からない 「0件」だけではどこが悪いのか判断できない 条件ごとの単独ヒット数 条件A 多数 主題は十分広い 条件B 中程度 絞り込みに有効 条件C 0件 ここがボトルネック どの節が0件か/どの節が母集団を膨らませるか 各条件のヒット数を比較してボトルネックと広げ役を特定 AIが原因を切り分けて改善 表記揺れを追加 ANDを緩める 明細書まで拡張 再検索して確認 修正前後の検索式と件数を残す 原因に応じて適切に手を打ち、改善の効果を確認する 「0件だった」で終わらず、なぜ少ないのかを診断して検索精度を上げる

第4章 検索母集団全体を集計・比較 一覧では見えない、企業・年・技術分類の構造を把握する 検索母集団 検索結果全体の確定件数 同じ集合を、複数の軸で見る 集計できる軸 出願年 時間の推移 出願人 主要プレイヤー IPC・FI 技術領域 Fターム 課題・用途・構造 データベース 公報種別 クロス集計で見えること 出願人×出願年 FI×出願年 継続企業 複数年にわたり出願 急増企業 近年の件数が増加 注力分類 企業ごとの重点領域 成長領域 分類別の増加傾向 同じ条件で継続的に分析できる 根拠のある比較・集計で説得力が高まる 大量データを正確・高速に扱える 実務にそのまま使えるアウトプットに 文献一覧を眺めるだけでなく、母集団全体の競争構造と技術動向を見る

第5章 同じ検索母集団を保持して、分析を続ける 検索をやり直さず、分析軸だけを変えて深掘りする 今の検索母集団は変えずに、次は… 保持された検索母集団 set_id = 同じ集合の識別子 同じ集合に対して、質問を重ねる 1 出願年別件数 時間の推移を見る 2 主要出願人 プレイヤーを確認 3 出願人×年 クロス集計 4 主要FI 技術分類を確認 5 代表文献 請求項・明細書へ 6 サンプル検証 傾向を本文で確認 一度確定した母集団を基準に、会話のまま分析の深さと角度を変えられる

第6章 特許番号から、公報原文へ 番号を起点に、請求項・明細書・図面まで横断して読む 1 番号を入力 特開/特許 US/EP/WO... 最初に番号対応を確認 公開番号 登録番号 出願番号 2 取得できる情報 書誌 要約 請求項 明細書 図面 分類・ファミリー 取得元・請求項番号・段落・図面番号を根拠として保持 3 AIが読み解く 独立請求項 権利の中心を特定 構成要件 要素ごとに分解 実施形態 請求項との対応 図面 部材・構造との対応 比較 文献間の共通点・相違点 not_found/unavailableは推測で補完しない 番号を起点に確実に公報を取得 請求項・明細書・図面まで横断してつながる 根拠を保持して信頼性の高い分析へ 比較・分析・レポートまでスムーズに活用 実務にそのまま使えるアウトプットに 単なる要約ではなく、権利範囲と実施形態を根拠箇所付きで理解する

第7章 複数特許文献を根拠付きで比較 共通構成・相違点・固有限定を、請求項単位で整理する 比較する文献 文献A WO/EP/JP 文献B US登録公報 文献C 競合の国内公報 最初に番号対応とfound/statusを確認 AI+MCPの比較手順 1 番号関係を確認 同一ファミリーと決めつけない 2 書誌・独立請求項を取得 取得できた文献だけを対象に 3 構成要件へ分解 要件A・B・C…にそろえる 4 原文箇所を付けて比較 請求項番号・段落を保持 比較マトリクス 構成要件 A B C 根拠 基本構成 数値範囲 追加限定 共通構成 各文献に共通 固有限定 文献ごとの特徴 相違点 権利範囲の差 無理に共通点を作らず、取得できた文献だけを原文根拠付きで比較する

第8章 特許番号の対応関係を確認 番号の混在と取り違えを防ぎ、読むべき公報へ正確にたどる 1 入力される番号 さまざまな表記でも、そのまま入力OK! 特願2018... 特願2020... 特許7090953 US...B2 EP...A1 WO... 表記は入力のまま渡す 2 番号解決 入力番号がシステムで解決されます resolve_patent_numbers found=true 対応関係を返す found=false 見つからない status 理由を明示 3 対応結果から、読む公報を選ぶ 入力番号から各種公報へつながります 入力番号 出願番号 手続の起点 公開公報 公開時の本文 登録公報 登録時の請求項 取得元公報 本文の出典 類似番号や別文献で推測補完しない POINT 番号対応を先に確定し、別文献の取り違えや誤ったファミリー比較を防ぐ

第9章 特許分類を、件数と正式定義に分けて読む IPC・CPC・FI・Fタームを、集計結果と分類体系の両方から理解する 1 検索母集団のfacet 分類コード別の件数 H01M10/0562 82件 H01M4/36 60件 H01M4/38 44件 H01B1/10 31件 ここで得るのは「件数の事実」 2 分類コードを正式照会 分類体系の定義を確認する H 電気 H01 電気素子 H01M 電池・化学エネルギー H01M10/0562 固体電解質 ここで得るのは「分類体系の定義」 3 AIが意味を統合 データの意味をつなぎ、示唆を導く 件数 どの分類が多いか 推移 近年増えているか 定義 分類は何を指すか 文献 実際の技術内容は何か 件数と定義を混ぜない 分類コードはラベルではなく、母集団の変化を読み解くための共通言語になる

第10章 拒絶理由通知書から、引用文献の原文へ 添付文書の番号抽出と、MCPの文献取得を一つの流れにつなぐ 1 外部文書 拒絶理由通知書 サーチレポート 2 AIが番号抽出 出願・公開・登録番号をすべて抽出 3 MCPで番号解決 found/statusを確認 信頼できるデータを返却 4 公報原文を取得 要約・請求項・明細書 公報本文を取得 5 対比表 一致点・相違点・論点を一覧で整理 回答では、3つの層を分ける 1 文献に明記された事実 請求項・段落・図面番号など、原文に基づく事実を提示 2 審査官の認定 拒絶理由通知書の記載を正確に把握・再現 3 AIによる比較・解釈 一致点・相違点・論点を整理し、論理的にわかりやすく解説 添付文書の読解と特許原文の取得を分担し、引用文献確認を一つの対話で進める

第11章 対話で整えた母集団を、サマリア本体の業務へ MCPで探索・準備し、本体で定期監視・一括処理・正式レポートへつなぐ MCPで準備するもの 検索式 set_id/母集団 公報番号リスト 分析観点 候補文献 サマリア本体で展開 SDI・定期監視 新着公報を自動収集 レポート クロス集計・Word出力 一括指示 複数文献へ同じ分析 先行技術・無効 一致点・相違点を抽出 クリアランス 製品仕様と請求項を比較 クレームチャート 構成要件ごとに対比 発明評価 評価基準でランク付け MCPから直接実行するのではなく、適切な本体機能へ引き継ぐ 対話型の探索と、大量処理・継続運用を役割分担することで実務へ定着させる

汎用AIのみとの違いは、回答の流暢さではない 決定的な違いは「どのデータを根拠としているか」 汎用AIのみ 特許検索 検索式まで 総件数 確認不能・推定 条件診断 厳しい条件を推測 公報本文 渡された範囲だけ 番号対応 取り違えリスク 母集団分析 別途データが必要 未取得情報 推測補完の可能性 再現性 情報源が曖昧 もっともらしい説明に留まりやすい VS サマリアMCP連携 特許検索 実DBで検索 総件数 確定件数を取得 条件診断 単独ヒット数で確認 公報本文 番号から取得 番号対応 found/statusを確認 母集団分析 facet・クロス集計 未取得情報 not_found等を明示 再現性 式・DB・日時を記録 実データに基づく、確認可能な回答へ AIに『それらしく語らせる』のではなく、実際の特許データに基づいて答えさせる

サマリアMCPの5つのメリット 検索・取得・分析を接続し、AIを実務で使える形にする 1 原文という根拠 請求項番号・段落・図面を回答の根拠として保持 2 一つの対話 検索→診断→集計→精読を文脈を保って連続実行 3 役割分担 サマリア・AI・人が得意な処理を担当 4 再現性 検索式・DB・日時・件数を後から確認できる 5 調査の入口を広げる 自然言語から始め、専門家と一緒に精度を上げる 速さだけでなく、根拠・再現性・役割分担まで含めて特許調査を改善する

利用者ごとの活用シーン 発明者・知財・特許事務所・事業企画へ 同じ特許データ基盤を、役割ごとの意思決定に活用する 発明者・研究開発 研究テーマの先行技術 既存技術との差分 異分野転用・代替構成 アイデアの新規性や実現可能性を素早く検証し、研究開発を加速! 特許事務所・法律事務所 引用文献の確認 請求項マッピング 拒絶・無効の論点整理 根拠ある分析で、出願・中間処理・訴訟業務の精度とスピードを向上! 特許データ×AI 企業の知財担当 母集団・競合動向 FTO一次候補 SDI用検索式 網羅的なデータでリスクを可視化し、知財戦略を強化! 事業企画・経営企画 技術ポートフォリオ 新規参入・協業候補 M&A・新規事業の材料 データに基づく戦略立案で、事業機会を最大化! 同じ検索基盤でも、誰が使うかによって『次の意思決定』が変わる

利用時の注意点 強力だからこそ、使い方の境界を明確に 事実・分析・仮説を分け、専門家の最終判断につなげる サマリアMCPが支援すること 事実/分析/提案/要確認をラベル分け 検索・母集団形成・件数集計 公報本文・請求項・図面の取得 構成要件分解・文献比較 調査対象と論点の絞り込み 検索条件と未取得情報の記録 AIが事実整理をサポートし、判断の質とスピードを高めます 自動で確定しないこと 最終判断は対象国の専門家・公式情報で確認 特許性・有効性・侵害の法的結論 検索結果の完全性・不存在の証明 未収録国を含む世界網羅検索 大量文献の無制限な一括取得 本体機能の自動実行・保存 AIは強力な支援者。最終判断は専門家が行うことが重要です AIを過信せず、確認できる事実を増やして、人の判断をより良くする

まとめ 対話型特許調査へ 生成AIの価値は、接続するデータと業務プロセスで変わる 1 目的を話す 自然言語 調査したいテーマや課題を自然言語で伝える 2 検索する 特許DB キーワードをもとに特許データを検索する 3 診断する 条件別件数 検索結果をもとに件数や傾向を診断する 4 集計する 企業・年・分類 競合・年次・技術分類などを集計・可視化する 5 原文へ降りる 請求項・図面 必要な特許の請求項や図面など原文を確認する 6 意思決定へ 人が判断 得られた情報をもとに人が判断し、次のアクションへ 汎用AI 理解・設計・比較・説明 自然言語の理解や整理、比較・説明をサポート MCP接続ワークフロー 検索・取得・集計・根拠 特許DBや業務プロセスに接続し、データ取得や集計を自動で実行 『AIに特許を質問する』から、『AIと一緒に特許調査を進める』へ