Brug af AI i patentanalyse i fremtiden handler især om at finde, strukturere og vurdere patentinformation hurtigere, ikke om at erstatte den juridiske vurdering. AI kan styrke søgning, klassifikation, oversættelse, porteføljeanalyse og tidlig risikoscreening, men resultater skal dokumenteres, kontrolleres og holdes adskilt fra endelige patentretlige konklusioner.
AI kan gøre patentanalyse hurtigere og bredere, men den kan ikke alene afgøre patentbarhed, gyldighed eller krænkelse. Den mest nyttige brug ligger i søgning, klassifikation, oversættelse og porteføljeanalyse, når fortrolige data, kildehenvisninger og menneskelig fagvurdering kontrolleres systematisk.
Hvorfor ændrer AI patentanalyse?
Patentdata er omfattende, teknisk detaljeret og spredt på tværs af lande, sprog, patentfamilier, krav, beskrivelser, citationer og legal status. Det gør patentanalyse til en informationsopgave, hvor traditionelle søgeord, klassifikationskoder og ekspertviden stadig er nødvendige, men hvor AI kan gøre den første sortering mere effektiv.
Den store ændring er, at AI kan arbejde med betydning, ikke kun ordrette tekstmatch. En model kan pege på dokumenter, hvor samme tekniske ide beskrives med andre termer, og den kan gruppere mange patentpublikationer efter teknisk funktion, anvendelse eller problemområde. Det er især relevant, når opfindelser krydser fagområder, eller når virksomheder skal vurdere teknologier på flere markeder.
Fremtidens patentanalyse bliver derfor mindre afhængig af én perfekt søgestreng og mere afhængig af gentagne søgninger, validerede datakilder og sporbare beslutninger. AI kan give flere kandidater og flere vinkler, men analysens kvalitet afhænger stadig af, om resultaterne kan føres tilbage til konkrete patentdokumenter, krav, datoer og registre.
Hvilke opgaver kan AI allerede støtte i patentanalyse?
AI er mest moden som støtteværktøj i opgaver, hvor store mængder teknisk tekst skal sorteres, oversættes, sammenlignes eller prioriteres. Det gælder både tidlige innovationsscreeninger, konkurrentovervågning og analyser af patentporteføljer.
- Semantisk søgning efter kendt teknik, hvor modellen finder teknisk beslægtede dokumenter med andre ordvalg end brugerens.
- Automatisk forslag til patentklassifikation, så et opfindelsesabstrakt kan knyttes til sandsynlige IPC- eller CPC-områder.
- Maskinoversættelse af patentkrav, beskrivelser og søgeresultater på tværs af sprog.
- Gruppering af patentfamilier, ansøgere, teknologiområder og citationsmønstre.
- Opsummering af lange beskrivelser, når opsummeringen efterfølgende kontrolleres mod originaldokumentet.
- Identifikation af mulige huller, overlap og risikoområder i en patentportefølje.
Disse opgaver ligger tæt på kendte discipliner inden for natural language processing og informationssøgning. Den afgørende forskel i patentanalyse er, at output ikke må behandles som en løs sproglig anbefaling. Hvert fund skal kunne spores til en bestemt publikation, et bestemt krav eller en bestemt registreringsoplysning.
Hvordan adskiller AI-søgning sig fra klassisk patentsøgning?
Klassisk patentsøgning bygger ofte på en kombination af nøgleord, boolske operatorer, klassifikationskoder, ansøgernavne, opfinderdata, datoer og citationskæder. Den metode er stadig central, fordi den er præcis, gentagelig og nem at dokumentere. AI-søgning tilføjer især semantiske relationer, hvor modellen kan finde teknisk nærliggende formuleringer, der ikke deler de samme ord.
| Analysegreb | Styrke | Typisk risiko |
|---|---|---|
| Klassiske nøgleord og operatorer | Præcis, dokumenterbar og let at gentage | Kan overse synonymer, oversættelser og tværfaglige formuleringer |
| Klassifikationssøgning | Finder dokumenter inden for etablerede tekniske kategorier | Afhænger af korrekt klassifikation og opdateret forståelse af feltet |
| Semantisk AI-søgning | Finder beslægtet betydning, selv når ordvalget varierer | Kan give plausible, men irrelevante matches uden tydelig forklaring |
| Hybrid søgning | Kombinerer præcision, bredde og kontrol | Kræver disciplineret dokumentation af søgetrin og fravalg |
Den mest robuste metode er ofte hybrid. Du kan begynde med en teknisk beskrivelse, bruge AI til at foreslå synonymer, beslægtede teknologier og klassifikationer, og derefter omsætte forslagene til kontrollerbare søgninger i anerkendte patentdatabaser. På den måde bliver AI en udvidelse af søgestrategien, ikke et lukket facit.
Hvad betyder patentklassifikation for analysen?
Patentklassifikation er en nøgle til at finde dokumenter, der teknisk hører sammen, selv når terminologien varierer. Internationale og regionale klassifikationssystemer gør det muligt at søge bredere end et enkelt ordvalg og samtidig afgrænse analysen til et bestemt teknologisk område.
WIPO beskriver IP-klassifikationer som centrale for pålidelige IP-søgninger og porteføljestyring. WIPO’s AI-baserede IPCCAT-værktøj kan foreslå IPC-symboler ud fra tekst, for eksempel et opfindelsesabstrakt, og angive et konfidensniveau. Det gør ikke klassifikationen endelig, men det kan give et hurtigere udgangspunkt for en ekspert, der skal vælge søgespor.
Her spiller machine learning og deep learning en praktisk rolle. Modeller kan trænes på store mængder allerede klassificerede patent- og varemærkedata, men de arver også begrænsninger fra træningsdataene. Nye teknologier, uens praksis mellem kontorer og brede patentkrav kan gøre automatiske forslag usikre.
Hvordan kan AI hjælpe med patentlandskaber og porteføljer?
Et patentlandskab samler oplysninger om teknologier, aktører, lande, udviklingsretninger og mulige hvide felter. AI kan støtte den proces ved at gruppere dokumenter, finde mønstre i citationsdata, normalisere navne på ansøgere og udlede temaer fra beskrivelser og krav.
Værdien ligger ikke kun i at lave flere grafer. En god analyse skal koble mønstre til konkrete beslutninger: om en virksomhed bør fortsætte udvikling, ændre design, købe licens, undersøge gyldighed nærmere eller overvåge et konkurrentfelt. EPO’s PATSTAT og andre strukturerede patentdatakilder viser, hvorfor legal-event data, bibliografiske data og statistiske analyser er vigtige ved siden af fuldtekstsøgning.
AI kan også gøre porteføljeanalyse mere løbende. I stedet for en sjælden manuel kortlægning kan organisationer opbygge overvågning, hvor nye publikationer placeres i eksisterende teknologiklynger. Det kræver ensartede regler for, hvornår et fund er relevant, og hvornår det blot er en sproglig lighed.
Hvor går grænsen mellem analyse og juridisk vurdering?
AI kan finde dokumenter, foreslå sammenhænge og lave foreløbige sammenligninger mellem krav og kendt teknik. Den kan ikke alene afgøre, om en opfindelse er ny, har opfindelseshøjde, er gyldig, krænker et patent eller giver freedom-to-operate. De konklusioner kræver en faglig vurdering af krav, prioritet, jurisdiktion, undtagelser, retspraksis og sagsstatus.
Ved europæisk vurdering af opfindelseshøjde bruges problem-løsningstilgangen, hvor man blandt andet identificerer nærmeste kendte teknik, det objektive tekniske problem og om løsningen ville have været nærliggende for fagpersonen. Det er en struktureret juridisk og teknisk vurdering, ikke bare en rangering af lignende dokumenter.
Den praktiske grænse er derfor klar: AI kan støtte forberedelsen, men konklusionen skal være menneskelig, dokumenteret og baseret på de relevante patentkrav. En AI-genereret opsummering bør aldrig være den eneste kilde til et ja eller nej i en patentstrategi.
Hvilke datakilder bør indgå i en robust analyse?
En robust patentanalyse bør kombinere flere datatyper. Patentpublikationer giver krav, beskrivelser, tegninger og prioritet. Patentfamilier viser, hvor samme opfindelse er forfulgt i flere lande. Legal status viser, om et patent er meddelt, bortfaldet, udløbet, indsigelsesbehandlet eller stadig under behandling. Citationsdata kan vise teknologiske forbindelser, men skal fortolkes varsomt.
Derudover kan ikke-patentlitteratur være afgørende, især ved kendt teknik. Videnskabelige artikler, standarder, produktmanualer, tekniske specifikationer, offentlige repositories og markedsmateriale kan alle være relevante, hvis de var offentligt tilgængelige på det rigtige tidspunkt. AI kan hjælpe med at finde og sortere disse kilder, men dokumentation for dato, version og tilgængelighed skal bevares.
Systemer, der bruger grounding af AI-modeller, kan mindske risikoen for løse svar ved at knytte output til identificerede dokumenter. I patentanalyse er grounding særligt nyttigt, fordi en påstand uden kildehenvisning sjældent har praktisk værdi.
Hvordan håndteres fortrolige opfindelser og interne data?
Patentarbejde begynder ofte før en opfindelse er offentlig. Derfor kan en ukritisk brug af eksterne AI-værktøjer skabe problemer, hvis uoffentlig teknisk viden, opfinderoplysninger, laboratorieresultater eller strategiske porteføljeplaner sendes til systemer uden klare datavilkår.
En organisation bør skelne mellem offentlig patentanalyse og analyse af fortrolige interne materialer. Offentlige patentdokumenter kan behandles i bredere værktøjer, mens uoffentlig opfindelsesinformation bør håndteres i miljøer med passende adgangskontrol, logning, dataminimering og aftalte regler for lagring og modeltræning. Det samme gælder forespørgsler, der indirekte afslører en ny teknisk retning.
Et praktisk kontrolpunkt er at gennemgå datavejen før brug: hvilke oplysninger sendes ud, hvem kan se dem, hvor længe gemmes de, og kan de bruges til modeltræning. Den type vurdering ligger tæt på generelle spørgsmål om databeskyttelse ved brug af AI-APIer, men i patentanalyse er fortrolighed ofte direkte forbundet med timing, nyhed og konkurrencestrategi.
Hvilke fejltyper skal kontrolleres manuelt?
Den største risiko ved AI-støttet patentanalyse er ikke kun, at modellen tager fejl. Det er, at fejlen virker plausibel. En opsummering kan lyde teknisk sikker, selv om den blander krav, beskrivelser, familieoplysninger eller status fra forskellige dokumenter.
- Falske negative fund, hvor relevant kendt teknik ikke bliver vist højt nok.
- Falske positive fund, hvor sproglig lighed forveksles med teknisk relevans.
- Forkerte eller ufuldstændige oversættelser af patentkrav.
- Fejl i patentfamilier, prioritet, udløb, geografisk dækning eller legal status.
- Hallucinerede referencer, hvor en model angiver en kilde, der ikke understøtter påstanden.
Derfor bør AI-resultater kontrolleres med originaldokumenter, databasefelter og eventuelt flere uafhængige søgestrategier. Explainable AI kan hjælpe, hvis systemet viser, hvorfor et dokument er foreslået, men forklaringer erstatter ikke læsning af krav og relevante passager.
Hvordan kan en praktisk arbejdsgang se ud?
En praktisk arbejdsgang bør gøre AI nyttig uden at lade den skjule usikkerhed. Den kan se sådan ud:
- Beskriv den tekniske ide med funktion, problem, løsning, materialer, procestrin og mulige synonymer.
- Lav en første klassisk søgning med nøgleord, klassifikationer, ansøgere og datoafgrænsninger.
- Brug AI til at foreslå alternative begreber, tekniske naboområder og mulige klassifikationsspor.
- Kør kontrollerbare søgninger i anerkendte patentdatabaser og gem søgestrenge, datoer og resultatsæt.
- Brug AI til at gruppere kandidater, men læs de mest relevante krav og beskrivelser manuelt.
- Lav en claim-to-prior-art-matrice, hvor hvert relevant element kobles til konkrete passager.
- Kontroller patentfamilie, prioritet, jurisdiktion og legal status i officielle registre.
- Adskil tekniske fund fra juridiske konklusioner, og marker alle usikre antagelser.
Den arbejdsgang passer både til tidlig innovationsscreening og til mere formelle analyser, men vægtningen ændrer sig. Ved en hurtig markedsafdækning kan AI-triage fylde meget. Ved gyldigheds- eller krænkelsesnære vurderinger skal dokumentation, kravlæsning og juridisk metode fylde mere.
Hvad kan danske organisationer bruge udviklingen til?
For virksomheder, universiteter og offentlige forskningsmiljøer kan AI gøre patentanalyse mere tilgængelig i de tidlige faser. Små udviklingsteams kan hurtigere få overblik over kendt teknik, internationale konkurrenter og nærliggende teknologier, før de bruger flere ressourcer på produktudvikling eller patentansøgning.
Relevansen er særlig stor i miljøer, hvor teknologien bevæger sig hurtigt, og hvor opfindelser beskrives på flere sprog. Maskinoversættelse, semantisk søgning og klassifikationsforslag kan gøre det lettere at opdage dokumenter fra markeder, som ellers ville blive overset. Det ændrer dog ikke, at en endelig beslutning om ansøgning, licens, design-around eller håndhævelse bør bygge på specialiseret patentfaglig vurdering.
Organisationer i Danmark bør også tænke på governance. Hvem må bruge AI til patentanalyse, hvilke værktøjer må bruges til fortrolige opfindelser, og hvordan skal resultater gemmes? En simpel intern politik kan være forskellen på nyttig beslutningsstøtte og en uigennemskuelig proces, hvor ingen senere kan forklare, hvorfor et kritisk dokument blev valgt fra.
Hvordan vil patentanalyse sandsynligvis udvikle sig?
Udviklingen peger mod mere specialiserede AI-systemer, der kombinerer semantisk søgning, dokumentforståelse, klassifikation, oversættelse, citationer og legal status i samme arbejdsgang. Det kan give hurtigere analyser, men kun hvis systemerne viser kilder, usikkerhed og søgehistorik.
En sandsynlig retning er mere automatiseret claim mapping. Her sammenlignes elementer i et patentkrav med passager i kendt teknik, og brugeren får forslag til, hvilke dokumenter der bør undersøges først. En anden retning er multimodal analyse af figurer, kemiske strukturer, tabeller og tekniske tegninger. Begge dele kan give bedre overblik, men de øger også behovet for kvalitetssikring.
Den mest holdbare fremtid er ikke fuldautomatiske patentdomme. Det er systemer, der gør eksperter hurtigere, bredere og mere konsekvente. AI kan udvide søgefeltet, reducere manuel sortering og gøre svage signaler synlige, mens mennesker stadig vurderer krav, bevisværdi, strategi og juridisk betydning.
Hvilke kilder ligger til grund?
Artiklen bygger især på WIPO’s beskrivelse af PATENTSCOPE, WIPO’s AI-baserede klassifikationsværktøjer for IP-data og EPO’s oplysninger om Espacenet. De er brugt til at afgrænse, hvilke patentdata og AI-støttede funktioner der allerede er dokumenteret.
Derudover bygger teksten på EPO’s beskrivelse af PATSTAT som grundlag for patentintelligence og USPTO’s dokumentation af Artificial Intelligence Patent Dataset. Kilderne understøtter artiklens skel mellem datasøgning, statistisk analyse, maskinlæring og den efterfølgende patentfaglige vurdering.