特許調査の「母集団作成」

生成AI時代における特許調査の戦略転換： 「適合率」重視から「再現率」重視へ 新しい母集団設計の原則と実践的ワークフロー

特許調査の核心的課題： 人間の処理能力が「検索漏れ」のリスクを許容させてきた 特許調査における母集団作成は、常に2種類の誤りと向き合う。 ・偽陽性（False Positives / 「ノイズ」）：無関係な特許を含めてしまい、スクリーニング負荷が増大する。 ・偽陰性（False Negatives / 「検索漏れ」）：本来含めるべき特許を漏らしてしまい、調査の信頼性を揺るがす。 従来、人間の処理能力の限界から「ノイズ」を恐れる傾向が強かった。結果として、検索式を絞り込み、ビジネス上より損害の大きい「検索漏れ」のリスクを許容せざるを得なかった。 ノイズ（偽陽性） 検索漏れ（偽陰性）

パラダイムシフト：AI協働が調査戦略と調査者の役割を根本から変える 従来（Traditional / Human-Centric） 戦略：適合率（Precision）重視 アプローチ：ノイズを恐れて絞り込む 検索式の役割：ノイズを弾く「壁」 人間の役割：読解者（The Reader） AI協働時代（The AI Collaboration Era） 戦略：再現率（Recall）重視 アプローチ：AIを信じて広めに網羅する 検索式の役割：可能性を網羅する「網」 人間の役割：監督者（The Supervisor）

新しい時代の実践原則：AI協働を成功に導く3つの設計思想 「再現率」を重視した広い母集団を効果的に管理し、分析価値を最大化するためには、新しい設計原則に基づいたアプローチが必要不可欠です。 階層構造（Hierarchy） モジュール化（Modularity） 反復的精緻化（Iteration）

原則1：階層構造で「確信度」を管理し、人間のリソースを最適配分する 母集団を確信度に応じて3つの階層に分割し、それぞれ異なるレビュー戦略を適用する。 第1層 - コア集合（Core Set） 第2層 - 拡張集合（Expansion Set） 第3層 - 探索集合（Exploration Set） 説明：最も関連性の高い特許群 目標適合率：90%以上 レビュー：人間が全件確認 説明：関連性が高い特許群 目標適合率：50-70% レビュー：AIスクリーニング後、人間が確認 説明：関連性のある特許群 目標適合率：10-30% レビュー：AIが重要案件のみを抽出

原則2：モジュール化で「分析軸」を設計し、「由来タグ」で説明責任を担保する ・目的の転換：従来の「精度管理」のためのモジュール化から、AI時代の「分析軸の設計」のためのモジュール化へ。 ・設計例：技術アプローチ別、課題別、出願人別といった観点で小集合を設計する。 ・最重要ルール：統合後も「由来タグ」を必ず保持する。タグはレビュー優先度決定、分析、改善サイクル、説明責任確保の生命線となる。 技術A 課題B 競合C 「由来タグ」を保持（Retained Origin Tags）

原則3：「一発で完璧」を目指さず、高速な「反復的精緻化」で品質を高める 人間の知見とAIの提案を組み合わせ、仮説検証サイクルを高速に回すことで、短時間で精度の高い母集団を構築する。 1. 初期仮説（Initial Hypothesis） 人間とAIで検索式を設計 2. サンプル評価（Sample Evaluation） AIと人間がサンプルを判定・比較 3. パターン分析（Pattern Analysis） 漏れ・ノイズ・判定の乖離を分析 4. 修正（Refinement） 検索式やAIへの指示（プロンプト）を修正

実践的ワークフロー：AI協働を体系化した6つのステップ これらの原則を、再現性と監査性を担保した実務プロセスに落とし込む。 A. 境界条件の固定 B. Seedの作成 C. AIによる概念分解 D. 実測による検証 E. 統合とタグ付与 F. AIスクリーニングと段階ゲート

ワークフロー前半（A-C）：人間が戦略を定義し、AIが選択肢を拡張する Step A：人間が境界条件を固定する（Human Sets Boundaries） 対象定義（何を含め、何を除くか）、検索期間・対象国、使用DB等を文書化する。 100% Human Responsibility Step B：Seedを作成する（Create Seed） 評価の物差しとして、Positive（確実に関連/20-100件）とNegative（紛らわしい非関連/20-50件）の特許リストを確定させる。 100% Human Responsibility Step C：AIによる概念分解とモジュール案作成（AI Conceptual Decomposition & Module Proposal） AIが同義語・上位/下位概念・構成要素等を網羅的に洗い出し、人間が取捨選択してモジュールを構成する。 AI Proposal -> Human Curation

ワークフロー後半（D-F）：データで検証し、構造化されたプロセスで品質を担保する Step D：実測による検証（Empirical Validation） 各モジュールのSeed回収率、サンプル精度、ユニーク貢献を測定し、改善要否を判断する。 Automated Measurement -> Human Judgment Step E：統合と由来タグ付与（Integration & Tagging） 品質を確認したモジュールをOR結合し、各特許に由来モジュールのタグを付与する。 Automated Process Step F：AIスクリーニングと段階ゲート（AI Screening & Staged Gates） AIが「関連」「非関連」「保留」に三値分類。人間は「保留」を重点的に、また「非関連」からも監査サンプルを抜き打ちで確認する。 AI Triage -> Human Review & Audit

プロンプトは「新しい検索式」である：AIへの指示設計が品質を左右する 検索式のチューニングに費やしていた時間を、プロンプトの言語化とAIとのすり合わせに投資する。 従来の検索式（Traditional Search Query） ((( "LiDAR" OR "light detection and ranging" OR "laser radar") AND ("camera" OR "image sensor" OR "vision system")) ADJ5 ("fusion" OR "integrate" OR "combine" OR "merge")) AND ("pedestrian" OR "vulnerable road user" OR "VRU") AND ("autonomous driving" OR "self-driving" OR "automated vehicle" OR "ADAS") AND NOT ("infrared sensor only" OR "surveillance" OR "security camera") AND (IPC:G08G OR CPC:B60W OR CPC:G06K OR CPC:G06V)| AI時代のプロンプト（AI-Era Prompt） [ペルソナ設定] あなたは熟練した特許調査員です。 [適合基準] 対象技術は、車両の自動運転システムにおける歩行者検知技術 です。特に、LiDARセンサーとカメラ両方のデータを融合し て検知精度を向上させるアルゴリズムを含んでください。 [除外基準] 赤外線センサーのみを使用する技術、および車両以外の用途 （例：監視カメラ）は除外してください。 [出力フォーマット] 各特許について、適合度スコア(0-100)、判定理由(1文)、根 拠箇所の抜粋を出力してください。 Persona Setting Inclusion Criteria Exclusion Criteria Output Format

品質管理とガバナンス： 感覚ではなくデータで品質を管理し、再現性を確保する 主要な品質指標（Key Performance Indicators - KPIs） Seed回収率（Seed Recall Rate） > 95% Target 推定適合率（Estimated Precision） 階層別に目標設定（e.g., Core >90%） Target AI判定適合率（AI Judgment Precision） > 85% (vs. Human) Target 非関連判定の取り漏れ率（Miss Rate in 'Irrelevant' Pool） < 5% (via audit) Target 残すべき主要成果物（Key Deliverables to Maintain） 母集団定義書 モジュール台帳 Seedリストと選定理由 評価ログ 使用したプロンプトとAIモデル版

調査種別ごとの適用： 目的に応じて母集団設計と人間の役割を最適化する 調査種別（Search Type） 主な目的（Main Objective） 母集団設計方針（Population Design Policy） 人間の役割（Human's Role） 技術動向調査（Landscaping） 取り漏れの最小化 探索集合を積極活用 洞察の抽出 競合・権利監視（Competitor/IP Monitoring） 漏れ防止と説明性 コア・拡張集合重視 重要特許の精査 無効資料調査（Invalidity Search） 「見つからなかった」を許さない 観点別の網羅的モジュール 最終的な無効性の評価 FTO調査（Freedom to Operate） ビジネスリスクの最小化 広めの検索、人間レビュー比重増 抵触可能性の最終判断

人間とAIの役割分担：責任領域と作業領域を明確に設計する 人間が責任を持つべき「責任領域」 ・境界条件の決定 ・Seedの確定 ・停止条件の判断 ・ハイリスク領域での最終判定 AIが担うと効果が高い「作業領域」 ・語彙展開 ・Seed分析 ・スクリーニング補助 ・誤判定分析

結論：調査者の能力を拡張し、AIを「使いこなす」時代へ 変わるもの（What is Changing） ・処理量の制約からの解放 ・適合率重視から再現率重視への戦略転換 ・求められるスキルセット：検索式の職人からプロンプトの設計者へ 変わらない、むしろ重要性が増すもの（What Remains, and Grows in Importance） ・調査目的の明確化 ・人間の最終責任：「AIが言ったから」は通用しない ・再現性と説明可能性の担保 生成AIは調査者の仕事を奪うものではなく、その能力を拡張し、より高い品質の調査を可能にする。 重要なのは、AIにできることとできないことを理解し、主体的に「使いこなす」ことである。