Ochrona patentowa sztucznej inteligencji

Tak. Zarówno Konwencja o patencie europejskim, jak i polskie prawo własności przemysłowej wyłączają z patentowania jedynie metody matematyczne i programy komputerowe „jako takie” –algorytm uczenia maszynowego rozpatrywany w oderwaniu od zastosowania jest kwalifikowany właśnie jako metoda matematyczna. Patentowalne są natomiast wynalazki realizowane komputerowo, w których algorytm realizuje konkretny cel techniczny –na przykład redukcję szumu w obrazowaniu medycznym, sterowanie procesem przemysłowym czy kompresję danych –albo posiada szczególną implementację techniczną dostosowaną do architektury sprzętowej. EPO udziela takich patentów regularnie, a praktyka orzecznicza jest w tym zakresie ustabilizowana; natomiast Urząd Patentowy RP znaczenie rzadziej udziela ochrony na takie rozwiązania. Właściwie postawione pytanie brzmi zatem nie „czy to jest AI”, lecz „jaki problem techniczny system rozwiązuje i za pomocą jakiego mechanizmu”.

Europejski Urząd Patentowy (EPO) ocenia to według ustalonej metodyki: przy badaniu poziomu wynalazczego uwzględniane są wyłącznie cechy wnoszące wkład techniczny, natomiast sam model matematyczny trafia do analizy jedynie jako założenie brzegowe. Wkład techniczny można wykazać dwiema drogami. Pierwsza to zastosowanie techniczne: algorytm przetwarza wielkości fizyczne albo oddziałuje na urządzenie –dane z czujników na wejściu, sygnał sterujący na wyjściu, mierzalna poprawa parametrów procesu. Druga to specyficzna implementacja techniczna, motywowana wewnętrznym działaniem komputera –niższe zużycie pamięci, mniejsza latencja, lepsze wykorzystanie pasma lub zasobów obliczeniowych. Istotne zastrzeżenie: efekt techniczny musi wykraczać poza samo wykonanie obliczeń na komputerze i być wiarygodny w całym zakresie zastrzeżenia patentowego.

Prawo autorskie chroni kod źródłowy automatycznie, bez formalności i przez długi czas –ale wyłącznie przed skopiowaniem konkretnego zapisu, a nie przed odtworzeniem jego funkcjonalności. Konkurent, który zaimplementuje ten sam mechanizm własnym kodem, prawa autorskiego nie naruszy. Patent chroni rozwiązanie techniczne niezależnie od sposobu implementacji, również przed podmiotem, który opracował je samodzielnie –wymaga jednak zgłoszenia, ujawnienia istoty rozwiązania, spełnienia przesłanek zdolności patentowej i wiąże się z kosztami. W przypadku AI dochodzi dodatkowa komplikacja: status prawnoautorski wag modelu jest dyskusyjny, ponieważ parametry wyznaczone w procesie treningu trudno uznać za utwór w rozumieniu ustawy. Dla samego modelu realną alternatywą wobec patentu jest więc raczej tajemnica przedsiębiorstwa niż prawo autorskie. W praktyce reżimy te się uzupełniają: prawo autorskie chroni kod, patent –mechanizm, a tajemnica –wagi i dane treningowe.

Nie –ta kwestia jest już przesądzona. W sprawach dotyczących systemu DABUS, zgłaszanego jako „wynalazca AI”, sądy i urzędy patentowe w USA, przed EPO, w Wielkiej Brytanii i w innych jurysdykcjach zgodnie orzekły, że twórcą wynalazku może być wyłącznie osoba fizyczna. Praktycznie istotne jest natomiast pytanie pochodne: kto jest twórcą, gdy AI miała istotny udział w dojściu do rozwiązania. Przyjmuje się, że człowiek musi wnieść znaczący wkład w koncepcję wynalazku –nie wystarczy uruchomienie narzędzia i przyjęcie wyniku. Dlatego przy pracy z systemami generatywnymi warto dokumentować wkład ludzki: definiowanie problemu, selekcję i ocenę kandydatów wygenerowanych przez system, ich modyfikację i weryfikację. Wynalazek wytworzony przy pomocy AI jest normalnie patentowalny; wynalazek pozbawiony identyfikowalnego wkładu człowieka może pozostać bez ochrony.

Zgłoszenie musi ujawniać wynalazek na tyle jasno i wyczerpująco, aby znawca mógł go odtworzyć bez dodatkowej aktywności twórczej. Dla systemu AI oznacza to w praktyce: architekturę modelu i przepływ danych, charakterystykę danych treningowych (rodzaj, sposób pozyskania i przygotowania –zwykle nie same dane, lecz informacje umożliwiające odtworzenie treningu), procedurę uczenia z parametrami istotnymi dla wyniku oraz co najmniej jeden kompletny przykład wykonania. Drugi filar to mierzalne dowody efektu technicznego: wyniki porównawcze względem stanu techniki (latencja, zużycie pamięci, dokładność), ponieważ jakość modelu jest badana zarówno pod kątem poziomu wynalazczego, jak i wystarczalności ujawnienia. Przed zgłoszeniem należy świadomie rozstrzygnąć, które elementy pozostają tajemnicą przedsiębiorstwa –zatajenie informacji niezbędnych do odtworzenia rozwiązania grozi unieważnieniem patentu, więc granicę między patentem a tajemnicą wyznacza się na poziomie komponentów systemu, nie wewnątrz jednego zastrzeżenia.

Trudność polega na tym, że system zmienia się w trakcie eksploatacji, więc chwilowy stan wag nie nadaje się na przedmiot ochrony. Strategia ochrony koncentruje się zatem na tym, co pozostaje stałe: architekturze, metodzie treningu oraz mechanizmie aktualizacji –sama pętla uczenia (sposób zbierania sygnału zwrotnego, kryteria i procedura dostrajania) bywa najcenniejszym elementem wynalazku. Tak skonstruowane zastrzeżenia obejmują każdy egzemplarz systemu uzyskany chronioną metodą, niezależnie od tego, jak ewoluował po wdrożeniu. Bieżący stan modelu –wagi, dane, log aktualizacji –chroni się jako tajemnicę przedsiębiorstwa. W dokumentacji zgłoszenia należy opisać mechanizm uczenia na poziomie umożliwiającym odtworzenie, natomiast przy podejmowaniu decyzji o patentowaniu warto ocenić wykrywalność naruszenia: gdy model działa wyłącznie za API na serwerach operatora, egzekwowanie patentu bywa trudne i tajemnica może dawać lepszą ochronę faktyczną.

Automatycznej blokady nie ma, istnieją natomiast trzy odrębne ryzyka. Pierwsze: publikacja własnego kodu (np. w publicznym repozytorium) przed dokonaniem zgłoszenia stanowi publiczne ujawnienie i w Europie bezpowrotnie niszczy nowość rozwiązania –obowiązuje zasada „najpierw zgłoszenie, potem ujawnienie”. Drugie: wykorzystanie cudzych komponentów open source nie wyklucza opatentowania własnego wynalazku, ponieważ patent chroni rozwiązanie techniczne, a licencje OSS dotyczą kodu –jednak część licencji zawiera klauzule patentowe: Apache 2.0 udziela licencji patentowej i przewiduje jej wygaśnięcie wobec podmiotu, który wystąpi z pozwem patentowym (tzw. patent retaliation), podobny mechanizm zawiera GPLv3. Trzecie: licencje copyleft (GPL) mogą wymusić ujawnienie kodu produktu, co uderza w ochronę tajemnicy, choć nie w patent. Wniosek praktyczny: audyt licencji zależności plus dyscyplina kolejności zgłoszenia i publikacji.

Warto rozdzielić system od jego wyników –to często dwa różne obiekty ochrony. O wyborze decydują cztery czynniki. Po pierwsze, podatność na odtworzenie: jeśli mechanizm daje się zrekonstruować z zachowania produktu, tajemnica jest iluzoryczna i przemawia to za patentem. Po drugie, wykrywalność naruszenia: patent, którego naruszenia nie sposób stwierdzić (model dostępny wyłącznie za API), ma ograniczoną wartość egzekucyjną. Po trzecie, tempo konkurencji: tajemnica nie chroni przed niezależnym opracowaniem tego samego rozwiązania –patent tak. Po czwarte, patentowalność samych wyników systemu. Typowa strategia hybrydowa dla generatywnego AI: metoda lub architektura –patent albo tajemnica zależnie od wykrywalności; wagi i dane treningowe –tajemnica; wartościowe wytwory systemu (np. struktury związków chemicznych) –odrębne patenty produktowe. Decyzję trzeba podjąć wcześnie i świadomie: publikacja zgłoszenia patentowego nieodwracalnie niszczy tajemnicę w ujawnionym zakresie.

Cel jest zbieżny, natomiast procedury –nieco inne. EPO stosuje stabilną, przewidywalną metodykę: wymagany jest efekt techniczny wykraczający poza implementację na komputerze, ścieżka oceny jest powtarzalna; ceną są rygorystyczne wymogi ujawnienia i skuteczności w całym zakresie zastrzeżenia. W USA obowiązuje test Alice/Mayo (wyłączenie „idei abstrakcyjnych”), którego stosowanie jest mniej przewidywalne i podatne na zmiany orzecznicze –aktualna linia (m.in. rozstrzygnięcie w sprawie Recentive z 2025 r.) przesądza, że zastosowanie konwencjonalnej techniki ML do nowej dziedziny danych nie podlega ochronie; bronią się zgłoszenia wykazujące ulepszenie samej technologii. Istotna różnica proceduralna: USA przewidują 12-miesięczną karencję po własnym ujawnieniu, Europa nie przewiduje żadnej. Dla firm planujących oba rynki wniosek jest jeden –zgłoszenie trzeba od początku konstruować pod wymogi obu systemów.

Tak, i warto tę zależność zaplanować. Od sierpnia 2026 r. systemy AI wysokiego ryzyka podlegają obowiązkom AI Act, w tym obowiązkowi prowadzenia szczegółowej dokumentacji technicznej obejmującej algorytmy, dane i protokoły testów. Punkt styku z prawem patentowym jest jeden, ale krytyczny: w Europie obowiązuje wymóg absolutnej nowości, więc każda informacja, która w związku z procesem zgodności trafi do domeny publicznej przed datą zgłoszenia, może zniszczyć zdolność patentową rozwiązania. Rekomendacja: harmonogram zgłoszeń patentowych należy zsynchronizować z harmonogramem compliance –zgłoszenie przed sporządzeniem i udostępnieniem dokumentacji regulacyjnej. Dokumentacja przekazywana organom nadzoru nie jest co do zasady jawna, a rozporządzenie nakłada na organy obowiązek ochrony poufności, jednak rosnąca liczba podmiotów z dostępem do opisu systemu zwiększa ryzyko dla tajemnicy przedsiębiorstwa. Dla systemów, których kluczową ochroną jest tajemnica, warto z wyprzedzeniem ustalić, co i w jakiej granulacji trafia do dokumentacji obowiązkowej.