[AI·소프트웨어] 강한 AI 특허 만들기 5편 — ‘AI를 새 분야에 적용했다’로는 부족하다

강대환 대표변리사 · 작성 2026.11.13 · 5/6

일반적인 AI를 새 분야에 적용했다는 사실만으로 특허성이 확보되지는 않습니다. Recentive 판결과 심사 사례를 통해 명세서에 담을 기술적 구체성과 청구항에 둘 구성을 구분합니다.

‘AI를 새 분야에 적용했다’는 것만으로는 특허가 되지 않습니다. 미국 법원은 일반적인 머신러닝을 새 데이터에 적용한 청구항을 특허 대상이 아니라고 봤고, 한국 심사 기준도 AI 기술을 구체적으로 적지 않으면 공지된 AI 기술을 단순히 이용한 것으로 봅니다. 반대로 미국 특허청은 모델 자체를 낫게 만들거나 결과로 구체적인 기술적 동작을 하게 만든 청구항의 적격성을 인정했습니다. 특허성은 명세서에 깔아 둔 기술적 구체성, 곧 입력 데이터, 정답을 만드는 방법, 전처리, 출력의 쓰임, 효과의 숫자에서 얻습니다. 그러나 그 구체성을 모두 청구항 1에 올리면 입증할 수 없는 특허가 됩니다. 뿌리는 명세서에 깊게 내리고, 청구항 1에는 밖에서 보이는 열매를 답니다.

1. Recentive v. Fox: 경쟁 제품을 보기도 전에 무효

미국의 Recentive Analytics는 생중계 이벤트의 편성을 머신러닝으로 짜는 특허 네 건을 가졌습니다. 편성표 특허의 청구항 1은 열한 단계입니다. 경기장 사용 가능 여부, 티켓 가격, 출연료 같은 이벤트 변수와 관중 수, 매출 같은 목표를 받아 신경망이나 서포트 벡터 머신에 넣고, 지난 이벤트 데이터로 반복 학습시킵니다. 사용자가 여러 지역의 다음 이벤트 변수와 목표별 가중치를 넣으면 최적의 편성표를 만들고, 변수가 실시간으로 바뀌면 그 변화로 모델을 다시 다듬어 편성표를 고칩니다. 네트워크 지도 특허는 같은 방식으로, 도시마다 어느 방송국이 어떤 경기를 내보낼지 정한 지도를 전체 시청률이 최대가 되게 만들고 실시간으로 고칩니다. Recentive는 2022년 11월, 폭스가 NFL 경기의 지역 중계 편성에 사용하는 사내 도구가 이 특허들을 침해한다며 제소했습니다.

법원은 폭스의 도구를 들여다보지도 않았습니다. 델라웨어 연방지법은 소송 초기에 청구항이 특허를 받을 수 있는 대상이 아니라며(특허 적격성) 사건을 끝냈고, 2025년 4월 연방순회항소법원도 같은 결론을 냈습니다. 판결의 논리는 세 갈래입니다. 반복 학습과 실시간 조정은 머신러닝이 원래 하는 일이어서 기술의 개선이 아닙니다. 편성이라는 새 분야에 적용했다고 추상적 아이디어가 구체적인 기술이 되지는 않습니다. 청구항도 명세서도 머신러닝을 어떻게 개선했는지는 밝히지 않았습니다.

Recentive 스스로도 머신러닝 자체를 청구한 것이 아니고, 알고리즘을 개선하는 방법을 청구하지도 않았다고 인정했습니다. 소장을 수정할 기회도 얻지 못했습니다. 무엇을 고치면 판단이 달라지는지 내놓지 못했기 때문입니다. 법원은 머신러닝이 특허를 받을 만한 기술 개선으로 이어질 수 있는 분야라고 덧붙이면서, 일반적인 머신러닝을 새 데이터 환경에 적용하기만 하고 모델의 개선을 밝히지 않은 특허만 무효라고 선을 그었습니다. 2025년 12월 연방대법원은 상고를 받아들이지 않았습니다. 미국 특허청의 심사를 넘은 특허가 법정에서 첫째 시험을 다시 치르고 떨어진 셈입니다.

이 판결에서 눈여겨볼 것은 시점입니다. 특허는 소송 초기, 곧 피고 제품을 보기도 전에 무효가 됐고 소장을 수정할 기회도 없었습니다. 명세서에 모델을 무엇에 맞게 어떻게 바꿨고 그래서 무엇이 나아졌는지 적혀 있지 않으면, 소송에 와서 그것을 새로 주장할 길이 없습니다. 특허성은 소송이 아니라 출원하는 날 정해집니다.

2. 같은 미국에서 살아남은 AI 청구항

미국 특허청이 2024년 7월 낸 AI 특허 적격성 지침에는 인공신경망으로 이상을 찾는 예(예시 47)가 실렸습니다(미국 특허청 예시). 학습 데이터를 받아 신경망을 학습시키고, 이상을 찾아 분석하고, 결과를 내놓는 청구항은 수학적 계산과 머릿속 판단을 엮은 것에 불과하다며 적격성이 부정됐습니다. 같은 신경망으로 네트워크 트래픽의 이상에서 악성 패킷을 찾아내고 그에 따라 구체적인 조치를 하는 청구항은, 네트워크 침입 탐지라는 기술 분야에서 컴퓨터의 기능을 개선한다며 적격성이 인정됐습니다. 차이는 결과로 무엇을 하느냐에 있었습니다.

모델 자체를 낫게 만든 발명도 인정받았습니다. 미국 특허청의 심판 재검토 패널(Appeals Review Panel)은 2025년 9월 Ex parte Desjardins 사건에서, 새 과제를 배우면서 이전 과제의 성능을 지키도록 모델의 매개변수를 조정하는 학습 방법을 특허 적격성이 있다고 봤고, 11월 이 결정을 선례로 지정했습니다(미국 특허청). 앞서 배운 것을 잊는 문제를 줄이고 저장 부담을 덜어 모델 자체의 기능을 개선했다는 이유입니다. 다만 이 청구항도 진보성에 해당하는 비자명성 판단에서는 거절이 유지됐습니다. 적격성은 문턱일 뿐입니다.

Recentive와 두 사례를 나란히 놓으면 길이 보입니다. 모델 자체를 어떻게 낫게 만들었는지 밝히거나, 모델의 결과로 구체적인 기술적 동작을 하게 만들어야 합니다. 앞의 길은 모델 안의 개선이라 3·4편에서 본 입증의 짐을 지고, 뒤의 길은 밖에서 보입니다.

3. 유럽·영국·한국이 묻는 것

유럽특허청의 심사지침은 AI와 머신러닝을 수학적 방법으로 보면서도, 기술적 목적에 활용되면 기술적 성격을 인정합니다. 심장 박동 측정 장치에서 신경망으로 불규칙한 박동을 찾는 경우가 그 예이고, 영상이나 소리를 낮은 수준의 특징으로 분류하는 것도 기술적 목적으로 봅니다. 반면 글의 내용만으로 문서를 분류하는 것은 그 자체로 기술적 목적이 아니라고 합니다. 기술적 목적을 인정받으려면 청구항이 그 목적에 맞게 기능적으로 한정되어 있어야 합니다. 불규칙한 박동을 찾는 것만으로도 기술적 목적이 되지만, 진보성까지 생각하면 찾은 결과로 경보를 울리거나 측정 방식을 바꾸는 동작까지 청구항에 함께 적어 두는 편이 안전합니다.

영국 대법원은 2026년 Emotional Perception 사건에서 인공신경망 발명의 문턱을 오히려 낮췄습니다. 인공신경망도 하드웨어로 구현되면 컴퓨터 프로그램 ‘그 자체’로 제외되지는 않는다고 했습니다. 다만 기술적 성격에 기여하지 않는 특징은 진보성을 판단할 때 걸러집니다(영국 대법원). 문턱은 낮아졌지만 승부는 여전히 기술적 특징에서 납니다.

한국은 소프트웨어에 의한 정보 처리가 하드웨어를 이용해 구체적으로 실현되면 발명으로 봅니다. 승부는 진보성에서 납니다. 지식재산처의 AI 발명 심사 기준은 AI 기술을 구체적으로 적지 않으면 공지된 AI 기술을 단순히 이용한 것으로 보고, 영업 방법을 공지된 AI로 단순히 시스템화한 것도 진보성을 인정하지 않습니다(지식재산처). 2026년 1월 개정한 심사실무가이드는 심사 사례 5개를 더해 15개가 됐습니다. 공개된 AI 모델을 널리 알려진 방법으로 가볍게 만들어 서빙 로봇에 올린 발명은 특허를 받지 못하지만, 음식점 안에서 로봇이 움직이는 환경과 로봇의 가용 자원을 반영해 최적화했다면 인정될 수 있습니다. 기존의 채팅 질의응답을 생성형 AI로 바꾼 것만으로는 안 되지만, 음성으로 사용자의 연령대를 알아내 생성형 AI에 맞춤형 질의를 만들어 주는 구성은 인정될 수 있습니다(머니투데이, 2026.1). 사례마다 출원 당시의 기술 수준에 비춰 판단한다는 점도 눈여겨볼 만합니다. 어제는 새로웠던 경량화 방법도 오늘은 공지 기술이 됩니다. 모델을 고친 것보다 그 모델이 놓인 현장에 맞춰 무엇을 바꿨는지가 오래가는 근거가 됩니다.

네 곳의 말은 달라도 묻는 것은 같습니다. AI를 적용했다는 사실이 아니라, 그 분야의 문제를 풀기 위해 무엇을 구체적으로 바꿨는지입니다.

4. 특허성은 명세서에서: 여섯 칸 채우기

AI 발명의 명세서는 어떤 데이터로 무엇을 학습해 무엇을 내놓는지를 통상의 기술자가 따라 할 수 있게 써야 합니다. 지식재산처 기준도 학습 데이터, 전처리, 학습 모델 같은 구체적 수단을 적고, 입력 데이터와 모델이 내놓는 출력 사이의 관계를 적을 것을 요구합니다. 저는 AI 명세서를 여섯 칸으로 채웁니다. 1편의 진열대 결품 감지 AI로 칸마다 무엇을 적는지 예를 들면 표 1과 같습니다.

표 1 | AI 명세서의 여섯 칸과 작성 예

여섯 칸 가운데 가장 자주 비는 것은 둘째와 다섯째입니다. 정답을 어떻게 만들었는지는 연구자에게 너무 당연해서 빠지고, 출력으로 무엇을 하는지는 연구의 다음 단계라서 빠집니다. 그런데 앞의 것은 기재 요건을, 뒤의 것은 진보성과 권리범위를 좌우합니다. 특히 출력의 쓰임은 여러 갈래로 넉넉히 적어 둡니다. 보충 지시만이 아니라 자동 발주, 진열 위치 변경 제안, 본사 대시보드 통계처럼 같은 결과를 활용하는 다른 방법까지 적어 두어야, 거절이유를 받거나 경쟁 제품이 나온 뒤에 한정하고 나눌 구성이 생깁니다. 출원할 때 적지 않은 것은 보정으로 넣을 수 없습니다.

5. 진보성은 효과의 근거로, 권리범위는 보이는 것으로

진보성에서 중요한 것은 종래 기술과 무엇이 다르고, 그 차이에 왜 쉽게 이를 수 없느냐입니다. 그 차이가 낳는 기술적 효과는 이를 뒷받침하는 중요한 근거입니다. 지식재산처 기준은 전처리, 학습 모델, 학습 데이터 같은 구체적 수단의 차이로 더 나은 효과가 인정되면 진보성을 인정합니다. AI가 낸 결과 데이터의 활용을 구체화해 더 나은 효과가 생기는 경우도 마찬가지입니다. 2편에서 본, 결과의 쓰임으로 한정해 등록받는 길이 심사 기준에도 나 있는 셈입니다.

효과는 말이 아니라 숫자로 남깁니다. 정확도, 오차, 처리 시간, 필요한 데이터의 양처럼 종래 기술과 나란히 놓을 수 있는 숫자입니다. “정확도가 향상된다”는 문장만으로는 심사관을 설득하기 어렵습니다. 결품 감지 AI라면 결품을 발견하기까지 걸린 시간이 몇 분에서 몇 분으로 줄었는지, 잘못 알린 비율이 얼마나 낮아졌는지를 같은 매장, 같은 기간의 기존 방식과 비교해 적습니다. 매장 수, 기간, 칸 수 같은 실험 조건도 함께 적어 두면 심사관이 그 숫자를 믿을 근거가 됩니다. 출원 뒤에 낸 실험 결과는 명세서에 적힌 효과를 뒷받침할 수는 있어도, 적히지 않은 효과를 새로 주장하기는 어렵습니다. 숫자가 없다고 진보성이 부정되는 것은 아닙니다. 실험으로 숫자를 얻기 어렵다면, 어떤 구성이 어떤 원리로 그 효과를 내는지를 구체적으로 적어 둡니다.

명세서의 구체성과 청구항 1의 넓이는 서로 다른 일을 합니다. 명세서에 적힌 구체적 수단은 심사관을 설득하고, 무효 공격을 받았을 때 물러설 자리를 만듭니다. 청구항 1은 경쟁 제품을 막습니다. 둘을 섞으면 탈이 납니다. 명세서의 구체성을 그대로 청구항 1에 올리면 경쟁 제품에서 보이지 않는 한정이 생깁니다. 그래서 저는 두 층으로 씁니다. 청구항 1에는 입력, 출력, 출력의 쓰임처럼 밖에서 보이는 것을 둡니다. 학습 데이터, 전처리, 모델 구조, 수치는 종속항과 명세서에 단계적으로 쌓습니다. 심사관이 진보성을 문제 삼으면 먼저 보이는 쪽, 곧 출력의 쓰임과 현장 규칙에서 차이를 찾고, 그래도 모자라면 그다음 층을 꺼냅니다.

AI 발명을 출원하기 전에 저는 다음을 확인합니다.

입력 데이터의 종류, 형식, 얻는 방법을 적었는가.

학습 데이터의 구성과 정답을 만드는 방법을 적었는가.

입력과 출력의 관계를 적었는가. 전처리가 특징이면 원시 데이터와 학습 데이터의 관계까지 적었는가.

출력으로 기기나 서비스가 하는 일을 여러 갈래로 넉넉히 적었는가.

종래 기술과 비교한 효과를 숫자로 남겼는가. 숫자가 어렵다면 효과가 나오는 원리를 적었는가.

청구항 1에는 밖에서 보이는 것만 올리고, 나머지는 종속항으로 단계를 나눠 두었는가.

뿌리는 땅속에 있어 보이지 않지만 나무를 살립니다. 경쟁 제품에서 눈에 띄는 것은 가지 끝의 열매입니다. 강한 AI 특허는 뿌리를 명세서에, 열매를 청구항 1에 둡니다. 마지막 글에서는 한 건이 아니라 여러 건과 시간으로 막는 법, 곧 청구항 세트와 분할출원·계속출원을 다룹니다.

글 | 강대환 대표변리사