[AI·소프트웨어] 강한 AI 특허 만들기 3편 — 학습이 아니라 추론을 청구한다

학습 방법·추론 방법·장치·프로그램은 각각 겨냥하는 실시 주체가 다릅니다. 국내 AI 등록특허 400건과 실제 청구항을 통해 서비스형·설치형 제품에 맞는 청구항 구성을 살펴봅니다.

AI 특허의 청구항은 종류마다 커버하는 실시 주체가 다릅니다. 학습 방법은 모델을 학습시키는 회사를, 추론 방법은 그 모델을 돌리는 회사를, 장치와 프로그램은 그것을 만들고 파는 회사를 겨냥합니다. 그런데 제가 살펴본 국내 등록특허 400건에서 청구항 1에 AI가 들어간 특허의 열에 넷은 학습 단계까지 넣었고, 그중 열에 아홉 가까이는 학습 없이 추론만 하는 회사를 잡을 독립항이 없었습니다. 학습은 경쟁사의 주방에서, 추론은 고객 앞의 식탁에서 일어납니다. 이 글은 실제 청구항 하나로 학습 단계가 무엇을 놓치는지 따라가 보고, 400건 표본의 숫자와 출원인별 차이, 청구항을 나눠 쓰는 방법을 다룹니다.

1. 청구항의 종류와 커버하는 실시 주체

특허 침해는 청구항에 적힌 일을 누가 하느냐로 따집니다. 특허법은 물건의 발명이면 그 물건을 생산·사용·양도·대여·수입하는 행위 등을, 방법의 발명이면 그 방법을 사용하는 행위 등을 실시로 봅니다(특허법 제2조 제3호). 같은 AI 기술이라도 학습 방법으로 청구하면 학습시키는 회사가, 추론 방법으로 청구하면 그 모델을 돌리는 쪽이 실시자가 됩니다. 제가 AI 청구항을 짤 때 먼저 그리는 표가 이것입니다(표 1).

표 1 | AI 청구항의 종류와 커버하는 실시 주체

자료: 인트로 정리

이 표에서 학습 방법 청구항만 결이 다릅니다. 나머지 셋은 모두 제품이 고객을 만나는 자리, 곧 식탁 위의 일을 청구합니다. 학습은 주방에서 일어납니다. 주방의 요리법은 손님이 볼 수 없고, 같은 요리를 다른 주방에서 만들어 와도 식탁 위의 요리는 같습니다.

추론 방법 청구항이 커버하는 것은 추론을 실시하는 쪽입니다. 공급사 서버에서 분석해 결과만 보내는 서비스형이면 공급사가, 병원이나 공장에 소프트웨어를 깔아 주는 설치형이면 고객이 추론을 실시합니다. 그래서 추론 방법과 함께 장치와 프로그램 청구항을 두어 설치형 공급사도 직접 겨냥합니다. 국내 실무에서는 프로그램을 ‘하드웨어와 결합해 특정 과제를 수행하도록 매체에 저장된 컴퓨터 프로그램’의 꼴로 청구할 수 있습니다.

2. 학습 단계가 들어간 청구항 하나를 따라가 보면

표본의 한 등록특허는 봉제 불량을 자동으로 찾는 방법을 청구합니다. 청구항 1은 여덟 단계입니다. 첫 단계는 원단의 무늬와 질감에 따라 세 등급으로 라벨을 붙인 재봉 이미지들로 신경망 분류기를 학습시키는 것입니다. 나머지 일곱 단계는 재봉하는 동안 카메라 영상을 실시간으로 모아 그 분류기에 넣고, 질감이 있는 원단이면 질감을 지우고, 색 공간을 바꿔 봉제선의 윤곽을 찾고, 봉제선이 끊긴 구간의 길이로 불량을 판정하는 단계입니다. 공장에서 매일 일어나는 일은 둘째 단계부터입니다.

이 청구항으로 누구를 막을 수 있을까요. 방법 청구항의 침해를 따지려면 청구항의 모든 단계가 실시되어야 하고, 여러 회사가 단계를 나눠 하면 누구에게 책임을 물을지부터 다툼이 됩니다. 이 구조에서 빠져나가는 회사가 적어도 셋 있습니다.

첫째, 학습을 끝낸 분류기를 사 오는 공장입니다. 검사 장비 회사가 분류기를 학습시켜 장비에 넣어 팔면, 공장은 재봉 현장에서 판정만 합니다. 학습 단계를 하지 않으니 청구항의 모든 단계를 하는 것이 아닙니다.

둘째, 해외에서 학습하는 장비 회사입니다. 특허는 나라마다 따로 효력이 있어서(속지주의), 해외 서버에서 한 학습에는 국내 특허가 미치지 않습니다. 판정은 한국 공장에서 일어나는데도 그렇습니다. 학습된 분류기를 담은 장치나 매체에 저장된 프로그램을 청구해 두었다면, 그 장비를 국내에서 팔거나 들여오는 행위를 겨냥할 수 있었을 것입니다.

셋째, 장비 회사 자신입니다. 장비 회사는 학습은 하지만 재봉 현장의 판정은 하지 않습니다. 판정 단계를 실시하는 것은 장비를 돌리는 공장입니다.

결국 이 청구항의 모든 단계를 혼자 하는 회사가 시장에 없을 수 있습니다. 이 특허에는 학습 없이 판정만으로 된 독립항도 없습니다. 기술은 좋은데 청구항이 겨냥할 회사를 잃은 셈입니다.

장치 청구항이라고 안전한 것도 아닙니다. 표본의 한 공조 설비 제어 시스템 특허는 장치 청구항인데도 ‘시간에 따른 외기온도로 다음 날 외기온도 예측 모델을 학습시키는 제1 학습부’와 ‘과거 운전 데이터로 운전 상태 모델을 학습시키는 제2 학습부’를 구성으로 적었습니다. 학습은 제조사 서버에서 끝내고 학습된 모델만 넣어 파는 제어기에는 학습부가 없을 수 있습니다. 장치의 구성으로 적은 학습 기능도, 경쟁 제품에 그 기능이 실제로 들어 있어야 그 제품을 커버합니다.

요즘에는 빈틈이 더 커지고 있습니다. AI 서비스 가운데 상당수는 대형 기업이 공개한 모델을 받아 쓰거나, 다른 회사의 모델을 API로 불러 씁니다. 이런 회사는 학습을 하지 않고, 때로는 모델을 돌리는 서버도 직접 운영하지 않습니다. 하는 일은 입력을 만들어 넣고 돌아온 결과를 화면과 업무에 쓰는 것입니다. 이런 경쟁사를 겨냥하려면 청구항이 모델 바깥, 곧 입력을 만드는 방식과 결과를 쓰는 방식에 서 있어야 합니다.

3. 국내 AI 등록특허는 얼마나 학습을 청구하나

자료: 국내 등록공보(G06N, 2019~2022 출원) 중 청구항 1에 AI가 있는 306건(AI를 전제부에만 적은 경우 포함), 출원인 유형별 · 2026년 11월

표본에서 청구항 1에 AI가 있는 306건 가운데 학습 단계를 넣은 것은 127건(42%)이었습니다. 그 가운데 110건(87%)은 다른 독립항도 모두 학습을 요구했습니다. 추론만 하는 회사를 겨냥한 독립항이 하나도 없다는 뜻입니다. 출원인 유형별로 나눠 봐도(위 그림) 학습 단계를 넣은 비율은 국내 중소·스타트업 등의 36%에서 대학·연구기관의 51%까지로, 누가 쓰든 셋 중 하나를 넘습니다. 400건 전체에서 청구항 1의 종류를 보면 장치·시스템(제품 포함)이 205건, 방법이 192건이었고, 기록매체나 프로그램으로 쓴 것은 3건뿐이었습니다. 제 명세서에서는 청구항 1에 학습 단계를 넣는 일이 드물고, 넣더라도 늘 추론과 함께 청구합니다. 학습만 청구한 것은 없습니다.

청구항 1의 다섯 유형을 출원인별로 나누면 차이가 더 뚜렷합니다(표 2).

표 2 | 출원인별 청구항 1의 다섯 유형(%)

자료: 1편과 같은 400건

대학·연구기관은 학습형과 구조형이 절반을 넘고(54%) 입출력·활용형은 17%로 가장 낮습니다. 연구의 결과물이 모델과 학습이다 보니 청구항도 그쪽으로 쓰인 것으로 보입니다. 대학의 AI 특허를 사 오거나 실시권을 받으려는 기업이라면 청구항 1에 학습 단계가 있는지, 추론만으로 된 독립항이 있는지부터 볼 일입니다. 외국 출원인은 AI를 아예 적지 않은 1유형이 47%로 가장 높습니다. 독립항은 넓게 두고 AI는 종속항으로 돌리는 작성 관행 때문인지는 더 확인해 볼 일입니다.

표본과 판독. 특허 검색 데이터베이스의 국내 등록공보 가운데 인공지능 핵심 분류(G06N)가 붙고 2019~2022년에 출원된 21,218건을 출원일 순으로 늘어놓고, 해마다 7월 말~8월 출원분에서 100건씩을 연속으로 골라 모두 400건(출원인 266곳)을 만들었습니다. 무작위 표본은 아닙니다. 청구항 1(삭제되지 않은 첫 독립항)은 제가 직접 읽었고, 유형이 겹치면 5, 4, 3, 2 순으로 앞의 것을 택했습니다. 2유형과 3유형의 경계에는 판단이 들어가므로 3유형을 넓게 잡았습니다. 1편의 다섯 유형은 구조와 학습을 함께 적은 청구항을 구조형으로 따로 세고 400건 전체를 분모로 삼았으므로, 이 절의 학습 비율과는 다르게 보일 수 있습니다.

4. 학습 청구가 힘을 쓰는 때

학습 청구가 늘 쓸모없는 것은 아닙니다. 학습이 밖으로 드러나는 경우가 있습니다. 학습시키는 회사와 파는 회사가 같고, 그 회사가 제품 설명이나 논문, 허가 문서에서 학습 방식을 밝히는 경우입니다. 미국에서는 2025년 10월, 머신러닝 학습용 합성 영상 데이터를 만드는 방법의 특허로 경쟁 소프트웨어를 상대로 한 소송이 제기됐습니다(MVision AI 사건). 원고는 피고의 소프트웨어가 3D 모델로 합성 장면을 만들어 학습용으로 렌더링한다고 주장했습니다. 학습 쪽 특허로 소송을 걸려면 상대가 어떻게 학습시키는지 소장을 쓰기 전에 알아야 하는데, 학습하는 회사가 곧 파는 회사일 때 그런 일이 가능합니다. 다만 이 소송은 2026년 5월 원고가 취하해 법원의 판단 없이 끝났습니다. 의료 AI라면 미국 FDA의 510(k) 요약서처럼 학습·검증 데이터의 규모와 출처가 적힌 공개 문서가 있는 경우도 있습니다. 경쟁사가 스스로 밝힌 학습 방식은 학습 쪽 청구항의 드문 증거원입니다.

정답(라벨)을 만드는 방법도 마찬가지입니다. 라벨링 도구나 데이터 생성 서비스처럼 그 방법 자체가 제품이 되어 팔리면, 학습 쪽 기술이어도 밖에서 보입니다. 반면 학습 데이터 그 자체와 모델의 매개변수는 밖에서 확인할 길이 없습니다. 저는 학습 쪽 노하우를 둘로 나눕니다. 정답을 만드는 방법처럼 드러날 수 있는 것은 특허로, 데이터 자체와 매개변수처럼 드러나지 않는 것은 영업비밀로 지킵니다.

5. 청구항 1은 추론으로

앞의 봉제 불량 사례라면 청구항을 이렇게 나눌 수 있습니다. 독립항 1은 판정 방법입니다. ‘재봉 중 촬영한 영상을 학습된 분류기에 넣어 원단 질감을 분류하고, 분류 결과에 따라 질감을 지운 영상에서 봉제선을 찾아 끊긴 길이로 불량을 판정한다’까지만 적습니다. 분류기를 무엇으로 학습시켰는지는 종속항으로 내립니다. 독립항 2는 같은 판정을 하는 검사 장치, 독립항 3은 매체에 저장된 검사 프로그램입니다. 학습하는 회사를 따로 겨냥할 이유가 있다면 독립항 4로 학습 방법을 더합니다.

이렇게 나누면 공장은 판정 방법으로, 장비 회사는 장치와 프로그램으로, 학습 회사는 학습 방법으로 각각 겨냥할 수 있습니다. ‘학습된 분류기’라고 적으면 그 분류기를 누가 어디서 학습시켰는지는 묻지 않게 됩니다. 다만 학습 과정 덕분에 생긴 분류기의 특징이 발명의 핵심이라면, 그 특징을 판정 단계의 입력이나 출력으로 드러내 적는 방법을 찾아야 합니다.

추론 청구항이라고 ‘입력을 모델에 넣어 결과를 얻는다’로 끝내면 1편의 역할형이 되어 심사를 넘기 어렵습니다. 저는 추론 청구항에 네 가지를 채웁니다. 무엇을 어떻게 얻어 넣는지(입력의 종류와 획득 방식), 모델에 넣기 전에 무엇을 하는지(전처리 가운데 밖에서도 드러나는 것), 모델이 무엇을 내놓는지(출력의 형태), 그리고 그 출력에 따라 무엇을 하는지(기기 동작이나 사용자 안내)입니다. 봉제 불량 사례라면 원단 질감에 따라 처리를 달리하는 흐름이나, 불량으로 판정되면 재봉틀을 멈추거나 작업자에게 알리는 동작이 그런 자리가 될 수 있습니다. 네 칸이 모두 밖에서 보이면, 학습을 누가 했든 이 청구항은 판정을 하는 회사의 실시를 커버합니다. 아마존의 Alexa를 상대로 한 미국 소송에서 침해가 인정된 청구항들도 모델을 학습시키는 단계가 아니라 사용자의 말을 받아 처리하는 단계를 적은 것이었고, 법원은 그중 하나를 소스 코드 없이 Alexa의 실제 동작과 전문가 증언만으로도 입증할 수 있다고 봤습니다.

청구항을 마무리하기 전에는 다음을 확인합니다.

청구항 1의 모든 단계를 경쟁사 한 곳이 국내에서 하는가.

학습 단계가 들어 있다면, 모델을 사 오거나 받아 쓰는 회사의 실시도 커버하는가.

서비스형과 설치형을 모두 잡는 독립항(방법, 장치, 프로그램)이 있는가.

학습 쪽 노하우 가운데 밖으로 드러나는 것만 특허로 청구하고, 나머지는 영업비밀로 두었는가.

손님은 주방에 들어가지 않습니다. 경쟁사의 침해도 식탁에서 확인됩니다. 청구항은 주방이 아니라 식탁에서 씁니다. 다음 글에서는 그 식탁에서 무엇이 보이고 무엇이 보이지 않는지, 곧 입증할 수 있는 청구항을 쓰는 법을 다룹니다.

글 | 강대환 대표변리사

다음 편 → 4편 · 침해를 입증할 수 있도록 청구항을 설계한다

← 이전 편 · 2편 · 한정하되, 경쟁사가 피할 수 없는 구성으로

인사이트 목록으로