出版書誌データベース

●発 刊：2026年1月26日
●体 裁 : B5判　409ページ
●定 価 : 71,500円 （税込（消費税10％））
●執筆者 : ３０名

★生成AIを活用し、特許調査や明細書作成、翻訳などの知財業務を効率化するには？
実務で使えるプロンプト文とプロンプトエンジニアリングを多数ご紹介しながら、目的に適した活用方法や業務改善のユースケース、法的な留意点を解説

■　目　次
第１章　特許調査の重要性とAIの影響
第１節　特許調査×生成AIの実装戦略：精度と説明責任を両立する『人間参加型』プロセス
第２節　ＡＩ利用における留意点とこれからの知財業務について

第２章　技術者の視点からの生成AIを活用した業務と知的財産関連実務～生成AI の豊かで安全な利用のために～

第３章　知財業務各シーンにおける生成AI 活用手法
第１節　知財戦略策定業務における生成AI 活用
第２節　発明発掘での生成 AI 活用
第３節　特許調査における生成 AI 活用
　第１項　調査目的ごとの生成 AI活用方法と具体的な処理手順
　第２項　生成 AI を用いたパテントマップ作成
　第３項　生成 AI を用いた特許公報査読効率化
　第４項　生成 AI を用いて課題・解決手段を抽出／分類する手法
　第５項　無効資料の効率的な調査方法
第４節　明細書作成における生成 AI 活用
第５節　中間対応業務における生成 AI 活用
第６節　企業知財部が押さえるべきAI技術の特徴と翻訳プロセスへの適用

第４章　生成AIをめぐるリスクと対応
第１節　生成AIへの入力における営業秘密・限定提供データ・秘密情報の問題
第２節　翻訳に対する注意点
第３節　生成ＡＩ利用における法的リスクと対策～営業秘密・著作権・ハルシネーション問題に関する見解
第４節　ハルシネーションの確認方法

第５章　社内導入のすすめと活用例
第１節　社内教育と導入の進め方および導入効果の判定―生成AI 導入の統合的アプローチから―
第２節　生成AI に関する社内規程の考え方と作成
第３節　生成AIを実務に活かすための視点
第４節　生成AI 活用のコツ
　第１項　汎用の生成ＡＩツール比較と活用例検討
　第２項　自社専用 AI ツール作成と生成 AI の精度向上手法
　第３項　自社開発生成ＡＩプラットフォームと知財部門での活用
第５節　企業および特許事務所での活用例
　第１項　企業内での IP ランドスケープ実践における AI の活用
　第２項　オムロンにおける生成 AI 活用の変遷と業務改革への展開
　第３項　特許事務所での活用例

第１章　特許調査の重要性とAIの影響
　第１節　特許調査×生成AIの実装戦略：精度と説明責任を両立する『人間参加型』プロセス
　　1. 従来の特許調査手法とその課題
　　　1.1　特許調査の重要性と種類
　　　1.2　従来手法の基本フローと検索アプローチ
　　　1.3　従来手法の主な課題
　　2. AI技術が特許調査に与える影響と可能性
　　　2.1　AI導入の目的と効果
　　　2.2　AI活用検索の仕組み
　　　2.3　主なユースケース
　　　2.4　リスクと限界
　　3. 知財業務で利用できる生成AIの種類と発展、開発進捗、信頼度の検証
　　　3.1　知財業務で利用できる生成AIの種類
　　　3.2　成功の鍵を握る運用設計
　　　3.3　導入効果の測定(KPI)

　第２節　AI利用における留意点とこれからの知財業務について
　　1. AIと著作権
　 　　1.1　AIの概略
　　　1.2　著作権侵害の考え方
　　　1.3　AIにおける著作権侵害について
　　　1.4　AIを利用する際の著作権上における留意点
　　2. AIと特許権
　　　2.1　特許権の特徴について
　　　2.2　AIにおける特許権侵害について
　　　2.3　発明創出におけるAIの活用について
　　3. 知財業務へのAIの活用と留意点
　　　3.1　知財業務におけるAI活用
　　　3.2　AI活用における留意点
　　　3.3　今後の知財業務について

第２章　技術者の視点からの生成AIを活用した業務と知的財産関連実務～生成AIの豊かで安全な利用のために～
　　1. 生成AIによる日常業務への変化と期待
　　　1.1　はじめに
　　　1.2　生成AIと技術者の安全の観点
　　2. それぞれの権利の活用と、注意点
　　　2.1　知的財産に関する権利の活用とトラブル回避
　　3. 新しい技術が生じる問題が関係する法律と付き合う
　　4. より広い観点での生成AIの諸問題

第３章　知財業務各シーンにおける生成AI活用手法
　第１節　知財戦略策定業務における生成AI活用
　 　1. 知財戦略における生成AIの役割の変革
　　　1.1　知財部門における生成AI活用の現状と課題
　　　1.2　生成AI の新たな位置づけ：「思考のパートナー」としての活用
　　　1.3　本稿の構成と目的
　　2. 生成AI活用推進プランから見る戦略策定の段階的アプローチ
　　　2.1　知財部門における生成AI活用推進プランの全体像
　　　2.2　戦略策定業務の「レベル2/3」への移行の重要性
　　3. 牽制特許出願権利化のためのアイデア出しと進め方
　　　3.1　生成AIによる発明創出プロセスの加速
　　　3.2　牽制特許に向けたアイデア出しと秘密情報の活用(レベル2')
　　　3.3　権利化プロセスにおける効率化支援
　　　3.4　エナジーウィズ社の事例：創造的な業務への時間のシフト
　　4. IP ランドスケープ(IPL) 支援への生成AIの活用
　　　4.1　IPL における生成AIの役割分担
　　　4.2　IPL 実践の5 ステップモデル(KH ネオケムの事例)
　　　4.3　IPL における具体的なユースケース( レベル1/2)
　　5. 知財戦略立案支援への応用と高付加価値化
　　　5.1　戦略的意思決定基盤の構築( レベル3)
　　　5.2　部門横断的な知財戦略立案支援のユースケース
　　　5.3　経営戦略と知財戦略の整合性確保
　　6. まとめと今後の展望
　　　6.1　知財戦略策定における生成AI活用の意義
　　　6.2　今後の展望

　第２節　発明発掘での生成AI活用
　　1. 背景
　　　1.1　従来の発明創出プロセスとその限界
　　　1.2　生成AIによるゲームチェンジ
　　2. 発明創出
　　　2.1　発明創出プロセス
　　　2.2　発明創出の勘所
　　　　2.2.1　（勘所1）課題の特定から始める
　　　　2.2.2　（勘所2）垂直思考と水平思考を併用する
　　3. 生成AIを用いた発明創出
　　　3.1　生成AIを用いて、課題を特定する
　　　3.2　生成AIを用いて、解決手段を作る
　　　　3.2.1　生成AIを用いて、垂直思考で解決手段を作る
　　　　3.2.2　生成AIを用いて、水平思考で解決手段を作る
　　4. 生成AI時代の発明者の新たな役割は目利きである
　　
　　【付録】プロンプト事例集

　第３節　特許調査における生成AI活用
　　第１項　調査目的ごとの生成AI活用方法と具体的な処理手順
　　1. 特許調査の全体像と生成AIの役割
　　　1.1　特許調査の二大目的
　　　1.2　調査に共通する準備と基本スキル
　　　　1.2.1　調査環境の準備
　　　　1.2.2　AIを使いこなす対話術（プロンプトエンジニアリング）
　　2. リーガル調査
　　　2.1　リーガル調査における特許データの考え方
　　　2.2　生成AIによる先行技術調査ワークフロー
　　　2.3　発明の特許性評価
　　　2.4　特許クリアランス（侵害予防調査）支援
　　3. インテリジェンス調査
　　　3.1　インテリジェンス調査における特許データの考え方
　　　3.2　分析のためのデータ整理と加工
　　　3.3　成果例：ビール関連特許の競合分析
　　　3.4　分析結果からの戦略立案支援

　　第２項　生成AIを用いたパテントマップ作成
　　1. パテントマップとは
　　2. 生成AI活用の留意点
　　3. パテントマップ作成の基本プロセスと従来手法の課題
　　4. 各工程での生成AI活用領域とその意義
　　5. 使用ツールと具体的な活用法
　　6. ChatGPT を使用したパテントマップ作成の手順例
　　7. プロンプトエンジニアリング
　　　7.1 プロンプトエンジニアリングのポイント
　　　7.2 評価と改善

　　第３項　生成AIを用いた特許公報査読効率化
　　1. 特許公報査読の種類
　　2. 公報１件の査読効率化 ― 公報の内容を把握したい ―
　　　2.1　ChatGPT / Gemini を用いた公報内容の把握と特定観点の把握
　　　　2.1.1　ChatGPT / Gemini を用いた公報内容の把握
　　　　2.1.2　ChatGPT / Gemini を用いた公報の特定観点の把握
　　　　2.1.3　ChatGPT / Gemini を用いた図解
　　　2.2　NotebookLM を用いた公報内容の把握―音声解説・動画解説・マインドマップ―
　　3. 公報１件の査読効率化 ― 特定の観点と比較したい ―
　　4. 複数件公報の査読効率化 ― 該当・ノイズ判断 ―
　　　4.1　ChatGPT / Gemini を用いた該当・ノイズの判断
　　　4.2　Google Spreadsheet AI関数を用いた該当・ノイズの判断
　　　4.3　該当・ノイズの判断時の留意点と工夫

　　第４項　生成AIを用いて課題・解決手段を抽出／分類する手法
　　1. 特許における課題と解決手段の重要性
　　2. 生成AIを活用した課題・解決手段の抽出方法
　　　2.1 ChatGPT／Gemini を活用した課題・解決手段の抽出
　　　2.2 Google スプレッドシートの AI 関数を用いた課題・解決手段の抽出
　　3. 生成AIを活用した課題・解決手段の分類展開
　　　3.1 ChatGPT／Gemini および NotebookLM を用いた課題・解決手段軸の設定
　　　3.2 ChatGPT／Gemini および Google スプレッドシートのAI関数を用いた課題・解決手段軸への分類展開
　　4. 生成AIを活用した特許分析ワークフロー
　　5. 生成AIを活用した課題・解決手段抽出における注意点と限界
　　　5.1 精度の検証
　　　5.2 機密情報の取り扱い
　　　5.3 バイアスと公平性
　　　5.4 コストとスケーラビリティ
　　　5.5 新たな観点の欠如

　　第５項　無効資料の効率的な調査方法
　　1. 無効資料調査とは
　　　1.1 無効資料調査の定義
　　　1.2 無効資料調査の目的
　　　1.3 無効資料調査のポイント
　　2. 無効資料調査における生成 AI の活用の概論
　　　2.1 無効資料調査の流れ
　　　2.2 発明の理解と現状の把握
　　　2.3 経過情報の確認
　　　2.4 目標の設定と戦略の策定
　　　2.5 調査の実行と評価
　　3. 無効資料調査における生成AIの活用の具体例
　　　3.1 最初の試みと検討
　　　3.2 インプット、プロセス、アウトプットのテンプレート化
　　　3.3 無効資料調査におけるプロンプト作成
　　　3.4 作成したプロンプトによる無効資料調査

　第４節　明細書作成における生成AI活用
　　1. 請求項作成
　　　1.1 発明内容の要素分解
　　　1.2 請求項１のドラフト生成
　　　1.3 請求項のバリエーション展開
　　2. 進歩性の出し方
　　　2.1 先行技術文献と対比したクレームチャート
　　　2.2 特別な技術的特徴の充実
　　　2.3 【発明が解決しようとする課題】【発明の効果】の起案
　　　2.4 相乗効果を強調する実施形態の説明文の生成
　　3. 強い特許の書き方
　　　3.1 請求項の多層構造化
　　　3.2 用途限定・市場対応のクレーム追加

　第５節　中間対応業務における生成AI活用
　　1. なぜ中間対応業務か？
　　2. 中間対応業務の工程のどの工程で生成AIを活用するか？
　　3. どの生成AIが中間対応業務に適しているか？
　　　3.1 評価方法
　　　3.2 考察
　　4. 生成AIを用いて中間応答案を検討する際に気を付けるべきこと
　　　4.1 役割および目的を明確にする
　　　4.2 段階的に検討する
　　　4.3 まずはクレームの理解が正しいか確認する
　　　4.4 引用文献との対比をクレームチャート式にアウトプット
　　　4.5 クレームチャートの引用文献の内容が正しいか確認する
　　　4.6 生成AIによる新規性の評価が正しいか確認する
　　　4.7 小括
　　5. 実際に生成AIを用いて中間応答案を検討してみる
　　　5.1 対象とした欧州特許出願
　　　5.2 登録までの審査部と出願人との実際のやり取り
　　　5.3 ChatGPT 5 Thinking による検討内容
　　　5.4 ChatGPT 5 Thinking による応答案の評価
　　　Annex( 実際のChatGPT とのチャット内容)

　第６節　企業知財部が押さえるべきAI技術の特徴と翻訳プロセスへの適用
　　1. 国内企業の関心と技術のトレンド
　　2. 機械翻訳の概要
　　3. 生成AIの概要
　　4. 生成AIの活用
　　5. 翻訳実務における課題
　　　5.1　再現性とハルシネーションの問題
　　　5.2　生成AIの流暢性がもたらす特許翻訳上の課題- 品質合意の重要性-
　　6. まとめ

第４章　生成AIをめぐるリスクと対応
　第１節　生成AIへの入力における営業秘密・限定提供データ・秘密情報の問題
　　1. 事例
　　2. 法的観点から情報を分類することの重要性
　　3. 営業秘密について検討する
　　　3.1 営業秘密に該当するための３つの要件
　　　3.2 各要件の具体的内容
　　　　3.2.1 (1) 秘密管理性のポイント
　　　　3.2.2 (2) 有用性のポイント
　　　　3.2.3 (3) 非公知性のポイント
　　　3.3 営業秘密が問題になった最近の裁判例の紹介
　　　3.4 営業秘密をどのように取り扱うと不正競争となるのか
　　　　3.4.1 ４つの類型の不正競争
　　　　3.4.2 不正競争を行った場合のサンクションの内容
　　　3.5 【ケース１】の検討
　　　　3.5.1 不正競争該当性の検討
　　　　3.5.2 営業秘密喪失リスク
　　4. 限定提供データについて検討する
　　　4.1 限定提供データに該当するための４つの要件
　　　4.2 各要件の具体的内容
　　　　4.2.1 (1) 限定提供性
　　　　4.2.2 (2) 相当蓄積性
　　　　4.2.3 (3) 電磁的管理性
　　　　4.2.4 (4) 技術上又は営業上の情報
　　　4.3 限定提供データをどのように取り扱うと不正競争となるのか
　　　　4.3.1 ３つの類型の不正競争
　　　　4.3.2 不正競争を行った場合のサンクション
　　　4.4 【ケース２】の検討
　　　　4.4.1 不正競争該当性の検討
　　　　4.4.2 限定提供データ喪失リスク
　　5. 秘密情報
　　　5.1 秘密情報とはどういったものか？
　　　5.2 【ケース１】の場合
　　　5.3 【ケース２】の場合

　第２節　翻訳に対する注意点
　　1. NMT と生成AI
　　2. 生成AIを翻訳業務に活用するリスクと限界
　　　2.1 機密情報と生成AI
　　　2.2 翻訳の精度の問題点
　　　2.3 参照する情報の問題点（ハルシネーションを含む）
　　3. 現時点で生成AIをどのように翻訳業務に活用できるか
　　　3.1 ピンポイントでの翻訳
　　　3.2 翻訳文のブラッシュアップ
　　　3.3 技術理解の一助として

　第３節　生成ＡＩ利用における法的リスクと対策～営業秘密・著作権・ハルシネーション問題に関する見解
　　1. 用語例
　　2. 秘密情報又は営業秘密の入力に関する問題
　　 2.1　自社の営業秘密の入力
　　　2.1.1　想定事案
　　　2.1.2　営業秘密性が失われない場合
　　　2.1.3　生成AIサービス事業者の利用規約における秘密保持義務
　　 2.2　他社の営業秘密又は秘密情報の入力
　　　2.2.1　想定事案
　　　2.2.2　第三者提供禁止との関係
　　　2.2.3　目的外利用禁止との関係
　　　2.2.4　第三者提供禁止と目的外利用禁止の関係
　　3. テキストの要約等と著作権
　　　3.1　想定事例
　　　3.2　著作権侵害の要件
　　　3.3　著作物であること
　　　3.4　同一性又は類似性
　　　3.5　法定の利用行為
　　　3.6　権利制限規定：著作権法３０条の４
　　　3.7　権利制限規定：著作権法４７条の５
　　　3.8　法改正の必要性
　　　3.9　現実的な対応
　　4. 生成AIのアウトプットの正確性の問題
　　　4.1　生成AIのアウトプットの正確性（ハルシネーション）が問題になった事例
　　　4.2　ハルシネーションを防ぐための対策
　　　　4.2.1　基本原則：アウトプットの検証を徹底する
　　　　4.2.2　ハルシネーションが発生しにくい状況を作る工夫
　　　4.3　ハルシネーションと法的責任
　　5. 生成AIのアウトプットが第三者の知的財産権を侵害している場合
　　　5.1　想定事例
　　　5.2　ユーザ（Ａ社）に対する権利行使
　　　　5.2.1　AI生成物を用いてＴシャツを作成して販売した行為
　　　　5.2.2　AI生成物の生成行為
　　　5.3　生成AIサービス事業者（Ｏ社）に対する権利行使
　　　5.4　生成AIサービス事業者による補償

　第４節　ハルシネーションの確認方法
　　1. 生成AI（大規模言語モデル）の基本構造と限界
　　2. ハルシネーションの特徴と発生しやすい場面
　　3. ファクトチェックの実践的方法
　　4. ハルシネーションとの付き合い方

第５章　社内導入のすすめと活用例
　第１節　社内教育と導入の進め方および導入効果の判定―生成AI 導入の統合的アプローチから―
　　1. 生成AI 利活用の現状、今後
　　　1.1　生成AI ツールを巡る取り組み
　　　1.2　生成AI の利活用の現在
　　　1.3　生成AI を組み込んだシステム
　　　1.4　企業戦略としての生成AI
　　2. Strategy ― 生成AI 導入の戦略的位置づけ
　　　2.1　生成AI 導入の本質
　　　2.2　生成AI 導入の二層戦略：全社的整合と部門的特化
　　　　2.2.1　全社戦略層：統合と方向づけの中枢
　　　　2.2.2　部門実践層：専門性と創造性の現場
　　　　2.2.3　二層の連動構造 ― 「統制」と「創造」のダイナミクス
　　　　2.2.4　二層戦略がもたらす整合の力
　　　2.3　短期成果から長期価値創造への転換
　　　2.4　知財・R&D 部門の戦略的役割
　　　2.5　生成AI 導入のトリレンマ：機能、コスト、セキュリティの戦略的均衡
　　　2.6　生成AI トリレンマへの戦略的対応の方向性
　　　2.7　ケーススタディ：トリレンマへの戦略的対応の違い
　　3. Structure ― 組織体制と責任分担の設計
　　　3.1　生成AI ツール導入を支える組織構造の基本理念
　　　3.2　二層戦略を支える組織モデルの構成
　　　3.3　組織設計におけるトリレンマ対応
　　　3.4　組織構造の柔軟化と進化的設計
　　4. Systems ― 運用・維持・更新の仕組み
　　　4.1　生成AI 運用の本質：導入より維持が難しい
　　　4.2　大企業における自社内AI システム化の現状と課題
　　　4.3　セキュリティ・メンテナンス・更新性のトレードオフ
　　　4.4　内製型AI の脆弱性：人財依存・技術停滞・外部隔絶
　　　4.5　外部ツールベンダー活用における課題
　　　4.6　外部ツールベンダー活用と連携スキルの必要性
　　　4.7　継続可能なAI 運用モデルの提案 ― ハイブリッド・ガバナンスモデル
　　　4.8　企業の“知的免疫システム”
　　5. Shared Values ― 組織文化と共通価値
　　　5.1　「AI を正しく知り、AI を利用する」文化への転換
　　　5.2　知的財産部門・R&D 部門における“知の共有”の文化的壁
　　　5.3　知的財産部門、R&D 部門における「とりあえずAI」の罠
　　　5.4　全社的共通価値としての「AI リテラシー倫理」
　　　5.5　Shared Values は7S を結ぶ「精神的OS」
　　6. Style ― リーダーシップと推進スタイル
　　　6.1　生成AI 導入におけるリーダーシップの新しい役割
　　　6.2　トップダウンから「対流型リーダーシップ」へ
　　　6.3　リーダーの3 層構造：経営・推進・実践
　　　6.4　生成AI 導入を成功させるリーダーの行動原則
　　　6.5　リーダーは「AI を導入する人」ではなく「AI 文化を導く人」
　　7. Staff & Skills ― 現実的な人財育成と変革アプローチ
　　　7.1　AI 導入を支える「人」の現実的定義：理想より動かす人を
　　　7.2　理想の3 層構造が作れない場合の現実的進め方
　　　7.3　上層・他部門の理解が得られないときの突破口：人が「橋」になる
　　　7.4　教育体系の再設計：優先順位と現実的配分
　　　7.5　生成AI 専門家の確保と育成 ― 内製化より「共育化」へ
　　　7.6　Staff & Skills は“最初に整える項目”ではなく、 “最後まで動かす力”
　　8. 導入の効果検証と組織学習― 全社・部門二層での実証アプローチ
　　　8.1　導入範囲と効果目標の立て方 ― 「全社の理念」×「部門の実効」
　　　　8.1.1　全社レベルの導入範囲と目標設定
　　　　8.1.2　部門レベルの導入範囲と目標設定
　　　8.2　効果検証方法と試行期間 ― “PoC で終わらせない実証設計”
　　　8.3　特許庁のAI ツール
　　　　8.3.1　特許庁のAI ツール導入の目的、当初の取組み

　第２節　生成AIに関する社内規程の考え方と作成
　 1. 関係事実及び関連規程の調査
　 2. 検討すべき視点等
　　 2.1　検討すべき視点
　　　 2.1.1　「目的」と「手段」の区別
　　　 2.1.2　入力情報・出力情報の整理、出力情報の利用目的の確認
　　　 2.1.3　リスク分析
　　　 2.1.4　使用する生成AIの選定
　　 2.2　社内規程に落とし込むときの注意点
　 3. 社内規程の運用に関する注意点
　　 3.1　社内周知
　　 3.2　運用後の注意点

　第３節　生成AIを実務に活かすための視点
　　1. 価値創造型生成AI活用の基本概念
　　2. 価値設定 ― ゴールから逆算する思考
　　3. 調査分析 ― AIと専門知識の補完
　　4. 価値創出 ― 出力を戦略に変換する
　　5. 生成AI活用を支えるスキルと環境
　　6. ケーススタディ ― 用途探索への応用

　第４節　生成AI活用のコツ
　　第１項　汎用の生成AIツール比較と活用例検討
　　1. 本稿のねらい・前提
　　2. 生成AIの基礎と限界
　　　2.1　生成AI の基本
　　　2.2　強み( 知財業務との関係)
　　　　2.2.1　要約と再構成
　　　　2.2.2　分類やタグ付けの効率性
　　　　2.2.3　言い換えと観点の提示能力
　　　　2.2.4　アウトプットの体裁を整える能力
　　　2.3　限界と陥りやすい誤り
　　　　2.3.1　根拠の欠落
　　　　2.3.2　時系列の不整合
　　　　2.3.3　数理的な厳密性の欠如
　　　　2.3.4　文脈の誤読
　　　2.4　知財業務における主なリスク
　　　　2.4.1　機密情報の漏えい
　　　　2.4.2　誤引用・誤解釈
　　　　2.4.3　生成物の再利用
　　　2.5　回避原則と実務の型
　　　　2.5.1　出典の提示を義務化する
　　　　2.5.2　指示を段階的に与える
　　　　2.5.3　再現性を担保する
　　　　2.5.4　機密を厳格に保護する
　　　2.6　まとめ
　　3. 主要汎用ツールの概要と“向き・不向き”
　　　3.1　ChatGPT (OpenAI)
　　　3.2　Gemini (Google)
　　　3.3　Claude (Anthropic)
　　　3.4　Copilot (Microsoft 365)
　　　3.5　ツール横断の“向き・不向き”
　　　3.6　実務での“型”( 共通)
　　　3.7　まとめ
　　4. 汎用生成AIの活用例
　　　4.1　本節の目的と前提
　　　4.2　タスク分解と生成AIの活用
　　　4.3　先行技術調査の実践
　　　　4.3.1　プロンプト設計の基本原則
　　　　4.3.2　プロンプト例と解説
　　　　4.3.3　運用上の注意と記録の残し方
　　5. オープンソースLLM の紹介( 特許解析向け)
　　　5.1　「オープンソースLLM」とは
　　　5.2　知財業務での利点
　　　5.3　導入時の留意点
　　　5.4　現実的な使い方：RAG という考え方
　　　5.5　主要モデルの“向き・不向き”の目安
　　　5.6　導入の小さな一歩( 非専門家向けの始め方)
　　　5.7　まとめ

　　第２項　自社専用AIツール作成と生成AIの精度向上手法
　　1. 生成AIの実装環境について
　　　1.1 完全ローカルでの実装例（Ollama）
　　　1.2 ローカル環境でクラウドモデルを使う例
　　　1.3 クラウド上の計算資源を使う 2 つの例（Google Colaboratory）
　　　1.4 完全クラウド化
　　　1.5 補足
　　2. 生成AIの精度向上について
　　　2.1 プロンプトエンジニアリング・コンテキスト
　　　2.2 ファインチューニング
　　　2.3 知識蒸留
　　　2.4 モデルパラメーター
　　　2.5 セマンティック検索と RAG
　　　2.6 エージェント
　　　2.7 MCP サーバー
　　　2.8 補足
　　3. 今後の展望
　　　3.1 マルチモーダルモデルの実装例
　　　3.2 最近の話題
　　　3.3 今後の展望
　　　3.4 補足

　　第３項　自社開発生成AIプラットフォームと知財部門での活用
　　1. 知財部における DX 導入の背景と課題
　　　1.1 DX 導入の背景と知財業務と DX の関わり
　　　1.2 DX 導入における課題
　　　1.3 当部門における DX 導入の経緯
　　2. 知財部における DX 推進のための教育と体制
　　　2.1 社内 DX 教育
　　　2.2 DX 企画管理部との連携
　　　2.3 成果と今後の展望
　　3. 生成AIプラットフォームの概要
　　4. 知財部における生成 AI 活用事例
　　　4.1 明細書の査読支援
　　　4.2 所望の分類を付与
　　　4.3 請求項査読支援
　　　　4.3.1 特許請求項の可読性向上における活用
　　　　4.3.2 類似度数値化＆判断理由の活用

　第５節　企業および特許事務所での活用例
　　第１項　企業内での IP ランドスケープ実践におけるAIの活用
　　1. IP ランドスケープの考え方
　　2. 公開情報の収集と AI の活用
　　　2.1 公開情報調査に利用できる情報源
　　　2.2 生成AI の特徴を生かした利用方法
　　　2.3 これまでの要旨の整理
　　3. 生成AI を活用した IP ランドスケープにおける公開情報調査
　　　3.1 情報源の探索
　　　3.2 海運業界の企業分析例 ～有価証券報告書の要約～
　　　3.3 海運業界の企業分析例 ～有価証券報告書の要約・応用分析～
　　　3.4 海運業界の企業分析例 ～知財情報編～

　　第２項　オムロンにおける生成AI 活用の変遷と業務改革への展開
　　1. 生成AI 活用の初期段階
　　　1.1 全社的活用推進プロジェクト「AIZAQ」
　　　1.2 知財部門における初期取り組み
　　2. 知的財産業務における応用と人材育成
　　　2.1 体系的な教育プログラムの展開
　　　2.2 独自スキル評価システムの開発と運用
　　　2.3 自社開発「知財AI エージェント」への展開
　　3. 全社展開へ：業務改革計画における生成 AI
　　　3.1 業務改革の根底にある思想：「司令塔」への進化
　　　3.2 業務改革計画の全体像とゴール
　　　3.3 推進体制と知財AI エージェント開発の位置づけ
　　4. 本取り組みの変遷と戦略的意義

　　第３項　特許事務所での活用例
　　1. はじめに
　　　1.1 依頼タイプと生成AI 活用の整理
　　　1.2 汎用AI と明細書作成支援ツールの違い
　　2. アイデア創出支援
　　　2.1 本節の位置づけ
　　　2.2 Aタイプ：一行依頼型での活用
　　　2.3 Bタイプ：固まった発明依頼型での活用
　　　2.4 Cタイプ：アイデア段階依頼型での活用
　　3. 明細書作成支援
　　　3.1 請求項１のドラフト
　　　3.2 発明の名称
　　　3.3 技術分野
　　　3.4 背景技術
　　　3.5 発明が解決しようとする課題
　　　3.6 課題を解決するための手段
　　　3.7 発明の効果
　　　3.8 図面の簡単な説明・参照符号の付与
　　　3.9 発明を実施するための形態
　　　3.10 変形例・肉付け・概念化
　　　3.11 特許請求の範囲（クレーム）
　　　3.12 従属クレームの生成
　　　3.13 最終統合フェーズ
　　　3.14 図面の記載
　　4. 中間処理（拒絶理由対応）への活用
　　　4.1 本願・拒絶理由・引例の入力
　　　4.2 審査官の主張整理
　　　4.3 一致点・相違点の整理
　　　4.4 反論方針の AI 提案
　　　4.5 人間による検討・ひらめき
　　　4.6 方針決定・クライアントコメント生成
　　　4.7 補正書のドラフト
　　　4.8 意見書の作成
　　5. 審判・係争対応への応用
　　　5.1 拒絶査定不服審判
　　　5.2 無効審判
　　　5.3 訴訟（侵害訴訟・審決取消訴訟）
　　6. その他の業務への応用
　　　6.1　特許調査業務
　　　6.2　契約書作成業務
　　　6.3　メール・クライアント報告文書
　　7. まとめ　生成AIとともに、特許事務所はどう進化するか
　　　7.1　時間を「考えること」に取り戻す
　　　7.2　外部脳としてのAIと弁理士の役割再定義
　　　7.3　クライアントの反応