| 開催日 | 2026年7月28日(火) |
|---|---|
| 開催地 | Web |
☆より一歩踏み込んだ内容で‘生成AI×特許情報活用’の最前線をお届け！
☆事業企画・研究開発・知財部門・その他、幅広い担当者様のお申込み大歓迎です！
☆本講座は「7月28日のみ／7月29日のみ／両日参加」のご選択が可能です！
【テーマ名】
特許データを事業提案に変える 生成AI×特許情報分析・IPランドスケープ実践講座
～第1回（特許情報活用）：特許情報分析の基本から生成AI活用・品質設計まで～
【講師】
LeXi/Vent
代表取締役
上村 侑太郎 氏
【学歴】
2011年～2015年 九州工業大学 生命情報工学科 卒業
2015年～2017年 九州工業大学大学院 学際情報工学専攻 卒業
【主な職歴】
2017年～2022年 JNC株式会社でデータサイエンス業務、知的財産アナリスト業務
2022年～2025年 大手化学メーカーで知的財産アナリスト・新規事業創出業務
2023年 LeXi/Ventを設立
現在に至る
【専門および得意な分野・研究】
・データ分析
・化学
【開催日時(オンライン配信)】
2026年7月28日(火) 13:00-16:30
【受講料】
☆①AI特許のみ申込みの場合☆
●見逃し視聴なし：1名45,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき34,100円
●見逃し視聴あり：1名50,600円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき39,600円
☆②AI特許とセットで申込みの場合☆
●見逃し視聴なし：1名68,200円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき57,200円
●見逃し視聴あり：1名77,000円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき66,000円
※詳細な内容やお申込み要領等は、下段「セミナーホームページを見る」をご参照ください。
【セミナーの内容】
■講座のポイント
本講座では、特許情報分析の基礎から生成AI（ChatGPT・Claude・Gemini等）を活用した実践的な分析手法までを網羅的に解説します。特許情報の読み解き方、分析フローの設計、各種生成AIツールの使い分け、そしてプロンプトエンジニアリングの考え方と品質設計まで、実務で即活用できる知識とスキルを体系的に習得できます。仮想事例や実際のツール操作例を交えながら、「提案につながる」特許情報分析の全体像をお伝えします。
■受講後、習得できること
・特許情報に含まれる要素（発明の名称・要約・請求項・出願人・特許分類等）の読み解き方と分析への活用法
・特許情報分析の実務フロー（目的設定→プレ分析→現状分析→戦略の方向性定義→実行可能性評価）の全体設計
・ChatGPT・Claude・Gemini・NotebookLMなど主要生成AIツールの特徴と特許分析における使い分け
・生成AIを用いたテキストマイニング、分類付与、共起ネットワーク分析、BCGマトリクス作成等の具体的手法
・プロンプトエンジニアリングの基本原則と、特許分析における品質設計（Chain of Thought、工程品質管理）の考え方
・生成AI活用時のリスク評価（ハルシネーション・情報セキュリティ・著作権）と業務リスクレベルに応じた運用判断
■講演中のキーワード
・特許情報分析
・生成AI（ChatGPT / Claude）
・IPランドスケープ
・プロンプトエンジニアリング
・パテントマップ
■プログラム項目
【はじめに】
1.1 講師紹介
1.2 本セミナーの目的とゴール
1.3 生成AIとは？
【特許情報分析とは】
2.1 特許情報分析の基本
2.2 特許情報とは？（メリット・デメリット）
2.3 特許情報に含まれる要素とその読み解き方
2.4 特許情報分析の活用ケース（既存事業・新規事業）
2.5 部門別活用ケースと活用ステージ
2.6 特許情報分析フロー（目的設定〜プレ分析〜現状分析）
2.7 仮想事例：市場の技術トレンド把握（水素燃料電池）
2.8 事業戦略立案フレームワークと特許調査・分析の活用
2.9 特許ポートフォリオとは？
【生成AIによる特許情報分析の変革と基本概念】
3.1 生成AIの基本概要
3.2 主要生成AIの比較（ChatGPT・Claude・Gemini・NotebookLM）
3.3 環境の変化：特許出願件数の急増とAIの影響
3.4 Claude Code・Skillによる分析自動化
3.5 生成AI活用による「効率化」と「質の向上」の両立
3.6 活用におけるリスクと注意点
3.7 生成AIに関するよくある誤解と正しい使い所
【特許分析を支援する汎用生成AIツールとその使い分け】
4.1 特許情報分析フロー×生成AIツールのマッピング
4.2 ChatGPT活用例（論点整理・Deep Research・検索式作成・テキストマイニング・共起ネットワーク・ヒートマップ・BCGマトリクス）
4.3 Claude活用例（ダッシュボード作成・ビジネスモデルキャンバスの可視化）
4.4 Google NotebookLM活用例（RAGによるビジネスフレームワーク分析）
4.5 Gemini活用例（Google SpreadsheetのAI関数による分類付与）
【実践・事例編】生成AIを活用した特許情報分析フロー
プロンプトエンジニアリングと品質設計について
5.1 プロンプトエンジニアリングとは？迷信との混同
5.2 LLMのプロンプトエンジニアリングの基本原則
5.3 データ分析の視点からのプロンプト設計（構造化出力・前処理/後処理・RAG・要約・Few-shot）
5.4 特許調査・分析におけるプロンプトエンジニアリングまとめ
5.5 「一気に出力」が品質を壊す — Chain of Thoughtの考え方
5.6 「品質は工程で作り込む」— 人間×AIの協働設計
5.7 リスクレベルに応じた生成AIの使い分け
5.8 技術動向分析を例に：各工程で品質を確定する
5.9 5ステップの品質設計フロー
【余談】特許調査・分析における生成AI活用判断
6.1 生成AI導入のプロセスと企業事例
6.2 タスクのリスク評価例
6.3 タスクの分解とAI適用度の判定
【余談】アイデア創出と生成AI
7.1 アイデア創出手法一覧
7.2 多空間デザインモデル×生成AI
7.3 自社技術を活用したテーマ創出フロー
7.4 アイデア創出事例（ChatTokkyo×GPT）
＜質疑応答＞
