企业专利工作的 AI 转型，到底该怎么做？

这两年，笔者频繁与各大企业接触，头部企业大多都去聊过。最直观的感受是：大家对 AI 的认识和落地程度千差万别，而且变化极快：这个月是这种认识，下个月已经是另一种状态。

原因很多，最主要的是外部环境变化太快，大模型和新工具的更新换代让人应接不暇。更深一层的变化来自编程智能体：各行各业的软件工具正在经历一场津巴布韦货币式的贬值。过去做一个软件系统，前端、后端、数据、运维是基本配置，门槛摆在那里，所以市面上能用的工具屈指可数；AI 来了之后，没有任何软件经验的人也能日夜手搓工具，任何奇思妙想都能很快变成现实。

结果是一个有些荒诞的局面：笔者接触的一些头部企业，光是试用各种 AI 工具就已经疲惫不堪，压力最大的事情竟然变成了找一个好用的工具。头部企业尚且如此，其他公司更不必说。市场上的工具和解决方案太多，而太多有时就等于没有：各家的体验和差异太大，让人无所适从，一会儿觉得信心大增，一会儿又陷入迷茫。

于是很多企业想到干脆自己搭建，理由可能是安全、个性化需求，或是自身的经验积累。但自建同样会撞上一堆问题：单是建一个专利数据库，代价就不小，数据更新、算法更新、日常运维接踵而至；模型迭代又极快，如何及时跟进也是问题。更让人烦躁的是外部环境的变化，一会儿是垂直大模型，一会儿是"小龙虾"，一会儿又是各种 Skills。前面兴致勃勃地立了项，好不容易说服老板批了预算，还没开始落地，就发现做的东西已经远远落后了。

以至于一些企业负责人走向了另一个极端：开始厌烦一切 AI 尝试。这是可以理解的。

但 AI 在企业到底怎么落地？到底能做哪些事、该怎么应对？笔者不想做宏大叙事，而是把企业专利工作中的几个具体场景逐一过一遍，分两部分来谈：

第一部分讲过去一直靠人工做的事情，AI 来了之后怎样做得更快、更省、更好，也就是降本增效提质。这三件事本来是相互矛盾的，既要降低成本，又要效率更高、质量更好，过去从来没有同时实现过，只有 AI 才有可能做到。

第二部分讲为什么很多企业花了大力气却收效甚微，以及 AI 到底应该怎么落地。

AI 能做什么，做不了什么？

场景一：交底书审核与查新：AI 可以接管八九成

这是几乎所有企业都会遇到的问题。查新是控制专利质量的第一关，非常重要，大部分发明人的提案是可以毙掉的，有的企业只留下三分之一。

现实往往更糟。有的企业给各部门设定了专利指标，上半年忙项目没空管专利，下半年到了指标还没完成，有的甚至指定一个工程师包办整个部门的提案，导致提案与实际研发严重脱节。再加上现在 AI 工具的加持，发明人基本上可以批量生产交底书，审核反而成了一大难题。

审核要回答两个问题：一是这件交底书是否符合企业战略和产品战略；二是查新，即这件专利在新颖性和创造性上能否站得住脚。

要做好第一步，需要对企业的产品战略、竞争对手的布局都有充分了解，包括熟悉产品、做竞争对手的基准分析（benchmarking）。过去没有 AI 帮助，这显然很难做到；有了 AI，这一点变得简单多了，企业可以建立自己的产品知识库，并用 AI 做竞争对手的专利分析，这样就能很快知道自己的专利处在什么位置。这一点，恰恰是外部机构很难做到的。

再看查新。过去大部分企业把查新委托给代理机构，甚至不单独收费，代理人写专利时顺便查一下。这看上去理所当然，实际上并不科学，因为代理机构与查新之间存在利益冲突：一个案子可能没什么价值但好写，代理机构需要案子，就尽量写了；另一个案子价值很高但难写，反而可能被毙掉。在这种情况下，企业自己在内部评估、查新是更合理的选择。

内部查新还有一个好处：避免重复提交。企业内部案件重叠是很严重的现象，也给 IP 管理带来很大困扰，不同工程师经常把以前已经提交过的想法再交一遍，有的还改头换面。这件事完全靠人很难做到，AI 却很擅长。

在交底书审核和查新这件事上，AI 大有可为。根据目前的情况，只要内部数据打通，交底书审核和查新基本上可以交给 AI。这并不意味着人员不用做了，人工审核仍然少不了，但效率和质量会高出很多。可行的模式是：AI 先审一遍，并给出依据；查新同样给出依据。理由明确的，人只需要核对是否符合事实，做事实判断；明显有问题的部分，人再重点复核。人从做判断变成核事实，精力才能真正聚焦。

通过这套模式，80% 到 90% 的交底书审核和查新只需要极少的人工，可能不到 20%，剩下的人力聚焦在最重要的、或者 AI 很难解决的部分。很多企业的实践反馈也是如此。

场景二：FTO 风险评估：AI 帮得最少，难点在特征本身

不同企业对专利风险的来源和敏感度都不一样。互联网、通信企业，风险更多来自行业标准专利，或者偶尔的 NPE，除了少数必要情况，不大可能在这上面投入过多精力。汽车主机厂的供应商错综复杂，风险管控更多是下沉到对供应商的管理。小家电企业更新换代迅速、市场竞争激烈，风险评估压力大，需要盯着一些功能和部件。高端医疗、芯片这类领域，专利价值特别高、风险也高，行业内的专利质量普遍较高，识别难度大，这种 FTO 没有什么捷径，就是把关键竞争对手拉出来全面排查。

在 FTO 上 AI 能做什么？可以筛选、分级、定位重点专利。但坦率地说，在所有场景里，FTO 是 AI 能帮上忙相对最少的一个。查新之所以能让 AI 承担那么大的比例，是因为它的容错空间相对大；而 FTO 对查全率、查准率和比对精准度的要求都非常高。

更关键的是，FTO 最麻烦的往往不是检索，而是把要做 FTO 的具体特征搞清楚。很多特征只有在反复沟通中才能获取，有时做到一半才明白：原来里面还有这样的特征，而研发人员之前根本没说，甚至交出的图纸上都没有画那个部件。一旦这里出了问题，后面的检索、筛选、比对都在放大这个误差，最终报告几乎无法使用。

所以 FTO 仍然高度依赖人的经验。当然，在 AI 的协助下，IP 人员在理解和整理技术方案、初步检索、初步比对、圈定筛选范围，以及最终形成报告文字上，都能节省大量时间。不同领域节省的幅度不同：小家电、软件功能这类，节省得相当多；医疗器械、芯片、生物医药这些技术细节极深的领域，节省得相对少一些。

场景三：无效稳定性分析：从人海战术到AI遍历

AI 在无效稳定性分析上已经发挥了相当大的作用，核心是极大扩展了阅读文献的范围和深度。现在做一个稳定性分析，AI 可以轻松筛选上万篇文献的全文，这在过去是不可想象的。检索时可以不吝啬关键词，尽可能用广泛的关键词和分类号，把尽可能多的专利筛出来。过去只有极少数案子才配得上这样的人海战术，现在 AI 让每一个人都可以采用遍历式检索。

此外，AI 在非专利文献检索上也非常擅长，这一点可以说是过去人工无法达到的。非专利文献检索一直是个难题：分布没有特别的规律，检索时也很难用复杂的语法。而 AI 可以瞬间组合几十上百种检索策略。在筛选和比对环节，AI 同样大幅提高效率，可以快速定位对比文件的全文。

场景四：撰写与审查意见答复：保密挡不住，背景才是关键

把交底书直接输入大模型撰写，一直存在保密的障碍。但这个趋势似乎无法阻挡。笔者私下了解，几乎没有代理人是完全不用大模型撰写的，差别无非是用的程度多少。无论企业怎么要求代理所，实际上都拦不住，企业要做好这个心理准备。

相比撰写，用大模型答复审查意见（OA）大家都能接受，也是普及最多的场景。答复 OA 用 AI 有很大优势：比对区别技术特征的效率会提高很多。撰写和答复用 AI 还有一个重要优势，AI 能协助了解更多的背景知识，而这些知识往往是代理机构所不具备的。

如果有一天撰写解决了保密问题，企业自己去处理同样具备这些优势，甚至更多：可以把不同的案子关联起来，与产品策略关联起来，结合内部数据，更准确地把握保护范围。一些企业已经把内部数据和撰写打通，很快尝到了甜头。那么代理所的合作模式也会改变。

要理解这一点，需要看到撰写和答复的本质是一种博弈。写什么范围、保护范围划到哪里，需要一定的背景知识，竞争环境、产品策略等等，而这些背景知识 AI 并不具备。如果没有任何背景输入，直接把交底书丢给 AI，让它单纯从专利法的角度写一份专利，最终能不能写好就只能碰运气了。但如果给足背景，AI 的撰写和答复已经做得很不错，当然其中少不了人工的干预。特别是软件方法类的撰写，AI 已经做得相当好。

场景五：专利分析：几乎全面替代

这里主要指专利导航、专利地图（landscape）这类分析。AI 在这个方面基本上可以替代人工：从技术概念拆解、检索式构建，到去噪、标引、图表制作，几乎每个环节相对于过去都是碾压式的提升。

过去的去噪和标引靠人工，除了极少数要求特别高的项目，现在大部分情况下 AI 都可以代劳，效率是几十倍的提升，而且效果比人工好得多。以前做一个导航项目，光是标引去噪就可能花掉几天甚至几个月，现在是几个小时的事情，改起来也快。图表制作也曾高度依赖人工，即便有各种制图软件，可视化图表仍然耗费大量人力，而且修改麻烦，一个数据改动，图表就得重来。现在这些都不需要了。报告文本和 PPT 这些过去比较头疼的事情，现在基本上也不是问题。

场景六：专利翻译：最早落地，也最成熟

专利翻译可以说是专利行业最早用上 AI 的环节。早在大模型出现之前，很多翻译公司就在应用 AI，只不过传统的机器翻译问题很多。大模型天然适合翻译，现在的专利翻译质量已经基本接近人的水平。笔者每天可以交付一百多份专利、几百万字，这在过去是无法想象的。AI 在处理格式和附图上也非常有优势。

其他场景中，在研发辅助创新、专利情报、标准必要专利比对等场景中，AI 同样发挥着比较大的作用。理论上，专利工作的每个模块都可以运用 AI 来提高效率。

把这些场景放在一起看，会发现 AI 的边界与其说在技术领域的难易，不如说在两件事上。

一是任务的瓶颈是不是阅读量。查新、无效稳定性分析、专利分析、翻译，本质上都是海量文本的阅读、筛选、比对和转换，这正是大模型碾压人工的地方。

二是输入是否完整。FTO 最大的风险来自研发没说、图纸没画的那个特征；撰写写不好，往往是因为缺少竞争环境和产品策略的背景。这两类问题的根源都不在模型，而在信息有没有进到模型里。AI 会忠实地放大它拿到的输入，好的输入被放大成效率，缺失的输入被放大成误差。

所以 AI 落地的关键动作，与其说是选模型、搭平台，不如说是把该给 AI 的信息给全。这也是下篇要谈的。

上篇说的是 AI 能做什么。但很多企业的问题不在于不知道 AI 能做什么，而在于落地的路走偏了。

建议一：别再追潮流

从一开始的垂直大模型本地部署，到"小龙虾"、全民养虾，再到现在的 MCP、写 Skills，企业在 AI 上花了很多精力。无论是垂直大模型、小龙虾，还是现在的 Skills，大家的做法都是通过一个工作平台，然后写 Skills 去解决问题。笔者的判断是，这些都将被淘汰。

大家更多是在跟着潮流走。实际上 AI 的本质并不难，大模型不管从原理还是应用上，都可以非常容易理解。企业没有必要赶时髦，隔一阵换一个方向。这些潮流更多解决的是流程问题，怎么让很多事情自动化。但自动化并不能解决问题，反而会隐藏问题：错的东西被自动化之后，只是错得更整齐、更不容易被看见。

建议二：先问三个问题，再动手

与其跟着潮流搭流程，不如先回答三个问题：

1. AI 真正帮我们解决了哪些问题？

2. 达到了什么效果？

3. 这些效果的提升，是模型本身就能达到的，还是通过我们的设计让不可能变成了可能？

第三个问题最重要。如果提升只是模型自带的能力，那所有人都能拿到，构不成优势；只有通过自己的设计，数据、场景、流程的结合，让过去做不到的事变成做得到，才是真正的能力。否则大家都去搭一个流程，实际上并没有什么优势，约等于都购买了一款软件工具，并不能让企业获得竞争优势。

建议三：数据打通是前提，也是护城河

回看上篇会发现，几乎每个场景里最有价值的那部分，都有同一个前提：内部数据打通。交底书审核，需要企业自己的产品知识库和竞争对手的专利分析，才能判断一件专利处在什么位置；查新，只有内部数据打通才能真正交给 AI，也才能识别内部重复提交；撰写，把案子与案子、案子与产品策略关联起来，结合内部数据把握保护范围，已经打通的企业很快尝到了甜头。

这些恰恰是外部机构做不到、市场上也买不到的。工具会贬值，模型会迭代，但企业自己的产品策略、竞争对手基准、历史案件之间的关联，是别人无法复制的。AI 转型真正该花力气的地方在这里，而不是在平台和工具的选型上。

建议四：人机分工：AI 第一遍，人核事实

从查新场景里跑通的模式，可以推广到大多数场景：AI 先做第一遍，并且必须给出依据；理由明确的，人只做事实核对；明显有问题的，人重点复核。人从做判断变成核事实，从处理全部变成聚焦最重要或 AI 解决不了的那一部分。这套分工既保证了质量，也把人的精力真正释放出来。

需要强调的是，给出依据是这套模式成立的前提。没有依据的 AI 结论，人只能从头再核一遍，那就谈不上效率了。

建议五：自建还是采购，先算清运维账

很多企业出于安全、个性化和经验的考虑想自建，这本身没有错，但要先算清楚一笔账：专利数据库的建设代价、数据更新、算法更新、日常运维，再加上模型的快速迭代，都是持续投入。外部环境变化这么快，一个项目从立项到落地，很可能还没上线就已经落后。

笔者的建议是把两类东西分开看：流程和工具层面的东西，市场上很快会有、也很快会贬值，没有必要自己重做一遍；真正值得自建的，是上面说的内部数据打通，以及基于自身产品策略和竞争对手的知识库。这部分别人做不了，也只有企业自己能做。此外，需要探索模型在什么情况和场景能够发挥得最好，这个工具还企业自己探索更好，而不是追求流程。

降本、增效、提质，过去是专利工作里的"不可能三角"，AI 第一次让三者同时成立。但这个结果不会从追逐潮流中来，也不会从买一款工具、搭一个平台中来。它来自三件更朴素的事：看清 AI 在每个场景里的边界，把该给 AI 的信息给全，然后把人放到 AI 做不了的位置上。

潮流会过去，工具会贬值，模型会更新。真正不贬值的，是企业自己的数据、产品策略和判断力，把 AI 建在这些东西之上，转型才算真正开始。