AI That Reads the Technical Meaning of Patents, Not Just Their Words — Training on Claims and Descriptions to Detect Patent Risk

INVENTOR'S TECHNOLOGY COLUMN · AI AND PATENT ANALYTICS

Training AI on Patent Claims and Detailed Descriptions to Identify Patent Risk

The same technology can be described in entirely different words. This article explains an AI-based patent-analysis technique that turns the native structure of patent documents into training signals and identifies passages in a lengthy disclosure that are most closely related to a claim.

Inventor's note. This article presents, for a general audience, the core idea and operating principles of an AI-based patent-analysis technology that I invented and filed for patent protection. The model's semantic-similarity score is not a legal determination of infringement. It is best understood as an analytical signal for identifying patents and product materials that warrant closer review.

Conceptual overview of AI learning the semantic correspondence between patent claims and the detailed description

Contents

1. Why keyword search misses technical relationships
2. Turning patent documents into training data
3. Working around the 512-token limit
4. How BERT reads the relationship between two texts
5. What the reported experiment shows
6. The line between semantic similarity and infringement
7. Practical applications and the value of data
8. Remaining challenges and the path forward

1. Why Keyword Search Misses Technical Relationships

Patent searching is not simply a matter of finding identical words. Comparing a product description with a claim is relatively straightforward when both use the same terminology. The harder cases arise when two documents describe the same technology in different language. A drafter may reorder components, move between broader and narrower concepts, or describe the same function in different terms. A keyword search can easily miss those connections.

The technology I invented and filed for patent protection begins with that problem. Its objective is to move beyond word matching and train an AI model to evaluate how closely the technical meaning of a claim corresponds to a passage in another document. The central idea is to use structural relationships already present within patent documents as training data. Rather than requiring experts to read tens of thousands of documents and manually create an answer key, the system is designed so that the patent documents themselves supply part of the training signal.

2. Turning Patent Documents into Training Data

The starting point is the structure of a patent document. The claims define the legal boundaries of the invention, while the detailed description explains what the invention is and how it may be implemented. Article 42(4)(i) of the Korean Patent Act requires the claims to be supported by the detailed description. That requirement helps prevent an applicant from monopolizing subject matter that was not disclosed and enables a person skilled in the art to understand the relationship between the claimed invention and the specification.

Viewed through a machine-learning lens, that legal structure creates an opportunity. A claim and a passage from the detailed description of the same patent will ordinarily have a strong relationship. By contrast, a claim and a randomly selected passage from a different patent are statistically more likely to be unrelated. The system can therefore assign label 1 to a claim–description pair drawn from the same patent and label 0 to a pair assembled from different patents.

An essential distinction. Label 1 does not mean “legal infringement,” and label 0 does not mean “legal noninfringement.” These are proxy labels designed to teach the model semantic correspondence, not ground-truth labels derived from judicial infringement decisions. Two different patents may concern related technology, and a claim and description from the same patent say nothing by themselves about whether a third party infringes.

The immediate benefit is a substantial reduction in manual labeling. In a conventional supervised-learning project, experts might need to read each document pair and decide whether it is related. Patents take time to read carefully, so the cost rises quickly as the dataset grows. Automatically pairing claims with passages from the same patent—and combining claims with randomly selected passages from other patents—can remove much of that bottleneck.

Negative samples are not mere filler. If a model sees only highly related pairs, it may learn to treat a few overlapping words as sufficient evidence of a meaningful relationship. Training it on claim–description pairs drawn from different patents forces the model to distinguish superficial word overlap from technical correspondence. Positive samples show the model what a relationship looks like; negative samples help define its boundary.

3. Working Around the 512-Token Limit

Document length presents the next obstacle. In its basic form, BERT accepts no more than 512 tokens in a single input. A patent's detailed description, however, often runs to thousands of words. Feeding a claim and the entire description into the model at once is therefore impractical.

My proposed approach first divides the detailed description into chunks of approximately 310 tokens. It then calculates the semantic relationship between the claim and each chunk and selects the highest-scoring passages as input candidates. This differs from mechanically taking text from the beginning of the document. The limited input window is allocated first to passages most likely to bear directly on the claim.

A dot product between vector representations can be used to rank the chunks. The underlying intuition is straightforward. The claim is represented as one semantic vector and each description chunk as another. The operation scores how closely the two vectors point in the same direction. A higher score indicates a greater likelihood that the claim and the passage are semantically related.

1. Segment: Divide the detailed description into chunks of roughly 310 tokens.
2. Score: Calculate the semantic relationship between the claim and each chunk.
3. Select: Choose the highest-scoring chunks as candidates for the BERT input.

4. How BERT Reads the Relationship Between Two Texts

The selected text is formatted so that BERT can distinguish the two inputs. A representative sequence is [CLS] + claim + [SEP] + detailed description + [SEP]. The [SEP] tokens mark the boundary between the texts, while segment embeddings identify which tokens belong to which input. The final representation of the [CLS] token can then serve as a summary vector for classifying the relationship between the two texts.

This structure prevents the claim and the description from collapsing into a single undifferentiated passage. Human readers naturally use headings, paragraphs, and line breaks to identify document boundaries. A model has no comparable intuition unless the input structure expressly tells it, in effect, “Text A ends here, and Text B begins here.”

During training, label-1 and label-0 examples are handled through an alternating-batch strategy. Rather than mixing both classes indiscriminately from the outset, the system calculates the loss for each group and updates the model parameters in a direction that reduces both losses. The purpose is to keep the model's decision rule from drifting toward one class merely because that class is larger or easier to learn.

5. What the Reported Experiment Shows

In the experiment described in the source manuscript, cross-entropy loss decreased from 0.89 to 0.19 over 15 training epochs, and accuracy reached approximately 80%. The manuscript also reports that the model classified all 17 text pairs in a comparison set that used different terminology as label 1.

15 epochsTraining duration

0.89 → 0.19Cross-entropy loss

Approx. 80%Accuracy under the reported conditions

How to read the numbers. These results were obtained under the specific experimental conditions reported in the source manuscript. They do not establish that the same performance will hold across every industry, patent corpus, or dispute. The result for the 17 text pairs should likewise be understood as an observation from a limited comparison set.

More important than the headline numbers is the model's response to changes in wording. One of the central difficulties in patent searching is that the same technology can be obscured by different language. Suppose one document refers to an “adhesive retention mechanism,” while another describes the same arrangement using entirely different terminology. A keyword search may push the documents apart because they share few words. A semantic model is intended to do the opposite: it asks what function each component performs in context and how the components relate to one another.

6. The Line Between Semantic Similarity and Infringement

This discussion naturally calls to mind the doctrine of equivalents. Patent infringement analysis does not necessarily end merely because an accused product departs from the literal wording of a claim. Under Korean Supreme Court precedent, an altered element may in appropriate circumstances be treated as equivalent when requirements concerning the invention's problem-solving principle, substantially identical operation and effect, and interchangeability are satisfied, absent a recognized bar to equivalence.

An AI score is not an infringement ruling. Semantic similarity and infringement under the doctrine of equivalents are not the same concept. A high similarity score does not establish infringement, and a low score does not eliminate legal risk.

A legal analysis must separately address whether every claim limitation is satisfied, as well as prosecution history, the prior art, any deliberate exclusion or disclaimer, and each requirement of the doctrine of equivalents. The practical value of this invention therefore does not lie in having AI replace a judge or lawyer. Its more useful role is to narrow the set of documents that a human expert must read. Among thousands—or tens of thousands—of patents and product documents, the system can elevate candidates that correspond strongly to a claim, after which patent counsel, litigators, and R&D personnel can conduct a rigorous review.

7. Practical Applications and the Value of Data

The same semantic-comparison architecture supports several practical use cases. Patent-risk analysis, portfolio monitoring, and prior-art searching all converge on the task of finding technical relationships expressed in different language.

• Product development: Compare competitor patents with product specifications to identify potential risk candidates early.
• Rights monitoring: Compare descriptions of newly released products with existing claims to prioritize human review.
• Prior-art searching: Surface references that describe relevant subject matter using language different from the claim.

In patent AI, the most expensive resource is not always GPU capacity or model parameters. Often the harder problem is obtaining good training data. Expert labels can be accurate, but they are slow and costly to produce. Public patent documents are abundant, yet they are not ready-made answer keys. This invention seeks a middle path: use the legal and documentary structure already embedded in patents to reduce the cost of generating training data.

Describing the project simply as “turning law into mathematics” misses the point. More precisely, it identifies signals that AI can learn from the structure and rules accumulated in legal documents. The relationship between claims and the detailed description, the selection of relevant passages, the construction of positive and negative samples, and the formatting that distinguishes two text inputs together convert semantic correspondence in patent documents into a computationally tractable problem.

8. Remaining Challenges and the Path Forward

Substantial challenges remain. Terminology and sentence structure vary by technical field, which may require domain-specific training. Random negative sampling can also produce false negatives by pairing documents that are, in fact, technically related. Narrowing the gap between semantic similarity and legal infringement analysis will require claim-element-level analysis supplemented by prosecution history, prior art, and expert-labeled data. BERT's 512-token constraint may also be addressed through longer-context models or hierarchical architectures.

Even so, the starting proposition is clear: a patent is not merely an undifferentiated block of text. A special relationship exists between the claims that define the legal right and the detailed description that explains the technology. Once that relationship is converted into training data, AI can move beyond retrieving documents that use the same words and begin exploring why two documents may be technically related.

The proper role of AI in patent practice is not to displace the expert's ultimate judgment. It is to find, more quickly and across a wider field, the candidates that deserve that judgment. The system first detects semantic connections that may be easy to miss in a large corpus; lawyers and technical specialists then apply the governing legal and engineering standards. The invention I filed occupies that boundary. It is an effort to move beyond searching the words of a patent and toward reading the technical meaning the patent seeks to protect.

Reference

ChinSu Lee (이진수), “Method for Generating a Patent-Analysis Model Using an Artificial Neural Network and Text-Pair Embeddings, Patent-Analysis Method, and Computing Device” [English translation of title], Korean Patent Application No. 10-2024-0075102, filed June 10, 2024.

• Application number: 10-2024-0075102
• Filing date: June 10, 2024
• Priority application: 10-2023-0093439 (July 18, 2023)
• Inventor / applicant: ChinSu Lee (이진수)
• Original Korean title: 인공신경망 및 텍스트 쌍 임베딩을 이용한 특허 분석 모델의 생성 방법, 특허 분석 방법 및 컴퓨팅 장치

특허의 ‘문장’이 아니라 ‘기술적 의미’를 읽는 AI — 청구항과 발명의 설명을 학습시키는 특허 리스크 탐지 기술

발명자 기술 칼럼 · AI와 특허분석

청구항과 발명의 설명을 학습시켜 특허 리스크를 찾는 방법

키워드가 달라도 같은 기술을 가리킬 수 있다. 특허문서가 본래 지닌 구조를 학습 신호로 바꾸고, 긴 설명에서 청구항과 밀접한 부분을 골라내는 AI 특허분석 기술의 아이디어와 작동 원리를 소개한다.

발명자 노트. 이 글은 내가 발명하여 출원한 AI 기반 특허분석 기술을 일반 독자도 이해할 수 있도록 풀어쓴 기술 칼럼이다. 여기서 AI의 의미 유사도 평가는 침해 여부에 관한 법적 확정판단이 아니다. 정밀 검토가 필요한 특허와 제품 후보를 선별하는 분석 신호로 이해하는 것이 정확하다.

청구항과 발명의 설명 사이의 의미적 대응관계를 학습하는 AI 특허분석의 개념도

소목차

1. 키워드 검색은 왜 기술의 연결고리를 놓치는가
2. 특허문서 자체를 학습 데이터로 바꾸는 법
3. 긴 명세서와 512토큰의 벽을 넘는 법
4. BERT가 두 문서의 관계를 읽는 방식
5. 실험 결과는 무엇을 보여 주는가
6. 의미 유사도와 법적 침해판단의 경계
7. 실무 활용과 데이터의 가치
8. 남은 과제와 이 기술이 향하는 곳

1. 키워드 검색은 왜 기술의 연결고리를 놓치는가

특허 검색은 ‘같은 단어를 찾는 일’로 끝나지 않는다. 제품 설명과 청구항에 같은 표현이 반복된다면 비교는 어렵지 않다. 실무가 까다로운 이유는 같은 기술을 전혀 다른 말로 표현할 수 있기 때문이다. 구성의 순서를 바꾸거나 상위개념과 하위개념을 섞고, 하나의 기능을 다른 용어로 풀어내면 키워드 검색만으로는 중요한 연결고리를 놓치기 쉽다.

내가 발명하여 출원한 기술은 바로 이 문제에서 출발했다. 목표는 AI가 특허문서의 단어를 단순 대조하는 수준을 넘어, 청구항에 담긴 기술적 의미와 다른 문서의 설명이 얼마나 밀접하게 대응하는지를 학습하도록 만드는 것이다. 핵심은 특허문서 안에 이미 존재하는 구조적 관계를 학습 데이터로 활용하는 데 있다. 사람이 수만 건의 문서를 읽고 정답표를 일일이 만드는 대신, 특허문서 자체가 일정 부분 학습 신호를 제공하도록 설계했다.

2. 특허문서 자체를 학습 데이터로 바꾸는 법

출발점은 특허문서의 구조다. 특허의 청구범위는 권리의 경계를 정하고, 발명의 설명은 그 발명이 무엇이며 어떻게 구현되는지를 구체적으로 풀어낸다. 우리 특허법 제42조 제4항 제1호가 청구항이 발명의 설명에 의해 뒷받침될 것을 요구하는 이유도 여기에 있다. 공개되지 않은 내용까지 권리로 독점하는 일을 막고, 통상의 기술자가 청구된 발명과 명세서의 대응관계를 이해할 수 있도록 하려는 취지다.

이 법적 구조를 학습 데이터의 관점에서 바라보면 새로운 가능성이 열린다. 동일한 특허문서에서 추출한 청구항과 발명의 설명은 원칙적으로 높은 관련성을 가진다. 반면 서로 다른 특허에서 무작위로 가져온 청구항과 설명 조각은 통계적으로 관련성이 낮을 가능성이 크다. 이 관계를 이용해 동일 특허에서 나온 청구항–설명 쌍에는 레이블 1을, 서로 다른 특허에서 가져온 쌍에는 레이블 0을 부여할 수 있다.

중요한 구분. 레이블 1은 ‘법적 침해’, 레이블 0은 ‘법적 비침해’를 의미하지 않는다. 이는 법원의 침해판단을 정답으로 붙인 데이터가 아니라, 모델이 의미적 대응관계를 학습하도록 만든 대리 레이블(proxy label)이다. 서로 다른 특허라도 관련 기술일 수 있고, 같은 특허의 청구항과 설명이 제3자의 침해를 뜻하는 것도 아니다.

이 설계의 실익은 수작업 레이블링 비용에서 가장 먼저 드러난다. 일반적인 지도학습이라면 전문가가 문서 쌍을 하나씩 읽고 ‘관련 있음’과 ‘관련 없음’을 판정해야 한다. 특허 한 건을 제대로 읽는 데에도 상당한 시간이 필요하므로, 데이터가 커질수록 비용은 가파르게 늘어난다. 같은 특허의 청구항과 설명을 자동으로 묶고 다른 특허의 설명을 무작위로 결합하면 이 병목을 상당 부분 줄일 수 있다.

부정 샘플은 단순한 들러리가 아니다. 관련성이 높은 쌍만 보여 주면 모델은 몇몇 단어가 겹친다는 이유만으로 두 문서가 관련 있다고 오판하기 쉽다. 서로 다른 특허에서 가져온 청구항–설명 쌍을 함께 학습시키면 모델은 단어 몇 개의 일치와 기술적 대응관계를 구별해야 한다. 긍정 샘플이 대응의 모습을 보여 준다면, 부정 샘플은 그 경계가 어디까지인지를 다듬는다.

3. 긴 명세서와 512토큰의 벽을 넘는 법

다음 걸림돌은 문서 길이다. BERT는 기본 구조상 한 번에 처리할 수 있는 입력 길이가 최대 512토큰으로 제한된다. 그러나 특허의 발명의 설명은 수천 단어를 훌쩍 넘는 경우가 흔하다. 청구항과 전체 설명을 한 번에 모델에 넣는 방식은 애초에 성립하기 어렵다.

내가 제안한 방식은 긴 발명의 설명을 약 310토큰 내외의 조각으로 먼저 나눈다. 이어 청구항과 각 조각의 의미적 관련도를 계산해 점수가 높은 부분을 입력 후보로 고른다. 문서의 앞부분부터 기계적으로 잘라 넣는 것이 아니라, 제한된 입력 공간을 청구항과 직접 맞닿아 있을 가능성이 높은 설명에 우선 배정하는 방식이다.

설명 조각을 고르는 과정에는 벡터 간 도트 프로덕트와 같은 연산을 사용할 수 있다. 복잡한 수학식으로 생각할 필요는 없다. 청구항과 설명 조각을 각각 의미 벡터로 표현한 뒤, 두 벡터가 얼마나 같은 방향을 가리키는지 점수화한다고 이해하면 된다. 점수가 높을수록 해당 설명 조각이 청구항과 의미적으로 가까울 가능성이 높다.

1. 분할: 긴 발명의 설명을 약 310토큰 단위의 조각으로 나눈다.
2. 점수화: 청구항과 각 설명 조각의 의미적 관련도를 계산한다.
3. 선별: 관련도 점수가 높은 조각을 BERT 입력 후보로 선택한다.

4. BERT가 두 문서의 관계를 읽는 방식

선별된 텍스트는 BERT가 두 문장을 구별해 읽을 수 있는 형식으로 구성한다. 대표적인 입력은 [CLS] + 청구항 + [SEP] + 발명의 설명 + [SEP]와 같은 구조다. [SEP]는 두 텍스트의 경계를 표시하고, 세그먼트 임베딩은 각 토큰이 어느 문장에 속하는지를 알려 준다. [CLS] 토큰의 최종 표현은 두 텍스트의 관계를 분류하는 대표 벡터로 활용할 수 있다.

이 장치는 청구항과 설명이 하나의 긴 문장으로 뒤섞이는 것을 막는다. 사람은 제목과 문단, 줄바꿈을 보고 두 문서의 경계를 자연스럽게 이해하지만 모델에는 그런 직관이 없다. 따라서 입력 구조 자체가 ‘여기까지가 비교 대상 A이고, 여기부터가 비교 대상 B’라는 정보를 제공해야 한다.

학습 단계에서는 레이블 1과 레이블 0을 번갈아 처리하는 교대 배치 전략을 사용한다. 두 종류를 처음부터 한 바구니에 섞지 않고 그룹별 손실을 따로 계산한 뒤, 두 손실을 함께 줄이는 방향으로 파라미터를 갱신한다. 어느 한쪽 데이터가 더 많거나 쉽게 학습된다는 이유로 모델의 판단 기준이 한 방향으로 기우는 것을 막기 위한 장치다.

5. 실험 결과는 무엇을 보여 주는가

원고에 기록된 실험에서는 15에포크의 학습 과정에서 교차엔트로피 손실값이 0.89에서 0.19로 낮아졌고, 정확도는 약 80% 수준에 도달했다. 특히 서로 다른 표현을 사용한 비교 사례에서는 17개의 텍스트 쌍을 모두 레이블 1로 판별한 결과가 제시되었다.

15에포크실험 학습 횟수

0.89 → 0.19교차엔트로피 손실값

약 80%해당 조건의 정확도

수치 해석의 한계. 이 결과는 원고에 기재된 특정 실험 조건에서 얻어진 값이다. 모든 산업과 특허문서, 모든 특허분쟁에서 동일한 성능이 보장된다는 뜻은 아니다. 17개 비교 쌍의 판별 결과 역시 제한된 사례에 관한 관찰로 이해해야 한다.

숫자보다 더 눈여겨볼 것은 표현이 달라졌을 때의 반응이다. 특허 검색의 난점은 같은 기술을 다른 말로 숨길 수 있다는 데 있다. 한 문서가 ‘접착 고정 메커니즘’이라고 쓴 구성을 다른 문서가 전혀 다른 용어로 풀어 썼다면, 키워드 검색은 공통 단어가 적다는 이유로 두 문서를 멀리 떨어뜨릴 수 있다. 의미 기반 모델이 노리는 지점은 그 반대다. 표현이 달라도 문맥 안에서 각 구성이 어떤 기능을 하고 서로 어떤 관계를 맺는지를 비교한다.

6. 의미 유사도와 법적 침해판단의 경계

이 대목은 자연스럽게 균등론을 떠올리게 한다. 실제 특허침해 판단에서도 청구항의 문언과 침해제품의 표현이 다르다는 이유만으로 판단이 끝나지는 않는다. 대법원 판례는 문언과 달리 변경된 부분이 있더라도 과제의 해결원리, 작용효과, 치환의 용이성 등 일정한 요건을 충족하고 특별한 제외사유가 없다면 균등침해가 성립할 수 있다고 본다.

AI 점수는 침해판결이 아니다. AI의 의미 유사도와 법률상 균등침해는 동일한 개념이 아니다. 모델이 두 기술을 매우 유사하다고 평가해도 침해가 곧바로 성립하지 않으며, 점수가 낮다고 해서 법적 위험이 사라지는 것도 아니다.

실제 판단에서는 청구항의 모든 구성요소 충족 여부, 출원경과, 공지기술, 의식적 제외, 균등론의 개별 요건 등을 별도로 검토해야 한다. 따라서 이 발명의 실무적 가치는 ‘AI가 판사를 대신한다’는 데 있지 않다. 사람이 읽어야 할 문서를 훨씬 좁혀 주는 데 있다. 수천, 수만 건의 특허와 제품 문서 가운데 청구항과 의미적으로 강하게 대응하는 후보를 먼저 찾아내고, 변리사·변호사·연구개발 담당자가 그 후보를 정밀 검토하도록 만드는 것이다.

7. 실무 활용과 데이터의 가치

활용 장면은 여러 갈래다. 침해 리스크 분석, 특허 모니터링, 선행기술 검색이 모두 같은 의미 비교 구조 위에서 만난다.

• 신제품 기획: 경쟁사 특허와 제품 사양서를 비교해 위험 후보를 조기에 추린다.
• 권리 모니터링: 시장에 나온 신제품의 기술 설명과 보유 청구항을 대조해 검토 순서를 정한다.
• 선행기술 조사: 청구항과 다른 표현을 사용하는 문헌을 의미 관계를 통해 끌어올린다.

특허 AI에서 진짜 비싼 자원은 GPU나 모델 파라미터만이 아니다. 실제로는 ‘좋은 학습 데이터를 어떻게 확보할 것인가’가 더 큰 문제일 때가 많다. 전문가가 만든 레이블은 정확하지만 비싸고 느리다. 공개 특허문서는 방대하지만 그 자체가 곧 학습 정답은 아니다. 이 발명은 그 사이에서 특허문서가 원래 지닌 법적·문서적 구조를 활용해 데이터 생성 비용을 낮추려는 시도다.

이를 단순히 ‘법률을 수학으로 바꾸는 것’이라고 부르면 핵심을 놓친다. 더 정확하게 말하면, 법률문서가 오랫동안 축적해 온 구조와 규칙에서 AI가 학습할 수 있는 신호를 찾아내는 것이다. 청구범위와 발명의 설명의 관계, 관련 문단의 선별, 긍정·부정 샘플의 구성, 두 텍스트를 구분하는 입력 구조가 결합되면서 특허문서의 의미적 대응관계가 계산 가능한 문제로 바뀐다.

8. 남은 과제와 이 기술이 향하는 곳

남은 과제도 적지 않다. 기술분야가 달라지면 용어와 문장 구조도 달라지므로 도메인별 학습이 필요하다. 무작위 부정 샘플 속에 실제 관련 문헌이 섞이는 문제도 피하기 어렵다. 의미 유사도와 법적 침해판단 사이의 간극을 좁히려면 청구항 구성요소별 분석에 출원경과, 선행기술, 전문가 판정 데이터를 겹쳐야 한다. 512토큰이라는 BERT의 제약 역시 더 긴 컨텍스트 모델이나 계층형 구조를 사용하면 다른 방식으로 풀 수 있다.

그래도 출발점은 선명하다. 특허문서는 단순한 텍스트 덩어리가 아니다. 권리를 정의하는 청구항과 그 권리를 기술적으로 설명하는 본문 사이에는 특별한 관계가 존재한다. 그 관계를 학습 데이터로 바꾸면 AI는 키워드가 같은 문서를 찾는 검색기에서 한 걸음 더 나아가 ‘기술적으로 왜 관련 있는가’를 탐색하는 도구가 될 수 있다.

특허 업무에서 AI의 자리는 인간 전문가의 최종 판단을 빼앗는 곳이 아니다. 오히려 전문가가 판단해야 할 후보를 더 빠르고 넓게 찾아 주는 자리다. 수많은 문서 속에서 놓치기 쉬운 의미적 연결을 먼저 포착하고, 그다음 사람이 법률과 기술의 기준으로 결론을 내리는 구조다. 내가 출원한 이 발명은 바로 그 경계에서 출발한다. 특허의 문장을 검색하는 기술을 넘어, 특허가 보호하려는 기술적 의미를 읽기 위한 시도다.

참고자료

이진수, 「인공신경망 및 텍스트 쌍 임베딩을 이용한 특허 분석 모델의 생성 방법, 특허 분석 방법 및 컴퓨팅 장치」, 대한민국 특허출원 제10-2024-0075102호, 2024. 6. 10. 출원.

• 출원번호: 10-2024-0075102
• 출원일: 2024. 6. 10.
• 기초출원: 10-2023-0093439 (2023. 7. 18.)
• 발명자 / 출원인: 이진수
• 발명의 명칭: 인공신경망 및 텍스트 쌍 임베딩을 이용한 특허 분석 모델의 생성 방법, 특허 분석 방법 및 컴퓨팅 장치

Can AI Be a Legal Person? What the Rights of Nature Can Teach Us About AI Personhood

AI LAW · LEGAL PERSONHOOD · RIGHTS OF NATURE

Experiments in granting legal status to rivers and ecosystems offer an unexpected framework for thinking about AI personhood—but the analogy has important limits.

Reader Note: This article is intended for comparative-law research and general informational purposes only. It is not legal advice regarding any particular matter.

Contents

1. What Is Ecological Legal Personhood?
2. Christopher Stone and the Origins of the Theory
3. Four Components of Legal Personhood
4. Comparative Examples
5. The Korean Experience
6. Principal Critiques
7. Limited Rights-Bearing Status
8. Local Legislation and Its Limits
9. What Ecological and AI Personhood Have in Common
10. The Critical Difference
11. AI Personhood and Liability Assets
12. Do We Need an AI Legal Person at All?
13. The Real Lesson for AI Law
14. Conclusion

When lawyers think about the holders of legal rights and obligations, the natural person is the obvious starting point. But modern law has never confined legal personality exclusively to biological human beings. Corporations, foundations, and other legally constituted organizations may hold rights and incur obligations separate from those of their members, owners, or representatives.

That does not mean a corporation possesses every right that a human being possesses. Legal capacity depends on the nature and purpose of the entity and on the governing law. Rights that presuppose a human body, family status, or personal dignity do not simply transfer to a corporation. Nor does a corporation act physically on its own; it acts through directors, officers, agents, and other legally recognized representatives.

The central question is therefore functional: Must legal personhood be treated as a single, indivisible status, or can the law assemble particular rights, duties, representative structures, procedural capacities, and pools of assets for a defined legal purpose?

That question becomes increasingly relevant as legal systems confront autonomous artificial intelligence. The point is not that existing corporate law can simply be transplanted to an AI model. A better starting point is to examine situations in which the law has already conferred limited legal status on entities that are not human beings.

One of the most provocative examples is the growing body of law concerning ecological legal personhood and the broader Rights of Nature movement.

1. What Is Ecological Legal Personhood?

The basic idea is to move certain natural objects, animals, or ecosystems from the category of merely protected objects of law into the category of entities capable of holding legally cognizable interests in their own right. Those interests may include continued existence, ecological integrity, restoration, preservation, and freedom from pollution.

The theory does not necessarily claim that a river should possess the same constitutional rights as a human being. Instead, it asks whether the law can confer limited legal capacity tailored to the nature and purpose of the ecological entity, with human guardians or representatives exercising those rights on its behalf.

Must every holder of legal rights be a human being capable of personally articulating its own will?

2. Christopher Stone and the Origins of the Theory

The modern intellectual starting point is generally associated with Professor Christopher D. Stone's 1972 article, Should Trees Have Standing?—Toward Legal Rights for Natural Objects.

Stone challenged the conventional structure of environmental litigation, which typically required a human plaintiff to demonstrate a legally cognizable injury. He asked why injury to a forest, river, or other natural object could not be recognized as an injury to that entity itself.

His proposal had institutional consequences, not merely rhetorical ones:

• The natural object could be given procedural standing.
• A guardian or representative could act on its behalf.
• Damage could be measured from the perspective of the natural object itself.
• Recoveries could be dedicated to restoration and preservation rather than treated as private human compensation.

The broader conceptual point is that the ability to hold rights does not always require the ability personally to exercise them. Corporations act through human agents. Other legal subjects may act through guardians. Stone's proposal asked whether similar representative structures could be extended to nature.

3. Four Components of Legal Personhood

First: The Content of the Rights

The rights assigned to an ecological entity are ordinarily limited to interests appropriate to that entity: existence, preservation, restoration, ecological integrity, habitat protection, and freedom from unlawful degradation.

Second: Representation

A river or forest cannot communicate legal instructions in human language. Someone must therefore exercise its rights. Possible representatives include public agencies, local communities, Indigenous communities, scientific experts, or specially constituted guardians.

Third: Procedural Capacity

A right with no mechanism for enforcement may have little practical value. A legal system must therefore decide whether the ecological entity may appear as a named party or whether designated individuals or organizations may invoke its rights.

Fourth: Liability and Assets

If legal status includes duties as well as rights, additional questions arise: Who bears those duties? What assets answer for liabilities? And when a representative enters a transaction on behalf of the entity, to whom should the resulting obligations be attributed?

This fourth category becomes particularly important when the analysis shifts from ecological personhood to AI.

4. Comparative Examples

4.1 Colombia — The Atrato River

In 2016, Colombia's Constitutional Court, in Decision T-622/16, recognized the Atrato River, its basin, and tributaries as a subject of rights entitled to protection, conservation, maintenance, and restoration.

The case arose against the background of serious environmental harm associated with unlawful mining. The court connected the ecological degradation not only to the river itself but also to the life, health, water, food, cultural, and territorial interests of affected communities.

The court also required a representative structure involving the state and local communities. The legal status of the river therefore did not eliminate human agency; it reorganized the legal framework through which that agency would be exercised.

4.2 New Zealand — The Whanganui River

An especially clear statutory example is New Zealand's Te Awa Tupua (Whanganui River Claims Settlement) Act 2017.

Section 14 expressly declares Te Awa Tupua to be a legal person with the rights, powers, duties, and liabilities of a legal person. The statute further establishes Te Pou Tupua to act as the human face of Te Awa Tupua.

The significance of the Whanganui model is institutional. The statute does not merely announce that a river “has rights.” It connects legal personality to representation, powers, duties, liabilities, administrative structures, and dedicated funding.

For debates over AI personhood, that structure is more instructive than the label itself. Legal personhood can operate as a vehicle for assigning defined legal functions to a legally recognized unit.

4.3 Ecuador — The Rights of Nature and Estrellita

Ecuador constitutionalized the Rights of Nature in 2008. Its Constitutional Court subsequently addressed the legal status of wildlife in the Estrellita case.

The important point is not that animals receive a mechanical copy of human rights. Rather, the content of the relevant legal protections is understood in light of the species, its natural behavior, and its ecological needs.

This provides another example of legal status being tailored to the characteristics and purpose of the rights-bearing entity.

4.4 Spain — Mar Menor

Spain enacted Ley 19/2022 in 2022, granting legal personality to the Mar Menor lagoon and its basin. The legislation treats the ecosystem itself as a legally recognized holder of rights.

4.5 India — The Ganges and Yamuna

In 2017, the Uttarakhand High Court characterized the Ganges and Yamuna Rivers as “living entities.” The decision attracted worldwide attention.

It should not, however, be treated as equivalent to the comparatively settled statutory framework in New Zealand. The Indian decision became the subject of further Supreme Court proceedings and difficult questions concerning implementation.

5. The Korean Experience

5.1 The Cheonseongsan Salamander Litigation

One of South Korea's best-known cases involving the legal status of a nonhuman natural entity arose from litigation over the Cheonseongsan tunnel project.

In its June 2, 2006 decision in Cases 2004Ma1148 and 2004Ma1149, the Supreme Court accepted the lower court's conclusion that the salamander lacked independent capacity to be a party to litigation. The Court also declined to derive a direct injunction claim solely from the constitutional environmental-right provision.

The case illustrates the basic rule under current Korean law: a natural object does not become an independent litigating entity merely because substantial ecological interests are at stake. A legal basis for that status is required.

5.2 The Jeju Ecological-Personhood Debate

Jeju has been the site of sustained policy discussion concerning possible legal status for particular species, ecosystems, and natural environments, including the Indo-Pacific bottlenose dolphins associated with Jeju waters.

As of August 2026, however, ecological legal personhood has not become an operative statutory status under the Jeju Special Act. The concept is therefore better understood as an ongoing legislative and policy proposal rather than an established Korean legal personhood regime.

6. Principal Critiques of Ecological Personhood

6.1 The Basis for Legal Capacity

Traditional corporations have governance structures, property, decision-making institutions, and rules defining their purposes. A river or forest has none of these features in the conventional corporate sense. The legal system must therefore define both the source and the boundaries of the entity's legal status.

6.2 Legitimacy of Representation

Who speaks for nature? A government agency, environmental organization, scientist, local resident, or Indigenous community may have very different conceptions of the ecosystem's best interests.

Appointment procedures, independence, conflicts of interest, accountability, and removal mechanisms therefore matter greatly.

6.3 Defining the Entity

Some ecosystems have relatively identifiable geographic boundaries. Others do not. Migratory species, groundwater systems, ocean currents, and interconnected habitats demonstrate how difficult it can be to define the legal perimeter of the rights-bearing entity.

6.4 Conflicts With Other Rights

Rights of nature may conflict with property rights, fishing rights, mining rights, development interests, and occupational freedoms. Recognizing ecological rights does not itself determine how every such conflict should be resolved.

6.5 The Problem of Liability

If nature is assigned duties in addition to rights, the conceptual difficulties multiply. Could a river be liable for flood damage? What constitutes its liability estate? Who bears a contractual obligation undertaken by its representative?

These questions reveal why rights-bearing status and full private-law personhood should not automatically be treated as the same thing.

7. Limited Rights-Bearing Status as a More Workable Model

For many ecological entities, a limited-purpose legal status may be more workable than an attempt to reproduce the complete bundle of rights associated with a human or conventional corporation.

Possible protected interests could include:

• continued existence;
• ecological integrity;
• habitat preservation;
• protection against degradation;
• remediation of pollution; and
• restoration of damaged ecosystems.

A specialized guardian could exercise those rights based on scientific evidence and structured participation by affected communities.

8. Local Legislation and Its Limits

Local governments may be able to create administrative mechanisms for environmental protection within the scope of delegated authority and local governmental functions. Examples may include protected-area designation, advisory or guardianship bodies, monitoring, restoration planning, and public-participation procedures.

Creating an entirely new form of nationwide private-law capacity or independent litigation capacity, however, is a different matter. Such status affects private rights, litigation rules, property interests, and third parties and ordinarily requires a clear statutory foundation.

The same point applies to AI. A local government could conceivably experiment with AI registration, insurance requirements, supervisory mechanisms, or dedicated funds. It is far more difficult for a local ordinance, standing alone, to create a new private-law legal person with nationwide capacity to sue and be sued.

9. What Ecological and AI Personhood Have in Common

First, legal personhood is not biologically limited to human beings.

Corporations demonstrate that proposition in ordinary private law. Some rights-of-nature regimes demonstrate it in a very different context. Legal personality may therefore be understood as a status constructed by law for a defined institutional purpose.

The relevant question is not simply whether AI is human, but whether assigning AI a defined legal status would solve a real legal problem.

Second, personhood need not be all-or-nothing.

Property-holding capacity, contractual capacity, procedural capacity, tort liability, representation, and a dedicated liability estate can be analyzed separately.

The useful question is therefore not whether AI should “be treated like a person.” It is whether particular AI systems should possess particular legal capacities under particular conditions.

Third, legal personality does not necessarily depend on human-like consciousness.

A corporation has no biological brain, yet the legal system attributes acts and legal consequences to it. The Whanganui River was not granted legal personhood because it possesses human cognition. Its legal affairs are conducted through a representative institution.

For AI law, this suggests that the philosophical question of machine consciousness should be separated from the institutional question of whether the law needs a distinct unit for assigning rights, transactions, assets, and liability.

10. The Critical Difference Between Ecological and AI Personhood

The analogy nevertheless has a major limit: the purposes of the two forms of personhood are fundamentally different.

Ecological personhood is primarily protective. A river ordinarily does not enter commercial transactions, manage investment portfolios, or operate businesses in competition with human actors. The legal status is principally designed to protect ecological interests from human activity.

The rationale for AI personhood, if it ever becomes necessary, would be quite different. Highly autonomous AI systems may participate in contracting, asset management, financial transactions, information generation, automated decision-making, robotic control, and other conduct capable of affecting third parties.

Ecological personhood is principally a form of rights-bearing status for protection. AI personhood could instead become a form of legal status for allocating acts, transactions, and liability.

11. AI Personhood and the Harder Question of Liability Assets

A workable AI-personhood regime would have to confront a problem that is often obscured by philosophical debates: What property would stand behind the AI's liabilities?

If an AI were recognized as a separate legal person but held no meaningful assets, a successful plaintiff might obtain a judgment against an empty shell. Personhood without an adequate liability estate could weaken, rather than improve, accountability.

A serious institutional model might therefore require some combination of:

• a mandatory minimum pool of dedicated assets;
• liability insurance;
• capital contributed by the developer or operator;
• a statutory compensation fund;
• a human representative or administrator;
• accounting and transaction records;
• registration and public disclosure;
• regulatory supervision; and
• formal insolvency or liquidation procedures.

Viewed this way, AI personhood is not primarily a debate about granting “rights to machines.” It begins to resemble a question of corporate law, insurance law, and tort law: Should the legal system create a distinct liability-bearing vehicle for certain autonomous systems?

12. Do We Need an AI Legal Person at All?

That question leads to the strongest objection. Existing law can already impose obligations on developers, manufacturers, service providers, operators, owners, and users. Why introduce another legal person?

The objection should be taken seriously. Legal personhood is an instrument, not an end in itself. It is useful only if it improves the allocation of rights and responsibility.

Indeed, poorly designed AI personhood could create a liability shield. An operator might capitalize an AI entity with minimal assets and later argue that “the AI made the decision independently.” The new legal person could then become a mechanism for externalizing risk.

AI personhood should never operate as an automatic release of developers, owners, or operators from otherwise applicable responsibility.

Any serious proposal would therefore have to consider joint liability, guarantee obligations, minimum capitalization, compulsory insurance, and perhaps doctrines analogous to veil piercing.

13. The Real Lesson Ecological Personhood Offers AI Law

The real lesson is not that “if a river can be a legal person, an AI can be one too.” That analogy is too crude.

The more useful lesson is that legal personhood can be modular and functional. The law can decide which rights, duties, assets, representatives, and liabilities should attach to a particular legally recognized unit.

Function	Ecological Legal Person	Hypothetical AI Legal Person
Protected interest	Ecological existence and restoration	May not be independently necessary
Contract capacity	Limited	Potentially relevant
Property	Funds or related assets	Dedicated liability assets likely necessary
Litigation capacity	Central feature	Potentially relevant
Representation	Guardian or joint representative	Administrator or statutory representative
Liability	Specially limited or structured	Central issue
Insurance	Secondary	Potentially critical
Supervision	Environmental/public authorities	Possible AI regulator
Institutional purpose	Protection of nature	Allocation of transactions and responsibility

Personhood, on this view, is a legal technology for deciding where rights, duties, representation, property, and responsibility should reside.

14. Conclusion

The Rights of Nature cannot simply be transplanted into AI law. The underlying objectives are materially different.

Ecological personhood is primarily designed to protect natural systems. AI personhood, if it ever becomes useful, is more likely to concern the allocation of transactions, decision-making authority, risk, and liability arising from autonomous activity.

The comparative experience nevertheless supports an important proposition:

Legal personhood need not be understood as a philosophical declaration that an entity is equivalent to a human being. It can instead operate as an institutional device for assigning defined rights, duties, representation, assets, and liabilities to a legally recognized unit.

Accordingly, the first question for AI law should not be: “Is AI a person?”

The better questions are:

1. What concrete problem would separate AI legal status solve?
2. Which AI systems, if any, should qualify?
3. What rights and obligations should attach to that status?
4. Who would represent and supervise the AI?
5. What assets would answer for its liabilities?
6. How should responsibility be allocated among the AI, developer, owner, and operator?
7. Would AI personhood improve accountability—or create a new liability shield?

That is the most valuable contribution the ecological-personhood debate makes to AI law. It shifts the analysis away from the metaphysical question of whether a machine is “like us” and toward the institutional question lawyers ultimately must answer: What legal structure best allocates authority, risk, and responsibility?

Selected Authorities and References

1. Christopher D. Stone, Should Trees Have Standing?—Toward Legal Rights for Natural Objects, 45 Southern California Law Review 450 (1972).
2. Colombian Constitutional Court, Sentencia T-622/16.
3. Te Awa Tupua (Whanganui River Claims Settlement) Act 2017 (New Zealand).
4. Ley 19/2022, de 30 de septiembre (Spain).
5. Supreme Court of Korea, June 2, 2006, Nos. 2004Ma1148 & 2004Ma1149.
6. Jin, H.-J. (2021). A Practical Application of “Eco Legal Person.” Journal of the Daedong Philosophical Association, 97, 259–282.
7. Kim, S. (2023). A Comparative Legal Study on the Rights of Nature. Constitutional Research Institute.

AI에게 법인격을 부여할 수 있는가? — 생태법인과 ‘자연의 권리’가 던지는 법적 질문

AI LAW · LEGAL PERSONHOOD · RIGHTS OF NATURE

자연과 생태계에 법적 지위를 부여한 세계 각국의 실험은 AI 법인격을 어떻게 생각해야 하는지에 뜻밖의 단서를 제공한다.

읽기 전 안내: 이 글은 비교법적 연구와 일반적인 정보 제공을 목적으로 하며, 개별 사건에 대한 법률의견이나 법률자문이 아닙니다.

목차

1. 생태법인이란 무엇인가
2. Christopher Stone과 이론의 출발
3. 법적 인격의 네 가지 구성요소
4. 해외의 구현 사례
5. 한국의 논의
6. 생태법인론에 대한 비판
7. 제한적 권리주체성이라는 대안
8. 조례의 가능성과 한계
9. 생태법인과 AI 법인격의 공통점
10. 결정적인 차이
11. AI 법인격과 책임재산
12. AI를 별도 법인으로 만들 필요가 있는가
13. 생태법인이 주는 진짜 교훈
14. 결론

법에서 권리와 의무의 주체를 생각할 때 가장 먼저 떠오르는 존재는 자연인(natural person)이다. 그러나 현대 법질서에서 법적 인격이나 권리능력이 반드시 생물학적 인간에게만 인정되는 것은 아니다. 법은 사회적·경제적 필요에 따라 회사·재단과 같은 조직이나 재산결합체에 자연인과 독립된 법인격을 부여해 왔다.

법인은 구성원이나 대표자와 별개의 권리·의무의 주체가 된다. 그렇다고 법인이 자연인과 동일한 권리를 모두 갖는 것은 아니다. 법인의 권리능력은 법률과 목적, 법인의 성질에 의해 제한되며, 생명·신체·혼인처럼 인간의 생물학적·인격적 속성을 전제로 하는 권리는 그대로 적용될 수 없다. 또한 법인은 대표기관을 통하여 의사를 형성하고 법률행위를 수행한다.

핵심 문제: 법인격을 하나의 완전하고 불가분적인 지위가 아니라, 권리·의무·책임재산·대표기관·소송상 지위를 필요에 따라 조합하는 법적 설계기술로 볼 수 있는가?

이 질문은 장래 인공지능에게 어떤 법적 지위를 부여할 것인지 논의할 때도 중요하다. 그렇다고 현행 법인제도를 AI 모델에 그대로 적용할 수 있다는 뜻은 아니다. 오히려 먼저 살펴볼 필요가 있는 것은 법이 이미 인간이 아닌 존재에게 제한적인 법적 지위를 부여해 온 사례들이다. 대표적인 실험이 생태법인(Eco Legal Person)과 보다 넓은 의미의 자연의 권리(Rights of Nature)다.

1. 생태법인이란 무엇인가

생태법인론은 자연·동물·생태계를 단순한 법적 보호의 객체로만 보지 않고, 일정한 범위에서 독립된 권리주체 또는 법적 인격체로 구성하여 그 자체의 보전·복원·생태적 완전성 등의 이익을 법적으로 주장할 수 있도록 하자는 구상이다.

핵심은 자연에게 인간과 동일한 모든 기본권을 부여하는 것이 아니다. 특정 자연물이나 생태계에 제한된 권리능력을 인정하고, 인간인 후견인이나 대표기관이 이를 대신 행사하도록 설계하는 데 있다.

강에 법적 지위를 부여한다고 해서 강에게 선거권이나 혼인권까지 인정한다는 의미는 아니다. 그 권리는 강의 존재, 유지, 복원, 오염방지, 생태적 건전성 등 그 자연물의 성질과 제도적 목적에 맞게 구성된다.

법적 권리의 주체는 반드시 자신의 의사를 직접 표현할 수 있는 인간이어야 하는가?

2. Christopher Stone과 이론의 출발

생태법인과 자연의 권리 논의에서 가장 자주 언급되는 이론적 출발점은 Christopher D. Stone 교수가 1972년 발표한 Should Trees Have Standing?—Toward Legal Rights for Natural Objects다.

Stone은 환경소송에서 인간이 입은 손해만을 중심으로 보는 전통적 접근을 넘어, 숲·강·호수 같은 자연물 자체의 손해를 독립적으로 법정에서 주장할 수 있어야 한다고 제안했다.

그가 상정한 제도는 단순한 권리선언에 그치지 않는다.

• 자연물 자체에 소송상 지위를 인정한다.
• 자연을 대신해 권리를 행사하는 후견인 또는 대표자를 둔다.
• 자연물의 손해를 자연물 자체의 손해로 평가한다.
• 배상금이나 회복조치를 자연의 복원과 보전에 사용한다.

중요한 것은 자연이 인간과 동일한 의사능력을 갖추어야만 권리주체가 되는 것은 아니라는 발상이다. 법인도 기관을 통해 의사를 형성한다. 생태법인론은 이러한 대표구조를 자연물까지 확장할 수 있는지를 묻는다.

3. 법적 인격의 네 가지 구성요소

첫째, 권리의 내용

자연물에 인정되는 권리는 일반적으로 존재·보전·복원·오염방지·생태적 완전성 등 그 대상의 성질에 적합한 내용으로 제한된다.

둘째, 대표기관

강이나 숲은 자신의 의사를 인간의 언어로 표현하지 못한다. 따라서 국가기관, 지역공동체, 원주민 공동체, 전문가 또는 독립된 후견기구 등이 권리행사의 대표자가 될 수 있다.

셋째, 소송상 지위

권리를 선언하더라도 그 침해를 법원에 제기할 사람이 없다면 실효성이 약하다. 따라서 자연 자체를 원고로 인정하거나, 일정한 개인·단체가 자연의 권리를 주장할 수 있도록 원고적격을 부여하는 구조가 필요하다.

넷째, 책임과 재산

자연물에게 권리뿐 아니라 의무까지 인정한다면 책임은 누가 부담할 것인지, 책임재산은 무엇인지, 대표자의 행위로 발생한 채무를 누구에게 귀속할 것인지가 문제가 된다. 이 문제는 AI 법인격과 연결할 때 특히 중요하다.

4. 해외의 구현 사례

4.1 콜롬비아 — Atrato River

콜롬비아 헌법재판소는 2016년 T-622/16 판결에서 Atrato 강과 그 유역·지류를 보호·보전·유지·복원의 권리를 가지는 권리주체(sujeto de derechos)로 인정했다.

불법 광산개발과 오염은 지역공동체의 생명·건강·물·식량·문화·영토와 관련된 권리뿐 아니라 자연 자체의 보호 필요성과도 연결되어 평가되었다. 강의 권리는 국가와 지역공동체가 공동으로 대표하도록 설계되었다.

4.2 뉴질랜드 — Whanganui River

가장 명확한 법률상 법적 인격 사례 중 하나는 Te Awa Tupua (Whanganui River Claims Settlement) Act 2017이다.

이 법은 Te Awa Tupua를 명시적으로 legal person으로 규정하며, 법적 인격체가 갖는 권리·권한·의무·책임을 가진다고 선언한다. 그 권리와 의무를 실제로 행사하는 대표기관이 Te Pou Tupua다.

Whanganui 모델의 중요한 점은 단순히 “강에게 권리를 주었다”는 데 있지 않다. 법적 인격, 대표기관, 권리와 권한, 의무, 책임, 행정적 지원과 기금까지 하나의 제도적 구조로 연결했다는 점이다.

4.3 에콰도르 — 자연의 권리와 Estrellita

에콰도르는 2008년 헌법에서 자연의 권리를 명문화한 대표적인 국가다. 이후 헌법재판소의 Estrellita 사건에서는 야생동물이 자연의 일부로서 권리주체가 될 수 있다는 접근이 제시되었다.

중요한 것은 인간의 권리를 동물에게 기계적으로 복제하지 않는다는 점이다. 동물의 종별 특성, 자연적 행동, 생태적 필요에 맞게 권리의 내용을 구성한다.

4.4 스페인 — Mar Menor

스페인은 2022년 Ley 19/2022를 제정하여 Mar Menor 석호와 그 유역에 법적 인격을 부여했다. 법률은 해당 생태계를 독립적인 권리주체로 구성하였다.

4.5 인도 — Ganges와 Yamuna

Uttarakhand High Court는 2017년 Ganges강과 Yamuna강을 “living entities”로 보는 판단을 내렸다. 다만 이 판단은 이후 인도 대법원 절차와 집행 문제의 대상이 되었으므로, 뉴질랜드처럼 안정적으로 정착된 법정 법인격 제도와 동일하게 평가하는 것은 주의해야 한다.

5. 한국의 논의

5.1 천성산 도롱뇽 사건

한국에서 자연물의 법적 주체성과 관련해 가장 널리 알려진 사례는 천성산 터널공사와 관련된 이른바 도롱뇽 사건이다.

대법원은 2006. 6. 2.자 2004마1148·1149 결정에서 도롱뇽의 당사자능력을 인정할 수 없다고 본 원심판단을 수긍하였다. 또한 헌법상 환경권 규정만을 근거로 직접 공사금지를 청구하기도 어렵다고 판단하였다.

5.2 제주 생태법인 논의

제주에서는 남방큰돌고래 등 특정 생물종·생태계·자연환경에 법적 지위를 부여하는 생태법인 제도가 지속적으로 논의되어 왔다.

그러나 2026년 8월 현재 생태법인이 제주특별법상의 시행 제도로 성립한 것은 아니다. 따라서 이를 국내에서 이미 작동하고 있는 법정 법인격 제도라고 설명하기보다는, 입법·정책적으로 검토되고 있는 영역으로 보는 것이 정확하다.

6. 생태법인론에 대한 주요 비판

6.1 권리능력의 근거

전통적인 법인은 조직·정관·재산·의사결정기관을 갖는다. 이에 비해 강이나 숲은 스스로 조직을 형성하거나 의사를 결정하지 않는다. 어떤 법적 근거로 어느 범위까지 권리주체성을 인정할 것인지가 문제된다.

6.2 대표의 정당성

국가, 지방정부, 환경단체, 지역주민, 전문가, 원주민 공동체 가운데 누가 자연의 “최선의 이익”을 대변할 것인지도 어렵다. 선임방법·독립성·이해상충·책임을 함께 설계해야 한다.

6.3 대상의 경계

강이나 호수와 달리 철새·해양생물·지하수·해류처럼 이동하고 상호연결된 대상은 법인격의 공간적·생태적 경계를 정하기 어렵다.

6.4 다른 권리와의 충돌

자연의 권리는 토지소유권, 어업권, 광업권, 개발권, 직업수행의 자유 등과 충돌할 수 있다. 자연의 권리를 인정한다는 이유만으로 언제나 다른 권리에 우선한다고 볼 수는 없다.

6.5 책임의 문제

권리뿐 아니라 의무도 인정한다면 더 어려운 문제가 발생한다. 홍수로 피해가 발생했다고 해서 강이 손해배상책임을 져야 하는가? 그 책임재산은 무엇인가? 대표자가 체결한 계약의 채무는 누구에게 귀속되는가?

7. 제한적 권리주체성이라는 대안

생태법인에게 자연인과 동일한 완전한 법인격을 부여하기보다 목적에 맞는 제한적 권리주체성을 설계하는 방법이 보다 현실적일 수 있다.

• 생존 및 존속
• 생태적 완전성 유지
• 서식환경 보호
• 훼손 방지
• 오염 제거
• 훼손된 환경의 복원

독립적인 후견기구가 과학적 조사와 지역공동체의 참여에 기초해 이러한 권리를 행사하도록 하는 방식이다.

8. 조례의 가능성과 한계

지방자치단체는 지방자치사무의 범위와 상위법의 위임에 따라 생태보전 대상 지정, 관리위원회 설치, 모니터링, 복원계획, 주민·전문가 참여 등의 행정제도를 설계할 수 있다.

그러나 조례만으로 자연물에 전국적인 민법상 권리능력이나 민사·행정소송상의 독립된 당사자능력을 새롭게 창설하는 것은 별개의 문제다. 그러한 지위에는 법률 차원의 명확한 근거가 필요하다.

AI도 마찬가지다. 지방자치단체가 AI 등록제·책임보험·기금·감독체계 등을 실험할 가능성은 생각할 수 있지만, 조례만으로 AI에게 독립적인 민사상 법인격이나 전국적인 소송능력을 부여하기는 어렵다.

9. 생태법인과 AI 법인격은 무엇이 같은가

첫째, 법인격은 생물학적 인간에게만 가능한 지위가 아니다

회사와 재단이 그러하고 일부 법질서에서 강과 생태계가 그러하듯, 법적 인격은 자연적 사실이라기보다 법률이 특정 목적을 위해 구성하는 제도적 지위일 수 있다.

AI에게 어떤 법적 지위를 부여하는 것이 실제 사회적·법적 문제를 해결하는 데 필요한가?

둘째, 법인격은 전부 아니면 전무의 문제가 아니다

법적 주체에게 필요한 기능만을 제한적으로 인정할 수 있다. 재산보유능력, 계약능력, 소송능력, 손해배상책임, 대표기관, 책임재산을 각각 별개의 제도요소로 볼 수 있다.

셋째, 법적 인격과 실제 의사능력은 반드시 일치하지 않는다

법인은 생물학적 두뇌가 없지만 법률상 의사를 가진 것으로 취급된다. Whanganui River 역시 인간과 같은 인지능력 때문에 법적 인격이 인정된 것이 아니다. 대표기관을 통해 법적 행위가 이루어진다.

따라서 AI가 인간과 같은 의식을 가지고 있는지의 철학적 문제와, 독립된 책임귀속 단위를 만들 필요가 있는지의 제도적 문제는 구분할 필요가 있다.

10. 그러나 생태법인과 AI 법인격은 결정적으로 다르다

가장 중요한 차이는 법인격을 인정하려는 목적이다.

생태법인의 주된 목적은 자연의 보호다. 자연은 일반적으로 인간과 계약하고 거래하며 사업을 수행하는 능동적 경제행위자가 아니다.

반면 고도로 자율적인 AI는 계약 체결, 자산관리, 금융거래, 정보생성, 자동의사결정, 로봇제어 등 경제적·사회적 활동에 관여할 수 있다. 이 경우 핵심은 행위의 효과와 책임을 누구에게 귀속할 것인가라는 문제다.

생태법인이 주로 보호를 위한 권리주체화라면, AI 법인격은 경우에 따라 행위와 책임의 귀속을 위한 주체화가 중심이 될 수 있다.

11. AI 법인격에서 더 어려운 문제 — 책임재산

AI 법인격을 현실적인 제도로 만들려면 철학적 인격 논의보다 책임재산의 문제가 먼저 해결되어야 할 수 있다.

AI를 독립된 법적 주체로 인정해도 그 AI에게 아무런 재산이 없다면 피해자는 실질적인 배상을 받지 못할 수 있다.

따라서 다음과 같은 요소가 검토되어야 한다.

• 최소 규모의 독립 책임재산
• 의무적인 책임보험
• 개발자 또는 운영자의 출자
• 법정 책임기금
• 인간인 대표자 또는 관리자
• 회계 및 거래기록
• 등록과 공시
• 감독기관
• 청산절차

이 관점에서 보면 AI 법인격은 단순히 “AI에게 권리를 줄 것인가”의 문제가 아니라 새로운 책임귀속 단위를 만들 필요가 있는가라는 회사법·보험법·불법행위법의 문제에 가깝다.

12. AI를 굳이 별도의 법인으로 만들 필요가 있는가

보다 근본적인 반론도 있다. 현재도 AI 서비스를 제공하는 회사·개발자·운영자·사용자에게 책임을 부과할 수 있는데, 왜 AI 자체에 새로운 법인격이 필요한가?

이 반론은 중요하다. 법인격은 문제를 해결하기 위한 수단이지 그 자체가 목적이 아니기 때문이다.

오히려 자본이 거의 없는 AI 법인을 만들어 놓고 인간 운영자가 “AI가 독립적으로 판단했다”고 주장할 수 있다면 법인격은 피해자 보호가 아니라 책임회피 장벽으로 악용될 수도 있다.

AI 법인격은 개발자·소유자·운영자의 책임을 자동으로 면제하는 수단이 되어서는 안 된다.

필요하다면 공동책임, 보증책임, 최소책임재산, 의무보험, 법인격부인과 유사한 제도를 함께 설계해야 한다.

13. 생태법인이 AI 법인격 논의에 주는 진짜 교훈

생태법인이 주는 교훈은 “자연도 법인이 되었으니 AI도 법인이 될 수 있다”는 것이 아니다. 더 중요한 것은 법인격을 기능별로 설계할 수 있다는 점이다.

기능	생태법인	가상의 AI 법인
보호이익	생태계의 존속·복원	필수적이지 않을 수 있음
계약능력	제한적	필요할 수 있음
재산보유	기금·관련 재산	책임재산 필요
소송능력	중요한 요소	필요할 수 있음
대표기관	후견인·공동대표	관리자·법정대표자
책임	제한적·특수 설계	핵심 문제
보험	보조적	매우 중요할 수 있음
감독	환경·공공기관	AI 감독기관 가능
존재목적	자연보호	책임귀속·거래안정 등

결국 법인격은 권리·의무·대표·재산·책임을 어느 법적 단위에 귀속시킬 것인지 결정하는 제도적 기술이라고 볼 수 있다.

14. 결론

생태법인 논의를 AI 법인격에 그대로 옮겨올 수는 없다. 두 제도는 법적 인격을 인정하려는 목적부터 다르다.

그러나 자연의 권리를 둘러싼 세계 각국의 실험은 중요한 사실을 보여준다.

법인격은 인간과 동일한 존재임을 선언하는 철학적 칭호가 아니라, 특정한 사회적 목적을 위해 권리·의무·대표·재산·책임을 하나의 법적 단위에 귀속시키는 제도적 기술일 수 있다.

따라서 장래 AI 법인격 논의의 첫 질문은 “AI가 인간인가?”가 되어서는 안 될 것이다.

더 중요한 질문은 다음과 같다.

1. AI에게 독립된 법적 지위를 부여하면 실제로 어떤 문제가 해결되는가?
2. 어떤 AI에게 어떤 조건으로 어떤 권리와 의무를 인정할 것인가?
3. 누가 AI를 대표하고 감독할 것인가?
4. AI의 책임재산은 무엇으로 구성할 것인가?
5. 개발자·소유자·운영자와 AI 사이의 책임을 어떻게 배분할 것인가?
6. AI 법인격이 책임을 강화할 것인가, 아니면 책임회피의 장벽이 될 것인가?

생태법인론의 가장 큰 연구가치는 바로 이 지점에 있다. AI 시대의 법인격 논의 역시 이러한 기능적 관점에서 출발할 필요가 있다.

참고문헌 및 주요 자료

1. 진희종. (2021). 「‘생태법인(Eco Legal Person)’ 실용화 방안 — 제주남방큰돌고래 적용 모델을 중심으로」. 대동철학, 97, 259–282.
2. 조희문. (2025). 「자연 권리 인정기준에 관한 비교법적 연구 — 에콰도르 Los Cedros 사건과 콜롬비아 Atrato 사건을 중심으로」. 외법논집, 49(2), 145–174.
3. 조희문. (2025). 「동물의 법적 주체성에 관한 비교법적 연구: 라틴아메리카 판례 분석과 한국에의 시사점」. 강원법학, 79, 279–318.
4. 김선희. (2023). 『자연의 권리에 관한 비교법적 연구』. 헌법재판연구원.
5. Stone, C. D. (1972). Should Trees Have Standing?—Toward Legal Rights for Natural Objects. Southern California Law Review, 45, 450–501.
6. Colombian Constitutional Court, Sentencia T-622/16.
7. Te Awa Tupua (Whanganui River Claims Settlement) Act 2017 (New Zealand).
8. Ley 19/2022, de 30 de septiembre (Spain).
9. 대법원 2006. 6. 2.자 2004마1148·1149 결정.

How Patents Evolved from Defensive Tools for Securing Freedom to Operate into Strategic Assets for Commercial Monetization

From securing Freedom to Operate as a defensive measure to deploying patents as strategic commercial assets: an examination of how Fragmented IPR affects manufacturing costs, market entry, and industry growth.

1. How the Role of Intellectual Property Rights Has Changed

Across manufacturing and high-technology industries, intellectual property rights (IPR) have evolved from a legal shield used primarily to avoid infringement disputes into strategic assets that can shape competitive advantage and market structure. At the center of that evolution are two distinct objectives: the traditional goal of securing Freedom to Operate (FTO), and the more assertive use of patents as commercial weapons to preserve or expand a competitive position.

FTO: The Defensive Shield for Market Access and Coexistence

During the formative years of the wireless communications and consumer electronics industries in the 1980s and 1990s, the number of significant market participants was relatively limited and technology boundaries were comparatively well defined. A company's immediate patent objective was therefore to secure enough legal operating space to manufacture and sell its products without facing an injunction or a major damages claim. Patent strategy was, in that sense, principally defensive.

The broad cross-licensing arrangements that developed among large corporations during this period reflected the same logic. Their primary purpose was not necessarily to maximize royalty income, but to reduce mutual infringement exposure and create a stable legal framework in which both sides could continue doing business.

Patents as Commercial Weapons: From Legal Protection to Competitive Leverage

By the twenty-first century, patents were no longer treated solely as legal obstacles to be cleared or defensive rights to be preserved. Patent owners increasingly began to deploy IPR as part of an industrial strategy: to raise barriers to competitive entry, generate royalty income through organized licensing programs, and create leverage in partnerships and ecosystem formation as technologies converged.

A patent portfolio can therefore serve two functions at once. It can protect a company's FTO while also giving the company bargaining power over market access, commercial relationships, and the structure of the surrounding industry.

2. Fragmented IPR and the Cost of Market Entry

As patents have become more strategically important, modern knowledge-based industries have also had to confront the problem of Fragmented IPR. Products such as smartphones and autonomous drones are not built on a single foundational technology. They incorporate dozens or hundreds of complementary technologies, with the relevant patent rights often dispersed among many different owners. When those rights become highly fragmented, the cost of assembling the permissions necessary to enter the market rises with them.

Four recurring problems follow from this fragmentation:

1. Transaction costs: the time, legal expense, and administrative burden of identifying numerous rights holders and negotiating with them one by one.
2. Royalty Stacking: the cumulative effect of multiple patent royalties, which can materially increase the cost of manufacturing and commercialization.
3. Barriers for startups: uncertainty over aggregate licensing costs, combined with limited in-house licensing resources, may cause smaller firms to abandon market entry altogether.
4. Slower industry growth: fewer manufacturers can mean a smaller overall market, ultimately weakening the royalty base available even to patent owners.

3. A Hypothetical Example: The “Smart AI Drone” and Patent Fragmentation

Consider a hypothetical startup, DroneWorks, developing a next-generation “smart AI drone.” To commercialize an autonomous urban delivery drone worldwide, DroneWorks must lawfully secure access to five complementary patented technologies and thereby obtain the FTO necessary to launch the product:

1. Company A's high-density safety battery-control patent (a technology essential to the product's cost structure)
2. Company B's real-time GPS obstacle-avoidance sensing technology (required for safety compliance)
3. Company C's wind-resistant camera-gimbal stabilization technology (required for imaging quality)
4. Company D's object-recognition AI autopilot algorithm (the core of autonomous flight)
5. Company E's anti-hacking end-to-end encrypted wireless transmission protocol (required for security)

Without a multilateral licensing mechanism such as a patent pool or patent platform, DroneWorks would have to negotiate separately with all five companies. If each rights holder demanded a royalty equal to 5% of the drone's sale price, the aggregate royalty burden would reach 25%. Add months of bilateral negotiations and substantial international legal fees, and the economics of the startup's product could deteriorate before commercial launch.

If DroneWorks ultimately abandons market entry, the effect does not stop with the startup. New products arrive later, infrastructure deployment slows, and Companies A through E lose a potential royalty-paying licensee. This is the practical logic of the Tragedy of the Anticommons in intellectual property: individually rational exercises of exclusionary rights can collectively suppress transactions and reduce the size of the market from which all rights holders would otherwise benefit.

4. Licensing Models and the Evolution of Governance

Industries have developed different licensing structures to reduce the transaction costs created by Fragmented IPR. Three representative models are bilateral licensing, patent pools, and patent platforms.

Comparison	Bilateral Licensing	Patent Pool	Patent Platform
Structure	Individually negotiated; no common framework	Centralized and standardized	Hybrid of centralized governance and negotiated flexibility
Patent Evaluation	Each party conducts its own review, often over an extended period	A central IPEC independently evaluates whether patents are genuinely essential	Central IPEC review, with room to account for transaction-specific circumstances
License Terms	Fully negotiable and transaction-specific	Standard pool rates on a take-it-or-leave-it basis	Standard SLA/SRR framework with room for bilateral bargaining and tailored terms
Primary Advantage	Highly granular value allocation in relatively simple technology environments	Substantial reduction in transaction costs for a single standardized technology	Flexibility suited to complex, multi-standard, converged industries
Representative Examples	Manufacturing/assignment licenses and defensive cross-licensing arrangements among large companies	MPEG-2, DVD, and Blu-ray portfolio licensing	3G W-CDMA (PlatformWCDMA / 3G Patents Ltd.)

A Patent Platform is a hybrid model that combines the centralized screening function of a patent pool with the contractual flexibility of bilateral licensing. A neutral expert body, the IPEC, evaluates the essentiality of Essential Patents, while a standard licensing agreement (SLA) and standard royalty rate (SRR) provide a baseline FTO framework and fallback rule. The parties can still negotiate around that baseline to reflect non-monetary consideration, broader cross-licenses, or other transaction-specific terms.

The value of a patent platform therefore lies not in forcing every transaction into identical terms, but in reducing verification and bargaining costs through standardized rules while preserving sufficient flexibility for commercially meaningful customization.

5. The Economics of Royalties: Does a Higher Rate Always Produce More Revenue?

Royalty Rate is not merely a pricing term; it is a variable that can affect downstream product cost, adoption, and the size of the addressable market. Drawing on the equipment-cost and royalty-cost model discussed in Goldstein & Kearsey's Technology Patent Licensing, the following comparison illustrates how a High Royalty Regime and a Low Royalty Regime may produce very different commercial outcomes.

Cost Stack	High Royalty Regime	Low Royalty Regime
Tier 1: R&D	$20 (fixed research investment)	$20 (fixed research investment)
Tier 2: BOM	$50 (hardware assembly and packaging cost)	$50 (hardware assembly and packaging cost)
Tier 3: IPR Costs	$15 (higher aggregate royalty burden)	$5 (lower rate through platform coordination)
Tier 4: Mark-up	$15 (manufacturer margin)	$15 (manufacturer margin)
Final Equipment Price	$100 (higher price barrier)	$90 ($10 lower price)
Annual Unit Volume	1 million units (slower market entry and limited adoption)	5 million units (market expansion)
Aggregate Royalty Revenue	1 million × $15 = $15 million	5 million × $5 = $25 million

The model illustrates an important point: Royalty Rate and Total Royalty Revenue do not necessarily move in the same direction. At a $15 royalty, the equipment price reaches $100, unit sales remain at 1 million, and aggregate royalty revenue is $15 million. If platform coordination reduces the unit royalty to $5, the equipment price falls to $90, annual volume increases to 5 million units, and aggregate royalty revenue rises to $25 million.

Under these assumptions, the market expands fivefold and patent owners receive 66.7% more aggregate royalty revenue despite accepting a lower per-unit rate. The theory is that a lower IPR cost burden reduces the end-product price, encourages demand and manufacturing participation, and creates a Catalyzer Effect that enlarges the market from which royalty revenue is ultimately derived.

The 3G W-CDMA Example

Goldstein & Kearsey, in Technology Patent Licensing, point to 3G W-CDMA as a historical example of this pricing mechanism. They explain that PlatformWCDMA coordinated royalty rates in a manner that lowered equipment-cost barriers and encouraged global mobile network operators to accelerate large-scale investments in 3G infrastructure. As adoption increased, worldwide W-CDMA subscriptions exceeded 4 million in the first quarter of 2004.

Goldstein & Kearsey further contrast W-CDMA's expansion across Asia, Australia, and Europe with cdma2000, which they characterize as having remained more concentrated in certain markets, including Korea (92%), the United States, and parts of Japan. In their account, W-CDMA ultimately developed into a successful global standards ecosystem.

6. What This Means for IP Management

As patents have expanded from defensive tools for preserving FTO into strategic commercial assets, companies have gained additional ways to use intellectual property in competition and negotiation. At the same time, Fragmented IPR and Royalty Stacking can increase manufacturing costs and make market entry more difficult.

A sound licensing strategy therefore cannot be built solely around maximizing the nominal royalty rate for each patent. It must also account for transaction costs, the licensee's practical ability to enter and remain in the market, and the possibility that broader market adoption may generate greater aggregate returns for patent owners. That is why FTO, patent pools, Patent Platforms, and Royalty Rate are best analyzed as parts of a single licensing-governance problem rather than as isolated legal concepts.

References

Goldstein, L. M., & Kearsey, B. N. (2004). Technology patent licensing: An international reference on 21st century patent licensing, patent pools and patent platforms. Aspatore Books.