생성형 인공지능은 이제 단순히 발명자의 계산을 보조하는 도구에 머물지 않는다. AI는 기술적 문제를 분석하고, 수많은 대안을 탐색하며, 인간이 미처 예상하지 못한 구조·화합물·알고리즘·제품 형상을 제시한다. 인간은 AI가 만든 후보 가운데 가치 있는 결과를 선택하고, 실험과 검증을 통해 이를 실제 기술로 완성한다.

발명의 상당 부분이 인간의 머릿속이 아니라 인간과 AI 사이의 상호작용에서 이루어지는 시대에는, 전통적인 특허법의 질문도 달라져야 한다. 보다 근본적인 물음은 다음과 같다.

특허제도는 누구에게 어떠한 독점적 유인을 제공해야 기술의 개발·상용화·공개를 가장 효과적으로 촉진할 수 있는가?

이 질문을 중심에 놓으면 AI 시대의 발명자성, 비자명성, 특허 적격성 및 명세서 기재요건을 하나의 목적론적 구조 안에서 재배열할 수 있다. 그 출발점에 서 있는 인물이 미국의 소프트웨어·AI 특허변호사 로버트 플롯킨(Robert Plotkin)이다.

1. 로버트 플롯킨은 누구인가

로버트 플롯킨은 MIT에서 컴퓨터과학을 공부하고 25년 이상 소프트웨어와 인공지능 관련 특허를 다뤄 온 미국 특허변호사이다. 현재 AI·소프트웨어 지식재산을 전문으로 하는 Blueshift IP의 창립 파트너로 활동하며, AI 기술의 발굴·특허화·영업비밀 보호 및 사업적 활용을 자문하고 있다.

플롯킨이 주목받는 이유는 생성형 AI가 대중화되기 훨씬 전부터 컴퓨터가 발명의 일부가 아니라 발명 과정 자체를 자동화할 가능성을 연구했기 때문이다. 그는 2009년 Stanford University Press에서 출간한 《The Genie in the Machine: How Computer-Automated Inventing Is Revolutionizing Law and Business》에서 자동발명 소프트웨어가 새로운 제품의 설계를 생성하는 시대가 특허법과 기업전략을 어떻게 변화시킬 것인지를 분석하였다.

이 책의 목차에는 "The Rise of Wishes", "Follow the Value", "Free the Genie, Bottle the Wish", "Learning How to Wish", "Advising Aladdin"과 같은 장이 포함되어 있다. 즉, 플롯킨의 논의는 단순히 AI를 발명도구로 설명하는 데 그치지 않고, 인간이 자동발명 시스템에 무엇을 요구하고 그 결과의 가치를 어떻게 지배할 것인가에 초점을 맞춘다.

그는 2024년 《AI Armor: Securing the Future of Your AI Company with Strategic Intellectual Property》를 출간하면서 이러한 문제의식을 생성형 AI 기업의 지식재산 전략으로 확장하였다. 플롯킨은 AI 시스템, 훈련된 모델, 데이터, 프로세스, 프롬프트 및 출력물을 하나의 묶음으로 보지 말고 각각 분해하여 특허·영업비밀·저작권 등 적절한 보호수단을 선택해야 한다고 주장한다.

2. 지니와 알라딘: 발명의 중심이 '설계'에서 '소원'으로 이동하다

플롯킨은 자동발명 시스템을 '지니(Genie)'에, 이를 사용하는 인간을 '알라딘(Aladdin)'에 비유한다. 인간 발명자는 자신이 원하는 결과, 즉 '소원(Wish)'을 제시한다. 지니인 AI는 방대한 설계공간을 탐색하여 그 소원을 충족하는 구체적 해결책을 생성한다.

이 구조에서 인간은 모든 부품과 알고리즘을 직접 설계하지 않아도 된다. 대신 다음과 같은 상위 수준의 활동을 수행한다.

  • 해결해야 할 문제를 선택한다
  • 기술적 목표를 정의한다
  • 결과가 충족해야 할 제약 조건을 정한다
  • AI가 탐색할 설계공간을 구성한다
  • 생성된 결과를 평가한다
  • 기술적으로 의미 있는 결과를 인식한다
  • 실험과 피드백을 통해 결과를 수정한다
  • 어떤 결과를 특허 또는 영업비밀로 보호할지 결정한다

플롯킨은 이를 전통적 발명의 종말로 보지 않는다. Stanford University Press가 소개한 그의 책도 자동발명 기술을 이용하는 인간을 "digital renaissance artisan"으로 표현하며, 소규모 팀과 개인이 이전에는 상상하기 어려웠던 수준의 발명능력을 갖게 될 것이라고 설명한다. 발명의 본질은 점차 "모든 세부구조를 직접 고안하는 능력"에서 "좋은 소원을 정의하고, 지니의 출력을 식별·선별·검증하는 능력"으로 이동한다.

법적 경계 좋은 소원을 제시했다는 사실만으로 언제나 특허법상 발명자가 되는 것은 아니다. 미국법에서 발명자성은 여전히 청구된 발명의 착상(conception)에 대한 자연인의 기여를 중심으로 판단된다. 고수준의 목표만 제시하고 AI가 청구항의 구체적 기술수단을 모두 생성하였다면 인간의 발명자성을 인정하기 어려운 경우도 존재한다. 플롯킨의 지니–알라딘 모델은 현행법상 발명자성 판단을 대체하는 법적 시험이라기보다, AI 시대 발명활동의 변화를 설명하는 개념적 지도로 이해해야 한다.

3. AI 시대, 특허법은 AI의 창의성이 아니라 '유인의 수신자'를 보아야 한다

특허제도를 목적론적으로 보면 관점이 달라진다. 특허는 일정 기간의 배타권을 제공함으로써 연구개발·투자·상용화 및 기술 공개를 유도하는 정책수단이다. 핵심은 누가 창의적 감정을 경험했는지가 아니라 누가 특허라는 제도적 유인에 반응하는가이다.

AI는 특허를 받을 수 있다는 기대 때문에 더 열심히 연구하지 않는다. 특허가 거절되었다고 연구를 중단하거나, 특허독점으로 얻은 수익을 다음 연구개발에 재투자하지도 않는다. 반면 인간 연구자·기업·투자자·사업자는 특허보호 여부에 따라 연구개발비를 지출하고, 기술을 공개하며, 경쟁자의 모방 위험을 감수할지를 결정한다.

목적론적 유인 기준 (Incentive / Inducement Approach) 이 글에서 사용하는 목적론적 유인 기준은 다음 세 가지 흐름을 결합한 것이다. (1) 플롯킨의 지니–알라딘·소원·가치추적 모델, (2) 특허법의 전통적 공리주의적 유인이론, (3) Abramowicz & Duffy가 Yale Law Journal(2011)에서 체계화한 Inducement Standard — "특허의 유인이 없었다면 개발되거나 공개되지 않았을 발명에만 특허를 부여해야 한다"는 원칙. 이 결합을 통해 "AI가 얼마나 인간처럼 발명했는가"라는 의인화된 질문을 "어떤 기술에 특허를 부여해야 새로운 개발과 공개를 추가로 유도할 수 있는가"라는 경제적·제도적 질문으로 전환할 수 있다.

4. 목적론적 관점에서 다시 배열하는 미국 특허법의 네 가지 요건

4.1 발명자 적격: AI가 아니라 인간의 착상 기여를 추적한다

미국법에서는 자연인만 발명자가 될 수 있다. 2025년 개정 USPTO 지침은 AI를 사용한 발명에도 기존과 동일한 발명자성 기준이 적용되며 별도의 완화·강화 기준이 존재하지 않는다고 명시한다. AI는 실험기기·소프트웨어·연구 데이터베이스와 마찬가지로 인간이 이용하는 도구로 취급된다.

AI가 발명에 참여했는가가 아니라, 청구된 발명의 착상에 어떤 자연인이 실질적으로 기여했는가?

실무적으로 중요한 인간의 기여는 다음과 같다.

  • 비통상적 방식으로 기술문제를 정의한 행위
  • 결과가 충족해야 할 물리적·수치적 제약조건의 설정
  • AI 탐색공간 또는 목적 함수의 구조화
  • 모델과 데이터의 특정 조합을 선택한 행위
  • AI 출력의 기술적 가치를 최초로 인식한 행위
  • 출력 결과에 대한 공학적 수정
  • 실험 피드백을 통한 구조·조건의 재설계
  • 최종 청구항의 기술적 구성으로 이어진 선택과 판단

단순한 소유, 자금제공, AI 시스템의 실행 또는 결과의 사후승인은 발명자성의 충분조건이 아니다.

발전적 제안

발명자성 증거원장 (Inventorship Evidence Ledger)

AI를 사용한 연구개발에서는 최종 결과만 보존해서는 인간의 착상 기여를 사후적으로 재구성하기 어렵다. 기업은 다음 자료를 시간순으로 축적하는 발명자성 증거원장을 운영할 필요가 있다.

  • 최초 문제정의 문서 / 프롬프트와 수정 이력 / 모델 버전 및 실행환경
  • 입력 제약조건 / AI가 생성한 원본 출력 / 채택·폐기된 후보와 그 이유
  • 인간이 수행한 기술적 수정 / 실험결과와 피드백 / 발명자별 회의기록
  • 최종 청구항 구성과 인간 기여의 대응표

이는 단순한 연구노트가 아니라 향후 발명자성 분쟁·무효소송·기술이전·실사에서 인간의 착상 기여를 설명하는 증거체계가 된다.

4.2 비자명성 §103: AI를 사용하는 통상의 기술자를 상정해야 하는가

35 U.S.C. §103은 청구발명과 선행기술의 차이가 관련 기술분야의 통상의 기술자에게 자명하다면 특허를 받을 수 없다고 규정하며, 발명이 이루어진 방식 때문에 특허성이 부정되어서는 안 된다고 명시한다. 따라서 "이 발명은 AI를 사용하여 만들었으므로 자명하다"는 심사논리는 원칙적으로 부적절하다.

그러나 AI가 특정 기술분야에서 보편적 연구도구가 되었다면, 통상의 기술자가 사용할 수 있는 도구와 문제해결능력도 달라진다. 플롯킨은 2025년 「AI and the Level of Ordinary Skill」에서 법원이 각 기술분야에서 AI 도구의 일상적 사용을 통상의 기술 수준에 반영해야 한다고 주장하였다.

그러나 'AI-augmented PHOSITA'는 추상적인 초인적 존재가 되어서는 안 된다. 심사관은 적어도 다음을 입증해야 한다.

  • 관련 출원일 당시 해당 AI 도구가 실제로 존재했는가
  • 해당 기술분야의 통상적 기술자가 그 도구에 접근할 수 있었는가
  • 그 도구의 사용이 실제 업계 관행이었는가
  • 선행기술이 필요한 입력과 제약조건을 제공했는가
  • 통상의 프롬프트 또는 입력으로 청구발명에 도달할 수 있었는가
  • 출력 결과가 실험 없이 기술적으로 신뢰될 수 있었는가
  • 선행기술을 결합할 동기와 합리적 성공 가능성이 존재했는가
목적론적 유인 기준과의 결합 표준 AI에 일반적 문제를 입력하면 바로 얻을 수 있는 결과는 독점적 유인이 없어도 개발될 가능성이 높다. 그러한 결과에 특허를 주면 새로운 개발을 유인하지 못한 채 사회적 독점비용만 발생할 수 있다. 반면 AI를 사용하더라도 독창적인 문제설정·비통상적 제약조건·새로운 데이터 구조·반복적 실험과 공학적 수정이 필요했던 기술이라면 특허유인은 여전히 정당화될 수 있다.

4.3 특허 적격성 §101: AI의 사용 여부가 아니라 기술적 개선을 판단한다

AI 관련 발명은 흔히 수학적 알고리즘이나 추상적 아이디어에 불과하다는 이유로 35 U.S.C. §101의 특허 적격성 거절에 직면한다. 그러나 목적론적 관점에서 §101이 물어야 할 핵심은 "AI가 발명에 사용되었는가"가 아니다. 보다 본질적인 질문은 다음과 같다.

청구된 발명이 AI를 이용하여 추상적 목적이나 인간의 업무를 단순히 자동화한 것인가, 아니면 컴퓨터·기계학습 모델 또는 구체적 기술 시스템의 작동방식을 실질적으로 개선한 것인가?

특허제도가 연구개발을 촉진하기 위한 유인제도라면, 단순히 공지된 AI를 새로운 업무나 데이터에 적용한 것과 AI 시스템 자체의 기술적 한계를 극복한 발명을 구별해야 한다. 전자는 특허가 없어도 시장의 통상적인 AI 활용 과정에서 자연스럽게 등장할 가능성이 높지만, 후자는 새로운 연구개발 투자를 필요로 하고 후속 기술발전을 촉진할 수 있기 때문이다.

2025년 연방순회항소법원의 Recentive Analytics, Inc. v. Fox Corp. 판결은 전자의 사례를 보여 준다. 해당 청구항은 기계학습을 이용하여 방송·이벤트 스케줄을 생성하고 실시간으로 업데이트하는 기술을 대상으로 하였다. 그러나 법원은 반복학습·데이터 갱신·정확도 향상이 기계학습 모델의 통상적인 작동특성에 불과하며, 청구항이 그러한 결과를 달성하는 구체적 기술수단을 제시하지 않았다고 판단하였다. 반면 USPTO Appeals Review Panel의 2025년 Ex parte Desjardins 결정은 후자의 사례를 보여 준다. 해당 발명은 파라미터 중요도를 계산하고 그 중요도에 기초한 패널티 항을 목적 함수에 반영함으로써 기계학습 모델의 훈련 메커니즘 자체를 개선하였다. 두 사례의 상세 비교는 제7장에서 다룬다.

따라서 목적론적으로 재구성된 §101의 판단은 다음과 같아야 한다.

  • 단순한 인간 업무의 자동화인가
  • 공지된 AI를 새로운 데이터 환경에 적용한 것에 불과한가
  • 결과만 기능적으로 기재하고 기술적 작동원리는 생략하였는가
  • AI·컴퓨터 시스템 자체의 기능이나 성능을 개선하였는가
  • 구체적 물리적 시스템 또는 공학적 프로세스의 작동을 변화시켰는가
  • 수학적 개념이 실질적인 기술적 응용에 통합되었는가
목적론적 §101 원칙 특허 적격성은 AI 발명을 포괄적으로 배제하는 장벽이 되어서는 안 된다. 동시에 "AI를 사용한다"거나 "정확도를 높인다"는 추상적 목표만으로 독점권을 부여해서도 안 된다. 특허유인은 AI 또는 관련 기술 시스템의 작동방식에 구체적인 기술적 개선을 제공한 경우에 집중되어야 한다.

4.4 명세서 기재요건 §112: AI의 블랙박스를 해명하는 것이 아니라 발명을 재현 가능하게 가르쳐야 한다

AI 시스템은 흔히 블랙박스적 성격을 가진다. 인간 개발자도 수많은 파라미터가 구체적으로 어떠한 내부 경로를 거쳐 특정 결과를 생성했는지를 완전하게 설명하지 못할 수 있다. 그러나 35 U.S.C. §112의 실시가능성(enablement) 요건은 AI가 특정 결론에 도달한 모든 미시적 연산과정을 철학적· 수학적으로 해명하도록 요구하는 제도가 아니다. 목적론적으로 §112가 묻는 핵심은 다음과 같다.

사회가 특허독점의 대가로, 통상의 기술자가 과도한 실험 없이 청구발명을 만들고 사용할 수 있을 정도의 기술적 가르침을 제공받았는가?

특허제도는 기술 공개와 독점권 사이의 교환관계, 즉 quid pro quo를 전제로 한다. 따라서 AI 발명에서도 출원인은 단순히 AI가 특정 결과를 생성하였다는 사실만을 공개해서는 안 된다. 당업자가 동일하거나 실질적으로 동등한 기술적 결과를 재현할 수 있도록 필요한 조건과 절차를 제공해야 한다. AI 관련 명세서에서 중요하게 다루어야 할 정보는 다음과 같다.

  • 사용된 모델의 유형과 핵심 구조 / 모델 선택의 기술적 이유
  • 입력 데이터의 성격과 형식 / 데이터 전처리 및 특징 추출 방식
  • 학습·검증·시험 데이터의 구성과 분할
  • 주요 하이퍼파라미터의 값 또는 범위 / 목적 함수와 손실 함수 / 출력 평가기준
  • 반복학습과 피드백 절차 / 출력의 선택·폐기·재생성 조건
  • 인간 전문가의 기술적 검토단계 / 대표 실시예와 비교예
  • 실패조건과 작동한계 / 대체 모델 및 대체 실시형태
  • 청구범위 전반을 뒷받침하는 재현성 데이터
공개범위의 비례 원칙 모든 AI 발명에서 모델의 전체 가중치·전체 소스코드·전체 학습데이터를 공개해야 하는 것은 아니다. 필요한 공개수준은 청구범위의 폭·기술분야의 예측 가능성·모델의 재현성·출원 당시의 통상의 기술 수준에 따라 달라진다. 다만 독점권을 요구하는 범위가 넓을수록 공개되어야 할 기술적 가르침도 그에 상응하여 넓고 깊어야 한다. 하나의 모델·하나의 데이터셋·하나의 성공사례만으로 광범위한 AI 기능 전체를 독점하려 한다면 실시가능성 또는 서면기재 요건의 문제가 발생할 수 있다. §112의 실무적 명세서 재현성 설계는 제8장에서 상세히 다룬다.

4.5 네 가지 요건의 목적론적 재구성

이상의 네 가지 요건은 서로 분리된 규제가 아니라 하나의 특허정책적 구조를 형성한다.

특허요건 전통적으로 제기되는 AI 중심 질문 목적론적으로 재구성된 질문
발명자 적격 AI가 얼마나 창의적으로 기여했는가 어떤 자연인이 청구발명의 착상에 실질적으로 기여하였으며, 누구에게 권리를 부여해야 개발과 공개를 유인할 수 있는가
비자명성 §103 인간이 AI를 얼마나 어렵게 사용했는가 AI를 포함한 당시의 통상적 기술환경에서도 특허유인 없이 자연스럽게 도출되었을 기술인가
특허 적격성 §101 청구항에 AI나 알고리즘이 포함되어 있는가 추상적 목적을 자동화한 것인가, 아니면 AI·컴퓨터 또는 기술 시스템의 작동을 구체적으로 개선한 것인가
명세서 기재요건 §112 AI 내부의 모든 연산을 설명할 수 있는가 독점권의 대가로 당업자가 발명을 재현할 수 있을 정도의 기술적 가르침을 제공하였는가
목적론적 재구성의 함의 이러한 재구성에 따르면 AI 시대의 특허법은 AI를 인간처럼 취급할 것인지에 관한 논쟁에서 벗어나, 특허독점이 실제로 기술의 개발과 공개를 추가적으로 촉진하는지를 중심으로 작동하게 된다.

5. "AI를 과도하게 사용한 자명한 발명"이라는 §103 거절에 대한 대응

심사관이 범용 AI를 이용하면 쉽게 도출할 수 있다는 취지의 거절을 제기할 경우, 출원인은 발명자의 노력이나 프롬프트의 문학적 창의성을 강조해서는 안 된다. §103은 발명자의 주관적 수고를 보상하는 규정이 아니기 때문이다. 효과적인 대응은 다음 네 단계로 구성할 수 있다.

단계 1

AI 사용과 자명성을 분리한다

AI를 사용했다는 사실만으로 자명성이 성립하지 않는다는 점을 분명히 한다. 심사관은 청구항의 각 한정사항이 선행기술에 개시되었거나 자명하게 결합될 수 있음을 입증해야 한다.

단계 2

통상적 AI 출력과 청구발명의 구조적 차이를 특정한다

출원인은 "AI가 만든 결과"와 "최종 청구발명"을 분리하여 설명해야 한다.

  • AI는 일반적인 형상을 제안했지만, 청구된 응력분산구조는 인간의 후속해석에서 도출되었다
  • AI는 후보 화합물을 제안했지만, 특정 치환기 범위와 투여조건은 실험결과를 통해 확정되었다
  • AI는 분류모델을 제안했지만, 청구된 손실함수·패널티 항·데이터 정규화 관계는 인간이 설계하였다
  • AI는 여러 제어방식을 제안했지만, 특정 센서신호와 구동조건의 폐루프 관계는 반복시험 후 결정되었다
단계 3

합리적 성공 가능성의 부재를 설명한다

AI가 후보를 출력할 수 있다는 사실만으로 통상의 기술자가 청구발명의 성공을 합리적으로 기대할 수 있었다고 단정할 수 없다. 화학·의약·바이오·복합기계 분야에서 AI의 출력이 실제 작동성·안정성·독성·내구성 또는 제조가능성을 보장하지 않으며, AI 출력 이후 상당한 실험과 검증이 필요했다면 이를 단순한 자명한 최적화로 취급하기 어렵다.

단계 4

예상하지 못한 결과를 객관적 데이터로 제시한다

자명성 거절에 대한 가장 강력한 객관적 증거 중 하나는 예상하지 못한 결과이다. 다음 세 요소가 필요하다.

  1. 가장 가까운 선행기술 또는 통상적 AI 출력과의 비교
  2. 통계적으로 또는 기술적으로 유의미한 차이
  3. 그 차이가 청구된 구성에서 발생한다는 nexus

6. 기술적 재현성 데이터 패키지: 명세서 단계에서 §103 대응을 준비하라

플롯킨의 인간–AI 협업론, AI 자산지도화, 프롬프트 특허화, Recentive와 Desjardins의 대비, §103의 객관적 증거 및 §112 실시가능성 원칙을 종합하면 다음의 실무적 제안이 도출된다. 이를 기술적 재현성 데이터 패키지(Technical Reproducibility Data Package)라고 부를 수 있다.

세 가지 목적 (1) 인간이 어떠한 기술적 제어를 가했는지를 입증한다 / (2) 범용 AI의 통상적 결과와 청구발명의 차이를 입증한다 / (3) 당업자가 명세서를 통해 발명을 재현할 수 있도록 한다
제1층

기술적 문제와 기준선 데이터

명세서는 막연히 "성능을 향상시킨다"고 적어서는 안 된다. 기존 기술의 결함을 측정 가능한 데이터로 정의해야 한다.

  • 기존 모델의 연속학습 후 이전 과제 정확도가 28% 하락한다
  • 기존 구조는 8,000rpm 이상에서 특정 주파수의 진동이 급증한다
  • 통상적 AI 설계는 최대응력값이 허용기준을 17% 초과한다
  • 기존 분류모델은 특정 데이터군에서 위양성률이 22% 발생한다
제2층

AI 입력·제어 구조

프롬프트 문구만을 기재하는 것으로는 부족할 수 있다. 결과의 재현에 영향을 주는 입력구조 전체를 설명해야 한다. 시스템 프롬프트·사용자 프롬프트·단계별 질의 순서·입력 데이터 형식·변수 범위·필수 제약조건·제외조건·모델 종류와 버전·temperature·top-p 등 관련 추론 설정·출력 선택 및 폐기 기준·재생성 조건·인간 검토단계 등이 포함된다. 다만 그러한 설정이 청구된 기술적 효과와 인과적으로 연결되어야 한다.

제3층

데이터 전처리와 모델 개선 메커니즘

범용 AI에 데이터를 넣었다는 설명만으로는 부족하다. 결측값 처리·특징 추출·노이즈 제거·정규화·벡터화· 데이터 분할·편향 보정·목적 함수 수정·손실 함수 설계·패널티 항 추가·학습률 제어·반복 종료조건· 복수 모델 간 검증·출력의 물리적 피드백 등 구체적 처리가 발명의 핵심일 수 있다.

제4층

대조군–실험군 비교

가장 설득력 있는 구조는 범용 AI의 일반적 결과와 발명자의 기술적 개입 이후 결과를 직접 비교하는 것이다. 대조군은 업계 표준 모델·기본 설정·통상적 프롬프트·공지된 데이터 전처리이며, 실험군은 발명자가 설계한 단계별 프롬프트·특수한 제약조건·독자적 데이터 전처리· 목적 함수 또는 모델 제어·인간의 실험 피드백·최종 기술수정이다. 비교지표로는 정확도·오차율·에너지 사용량·계산량·메모리 점유량·수렴속도·내구수명·강도·수율·독성 등을 활용한다.

제5층

Ablation 및 실패 데이터

특정 구성의 기술적 기여를 입증하려면 해당 구성을 제거하거나 변경했을 때 성능이 어떻게 달라지는지를 제시하는 것이 유용하다. 패널티 항 제거·특정 데이터 전처리 생략·프롬프트 단계 하나 제거·제약조건 범위 이탈·인간 피드백 미수행·다른 모델 사용 등의 ablation 데이터는 §103의 nexus와 §112의 실시가능성을 동시에 강화한다.

7. §101 판례의 대비: Recentive와 Desjardins

제4장 4.3에서 목적론적으로 정립한 §101 판단 기준은 두 개의 2025년 판례에서 선명하게 대비된다. Recentive Analytics, Inc. v. Fox Corp.와 Ex parte Desjardins는 동일한 AI 기술 환경에서 무엇이 특허 적격성을 결정하는지를 구체적으로 보여 준다.

7.1 Recentive Analytics v. Fox: 범용 AI의 새로운 용도 적용

2025년 연방순회항소법원은 Recentive Analytics, Inc. v. Fox Corp.에서 범용 기계학습 기술을 방송·이벤트 스케줄링에 적용한 청구항의 특허 적격성을 부정하였다. 법원은 반복학습·실시간 데이터 반영· 정확도 개선이 기계학습의 통상적 기능이며, 청구항이 그러한 결과를 어떠한 구체적 기술수단으로 달성하는지를 충분히 제시하지 않았다고 판단하였다.

공지된 기계학습을 새로운 데이터 또는 업무분야에 적용하는 것만으로는 AI 시스템 자체의 기술적 개선이 되지 않는다.

7.2 Ex parte Desjardins: 모델의 작동 메커니즘 자체를 개선

반면 USPTO Appeals Review Panel은 2025년 Ex parte Desjardins에서 기계학습 모델의 연속학습 방식을 개선한 청구항의 §101 적격성을 인정하였다. 해당 청구항은 이전 과제의 파라미터 중요도를 계산하고, 그 중요도에 기초한 패널티 항을 목적 함수에 반영하여 새로운 과제를 학습하도록 구성하였다. USPTO는 소프트웨어와 AI의 개선이 반드시 물리적 부품의 변경으로 나타날 필요는 없으며, 논리적 구조와 프로세스의 개선도 기술적 개선이 될 수 있다고 설명하였다.

구분 Recentive Analytics v. Fox Ex parte Desjardins
기술의 성격 범용 ML의 새로운 업무 적용 ML 훈련 메커니즘 개선
해결한 문제 인간 업무의 효율화 파괴적 망각 등 모델 자체의 한계
청구 방식 결과·기능 중심 계산·제어 메커니즘 중심
기술적 효과 빠른 스케줄링 저장량·복잡도 감소, 지식 보존
§101 결론 부적격 적격

따라서 AI 명세서에서는 "AI가 더 좋은 결정을 한다"는 결론보다 "어떤 데이터·파라미터·목적 함수· 제어관계를 통해 컴퓨터 또는 물리적 시스템의 작동이 달라지는가"를 설명해야 한다.

8. §112를 위한 AI 명세서 재현성 설계

제4장 4.4에서 정립한 §112의 목적론적 원칙 — quid pro quo와 비례적 공개 — 을 실무적으로 구현하려면 명세서 단계부터 재현성 설계(reproducibility design)를 체계적으로 수행해야 한다. AI 블랙박스를 이유로 공개를 회피할 수 없지만, 내부 가중치 전체를 공개할 의무도 없다. 기준은 하나다.

통상의 기술자가 명세서와 출원 당시의 기술상식을 이용하여 과도한 실험 없이 청구발명을 만들고 사용할 수 있는가?

실무적으로 AI 발명의 명세서에서 다음 정보가 중요하다.

  • 사용된 모델의 유형과 핵심 구조 / 모델 선택의 기술적 이유
  • 입력 데이터의 성격 / 데이터 전처리 / 학습·검증·시험 데이터의 구분
  • 주요 하이퍼파라미터 범위 / 목적 함수와 손실 함수 / 출력 평가기준
  • 반복 및 피드백 절차 / 대표 실시예 / 실패조건 / 대체 실시형태
  • 청구범위 전반을 뒷받침하는 데이터
실시가능성 범위 유의사항 모델의 모든 가중치나 전체 학습데이터를 반드시 공개해야 하는 것은 아니다. 그러나 출원인이 넓은 범위의 AI 기능을 독점하려 하면서 하나의 모델·하나의 데이터셋·하나의 성공사례만 제시한다면 §112 문제가 발생할 수 있다. 공개수준은 청구범위의 폭·기술분야의 예측 가능성·모델의 재현성 및 명세서가 제공하는 지침의 수준에 따라 달라진다.

9. 플롯킨의 AI '마법책(Spellbook)' 전략

플롯킨은 2023년 「Casting an AI 'Spellbook': The Powerful, Low-Cost, Continuous Improvement AI Strategy for Small, Fast-Moving Companies」에서, 자체 거대언어모델을 개발할 자본이 없는 중소기업도 기존 AI를 활용하여 독자적인 경쟁력을 구축할 수 있다고 주장하였다.

그는 기업의 선택지를 세 가지로 구분하였다.

  1. 자체 데이터를 이용하여 독자 모델을 개발하는 방법
  2. 범용 AI에 복잡한 업무 전체를 수행시키는 고도로 설계된 'expert-in-a-box' 프롬프트를 만드는 방법
  3. 업무의 작지만 중요한 부분을 자동화하는 다수의 단순한 프롬프트를 축적하여 'Spellbook'을 만드는 방법

마법책의 핵심은 다음과 같다.

  • 반복적으로 사용할 수 있고, 특정 업무에 특화되어 있다
  • 검증된 결과를 생성하며, 조직의 현장지식을 반영한다
  • 지속적으로 개선되며, 범용 AI를 기업 고유의 업무시스템으로 전환한다
발전적 제안

단순 프롬프트 모음이 아닌 기업 운영체계

마법책을 단순히 "좋은 프롬프트 문장 모음"으로 이해하면 그 전략적 가치가 축소된다. 고도화된 마법책은 업무별 문제정의·입력 데이터 형식·전제조건·시스템 프롬프트·사용자 프롬프트· 예시 입력과 출력·금지된 출력·품질 평가기준·인간 검토절차·오류교정 규칙·모델 변경 시 회귀시험· 버전관리·책임자·접근권한·성능이력을 포함해야 한다.

즉, 마법책은 프롬프트 컬렉션을 넘어 AI를 이용한 조직지식의 실행 프로토콜이다.

10. 프롬프트는 특허를 받을 수 있는가

플롯킨은 2024년 「Can AI Prompts Be Patented? Don't Be Too Quick to Dismiss this Question」에서 프롬프트가 특정 상황에서는 특허대상이 될 수 있다고 주장하였다. 그러나 모든 프롬프트가 특허를 받을 수 있는 것은 아니다.

예를 들어 "에너지 효율이 높은 모터를 설계하라."는 목표 또는 아이디어에 가까우며 구체적 기술수단을 제시하지 않는다. 반면 다음과 같은 구조는 특허검토의 대상이 될 수 있다.

  • 특정 센서데이터를 정규화하는 단계
  • 복수의 제약조건을 우선순위에 따라 입력하는 단계
  • 제1 모델의 출력을 제2 모델의 검증입력으로 변환하는 단계
  • 물리적 시뮬레이션 결과에 따라 프롬프트를 자동 수정하는 단계
  • 특정 오차범위를 벗어난 결과를 폐기하고 재생성하는 단계
  • 최종 출력에 따라 실제 장치의 제어값을 변경하는 단계
프롬프트 특허의 실무적 위험 §101 추상적 아이디어 / §103의 통상적 최적화 / §112 실시가능성 / 기능식 청구의 과도한 범위 / 모델이 변경될 때 결과가 달라지는 재현성 문제 / 경쟁자의 내부 프롬프트를 확인하기 어려운 침해입증 문제. 따라서 프롬프트를 특허화할 때는 문구 자체보다 데이터 흐름·시스템 상호작용·반복제어·평가메커니즘 및 기술적 결과를 중심으로 청구해야 한다.

11. 마법책을 특허로 보호할 것인가, 영업비밀로 남길 것인가

플롯킨은 AI 기업이 각 자산을 분해하고 비즈니스 모델에 맞는 지식재산 수단을 선택해야 한다고 주장한다. 마법책 전체를 특허로 공개하거나 모두 비밀로 유지하는 양자택일은 바람직하지 않다.

제1층 — 특허

외부에서 탐지 가능한 기술적 골격

  • 외부에서 탐지 가능한 처리단계 / 핵심 시스템 구조
  • 경쟁자가 반드시 사용할 가능성이 높은 데이터 흐름
  • 물리적 장치와 AI의 연결관계
  • 우회하기 어려운 목적 함수 또는 제어구조
제2층 — 영업비밀

침해탐지가 어려운 내부 노하우

  • 세부 프롬프트 문구 / 최적 파라미터 / 데이터셋
  • 평가 가중치 / 실패사례 / 인간 검토규칙 / 모델별 보정값
제3층 — 계약·보안·운영통제

조직 및 계약상 보호 체계

  • 접근권한 / 로그기록 / 비밀표시 / 외부 AI 입력금지
  • 퇴직자 관리 / 위탁업체 비밀유지
  • 모델 공급자와의 데이터 사용조건 / 프롬프트 버전관리

12. 좁은 청구항부터 등록하고 계속출원으로 확장하는 전략

플롯킨과 Cynthia Gilbert는 2017년 소프트웨어 특허에 관한 글에서, 방어 가능하고 상업적으로 가치 있는 비교적 좁은 청구항을 먼저 확보하고, 원출원의 존속기간 동안 계속출원을 이용하여 보호범위를 점진적으로 확대하는 전략을 설명하였다. 2026년 플롯킨의 인터뷰에서도 그는 과거의 "넓은 청구항부터 제출하고 좁혀 가는 방식"을 뒤집어, 최초에는 가장 방어하기 쉬운 좁은 청구항으로 조기 등록을 확보하고 이후 계속출원에서 점진적으로 범위를 확장한다고 설명하였다.

이 전략의 장점은 다음과 같다.

  • 조기 등록을 확보할 수 있다
  • 최초 특허를 투자·협상·집행에 활용할 수 있다
  • 심사관이 기본 기술을 한 차례 인정한 상태에서 후속범위를 논의할 수 있다
  • 출원계속성을 유지하면서 시장과 경쟁제품에 맞춰 청구항을 조정할 수 있다
  • 넓은 청구항 하나에 모든 위험을 집중하지 않을 수 있다
핵심 원칙 이 전략은 좁은 청구항만 먼저 쓰는 전략이 아니다. 최초 명세서는 넓고 깊게 작성하되 최초 심사청구항은 방어적으로 구성하는 전략으로 이해해야 한다. 후속 청구항은 독립적으로 §101·§102·§103·§112를 충족해야 하며, 계속출원에서 확대하려는 범위가 최초 명세서에 충분히 뒷받침되어 있어야 한다.

13. 단어 선택과 다층적 명세서 구조

플롯킨은 AI·소프트웨어 청구항에서 analyzing, determining과 같은 표현이 심사관으로 하여금 청구항을 정신적 과정 또는 추상적 아이디어로 인식하게 할 수 있다고 지적하였다. 보다 구체적인 기술작용을 표현하는 것이 유리할 수 있다.

analyzing data → computing a feature vector from sampled sensor values
determining a condition → comparing the computed value with a stored threshold and generating a control signal
optimizing a result → iteratively adjusting parameter values to minimize the defined loss function
providing a recommendation → transmitting a command that changes the operating state of the actuator
유의사항 단어만 바꾸어서는 특허 적격성이 생기지 않는다. 실제 명세서와 청구항에 구체적 기술수단이 존재해야 한다.
발전적 제안

다층적 Fallback Architecture

AI 분야는 심사지침과 판례가 빠르게 변화하므로 최초 명세서에는 여러 층의 기술적 한정을 준비해야 한다.

  1. 가장 넓은 시스템 개념 / 데이터 흐름 / 전처리 방식
  2. 모델 구조 / 목적 함수·손실 함수 / 특정 파라미터 범위
  3. 하드웨어 또는 물리적 시스템 연계 / 구체적 실시예
  4. 비교실험 / 실패조건과 대체구성

이 다층 구조는 심사 중 청구항을 좁힐 때 신규사항을 추가하지 않고도 다양한 보정경로를 제공한다.

14. 플롯킨 전략과 목적론적 특허요건의 통합

플롯킨의 지니–알라딘, AI 마법책, 프롬프트 특허, AI 자산지도화 및 계속출원 전략은 서로 분리된 기법이 아니다. 이들을 목적론적 특허이론과 결합하면 하나의 일관된 구조가 나타난다.

특허요건 목적론적 유인 기준의 핵심 질문
발명자성 특허제도는 AI 자체가 아니라 기술을 개발하고 공개하는 인간을 유인한다. 다만 인간은 청구발명의 착상에 실제로 기여해야 한다.
비자명성 표준 AI가 통상적으로 만들어 내는 결과는 독점적 유인이 없어도 개발될 가능성이 높다. 그러한 결과는 특허의 필요성이 약하다.
특허적격성 AI가 단순히 추상적 업무를 자동화한 경우보다 AI·컴퓨터·물리적 시스템의 기능 자체를 개선한 경우에 특허유인을 제공할 정당성이 크다.
명세서 기재 사회는 독점권을 제공하는 대가로 재현 가능한 기술지식을 받아야 한다. AI의 블랙박스를 이유로 공개의무를 완화할 수 없다.
마법책 범용 AI를 기업 고유의 지식생산 시스템으로 전환한다. 탐지 가능한 기술적 골격은 특허로, 내부 노하우는 영업비밀로 보호한다.

15. 결론: AI 시대의 강한 특허는 '창의성 주장'이 아니라 '기술적 간극의 증명'에서 나온다

AI 시대의 출원인이 범하기 쉬운 오류는 발명자가 AI를 사용하기 위해 얼마나 많은 시간과 노력을 들였는지를 강조하는 것이다. 그러나 특허법은 땀과 노력 자체를 보상하지 않는다. 1952년 미국 특허법이 발명이 이루어진 방식에 따라 특허성을 부정해서는 안 된다고 규정한 이유도, 발명자의 심리적 과정이나 천재성에 특허성을 의존시키지 않기 위해서다.

"우리 발명자는 AI를 창의적으로 사용했다"에서
"통상적 AI와 선행기술로는 이 기술적 구성과 효과에 도달할 수 없었다"로 전환해야 한다.

명세서 단계에서 준비해야 할 10가지 ① 통상적 AI 출력과 청구발명의 차이 ② 인간이 설정한 구체적 기술제약 ③ 데이터와 모델의 비통상적 구조 ④ AI 출력 이후의 공학적 수정 ⑤ 가장 가까운 대조군과의 비교시험 ⑥ 예상하지 못한 효과 ⑦ 청구구성과 효과 사이의 nexus ⑧ 당업자가 재현할 수 있는 구체적 실시조건 ⑨ 발명자별 착상 기여 기록 ⑩ 특허와 영업비밀의 계층적 배치

플롯킨이 2009년에 제시한 지니와 알라딘의 비유는 오늘날 생성형 AI 시대에 더욱 현실적인 의미를 갖는다. 중요한 것은 인간이 어떠한 소원을 정의하고, 어떠한 조건으로 지니를 제어하며, 생성된 수많은 결과 가운데 기술적 가치를 식별하고, 이를 실험으로 검증하여, 사회가 재현할 수 있는 기술지식과 기업이 지배할 수 있는 지식재산으로 전환하는가이다.

AI 시대의 발명자는 더 이상 모든 기술적 세부사항을 홀로 고안하는 사람이 아닐 수 있다. 그러나 강력한 AI를 이용하여도 통상적으로 얻을 수 없는 기술적 도약을 설계하고, 그 도약을 객관적 데이터로 입증하며, 이를 재현 가능한 형태로 공개하는 인간은 여전히 특허제도가 유인해야 할 핵심 주체이다. 그 지점에서 플롯킨의 지니–알라딘론, 마법책 전략, AI 특허 자산화론과 현대 특허학계의 목적론적 유인 기준은 하나로 만난다.

참고문헌 및 공식 자료

  • Robert Plotkin, The Genie in the Machine: How Computer-Automated Inventing Is Revolutionizing Law and Business (Stanford University Press, 2009) 지니–알라딘 모델과 자동발명 소프트웨어의 법적·사업적 함의를 체계적으로 분석한 저서.
  • Robert Plotkin, AI Armor: Securing the Future of Your AI Company with Strategic Intellectual Property (2024) AI 자산지도화(AI IP Mapping) 전략과 특허·영업비밀·저작권의 계층적 적용을 다룬 실무서.
  • Robert Plotkin, "Casting an AI 'Spellbook': The Powerful, Low-Cost, Continuous Improvement AI Strategy for Small, Fast-Moving Companies" (2023) AI 마법책(Spellbook) 전략의 원형을 제시한 기고문.
  • Robert Plotkin, "Can AI Prompts Be Patented? Don't Be Too Quick to Dismiss this Question" (2024) ipwatchdog 프롬프트 특허화의 가능성과 실무적 조건을 검토한 기고문.
  • Robert Plotkin, "AI and the Level of Ordinary Skill" (2025) ipwatchdog AI 도구의 보편화가 통상의 기술자(PHOSITA) 수준에 미치는 영향과 법원의 대응 방향을 논한 기고문.
  • Michael Abramowicz & John F. Duffy, "The Inducement Standard of Patentability," 120 Yale Law Journal 1590 (2011) 비자명성 요건을 목적론적 유인 기준으로 재구성한 학술논문.
  • Recentive Analytics, Inc. v. Fox Corp. (Fed. Cir. 2025) 범용 기계학습 기술을 새로운 업무분야에 적용하는 것만으로는 §101 적격성을 충족하지 못한다고 판단.
  • Ex parte Desjardins (USPTO Appeals Review Panel, 2025) 파라미터 중요도 기반 패널티 항을 이용한 연속학습 개선 청구항에 §101 적격성을 인정.
  • USPTO, Inventorship Guidance for AI-Assisted Inventions (2025 개정) USPTO 공식 자료 AI를 사용한 발명에도 동일한 자연인 발명자 기준을 적용한다는 지침 확인.
  • 35 U.S.C. §101, §103, §112 (미국 특허법 본문) Cornell LII 특허 적격성·비자명성·기재요건 조문.
법률정보 이용에 관한 안내 이 글은 일반적인 비교법·정책 분석이며 개별 사건에 대한 법률자문이 아니다. 법령·심사지침·판례는 개정되거나 사안별로 다르게 적용될 수 있으므로 실제 출원·심판·소송에서는 최신 원문과 관할 전문가의 검토가 필요하다.

관련 해설 영상

[유튜브] AI가 발명하는 시대 — 특허는 누구에게 왜 주어져야 하는가