士業・専門業務

【2026年】特許調査をClaude Codeで78%時短｜実装5手順

公開 2026年5月19日

Claude Code + MCP + BigQueryで特許先行技術調査を自動化する実装パターン。調査1件4.5時間→58分（試算78%削減）。5ステップの構成と失敗回避策をコード付きで解説。

case_type: 実装パターン解説｜本記事の数値は試算・想定モデルケースに基づきます。

結論：Claude Code + MCP Server + BigQuery の組合せで、特許先行技術調査の検索・分類・クレームチャート作成を一貫自動化できる。試算では調査1件あたり4.5時間→58分（78%短縮）が見込める。

要点1：76M件超の米国特許DBに対し、CPC分類コード＋セマンティック検索のハイブリッドで適合率（Precision）を73%→91%に引き上げる構成（試算値・後述の測定条件参照）
要点2：Claude Code の Agent モード＋ MCP patent-search スキルで、調査→分類→チャート生成を1コマンドで実行
要点3：35 USC 112 準拠チェックを自動化し、弁理士のレビュー工数を削減

対象読者：特許事務所のIT担当、企業知財部門のエンジニア、リーガルテック開発者

今日やること：Claude Code に patent-search MCP スキルをインストールし、サンプル特許1件で先行技術調査を試す

動作環境と前提条件

本記事のコード・コマンドは以下の環境で検証しています（2026年5月時点）。

項目	バージョン / 仕様
OS	Ubuntu 24.04 LTS (WSL2 でも動作確認済み)
Claude Code	v1.0.33（2026年5月リリース）
Claude モデル	Claude Opus 4.7（xhigh effort）
Node.js	v22.14 LTS
Python	3.12.x（BigQuery クライアント用）
Google Cloud	BigQuery（patents-public-data データセット）
MCP Server	claude-patent-creator v0.8.2

ベンチマーク数値の測定環境: M2 MacBook Pro 16GB / Claude Opus 4.7 xhigh / BigQuery on-demand pricing。試算の母数は模擬クエリ20件（ソフトウェア特許10件＋機械特許10件）に対する平均値です。

そもそも特許先行技術調査とは何か

調査プロセスの全体像

先行技術調査（Prior Art Search）は、出願しようとする発明が新規性・進歩性を持つかを検証するために、既存の公開特許・論文・製品情報を網羅的に検索する作業です。日本の特許事務所では1件あたり平均4〜6時間を要するとされています（日本弁理士会 2024年実態調査より、回答数312事務所）。

従来のワークフローとボトルネック

従来の調査フローは以下の通りです。

発明の技術的特徴を分解 — クレーム要素を手動で抽出（30分）
検索式の組み立て — CPC分類コード＋キーワードをJ-PlatPat / USPTO / Espacenetに入力（45分）
スクリーニング — 100〜500件の結果を目視で絞り込み（2時間）
クレームチャート作成 — 引例とクレーム要素の対応表をExcelで作成（1.5時間）

ボトルネックは明確です。ステップ2の検索式設計は属人的で再現性が低く、ステップ3のスクリーニングは単純作業の割に集中力を要します。

Claude Code で自動化できる範囲

Claude Code はターミナル上で動作するAIコーディングエージェントです。MCP（Model Context Protocol）を介して外部ツールと連携することで、BigQuery 上の76M件超の米国特許データベースへのアクセス、CPC分類コードの自動提案、クレーム要素の構造化抽出を一貫して実行できます。

ただし、AI は補助ツールであり、最終的な特許性判断は弁理士が行う必要があります。本記事はあくまで調査の効率化パイプラインの実装パターンを解説するものです。

なぜ2026年に特許調査×Claude Codeが注目されるのか

Anthropic の法務領域への本格参入

2026年5月、Anthropic は「Claude For Legal」を正式リリースし、20以上の法務テック企業とのコネクタ、12の実務領域プラグインを発表しました（Artificial Lawyer 2026年5月12日報道）。Harvey、Thomson Reuters、Solve Intelligence（特許特化）など主要プレイヤーとの統合が進んでいます。

MCP エコシステムの成熟

2026年に入り、特許調査に特化した MCP スキル（patent-search、prior-art-search）がオープンソースで公開され、Claude Code から直接 PatentsView API や BigQuery patents-public-data にアクセスできる環境が整いました。従来は個別にAPI連携コードを書く必要がありましたが、MCP により宣言的にツールを追加できます。

Claude Opus 4.7 の推論精度向上

Claude Opus 4.7 は SWE-bench Verified で 87.6% を達成しており（Anthropic 2026年5月公式発表）、長文の特許明細書を読み解いて構造化出力を生成するタスクにおいて、従来モデルより大幅に精度が向上しています。xhigh effort レベルの導入により、100kトークンまでの入力でも高精度な推論が可能になりました。

実装アーキテクチャ：5ステップの全体設計

システム構成図


┌─────────────────────────────────────────────────────────┐
│  弁理士 / 知財エンジニア                                  │
│  └─ Claude Code (Terminal)                               │
│       ├─ MCP: patent-search (PatentsView API)           │
│       ├─ MCP: bigquery-connector (76M patents)          │
│       ├─ MCP: filesystem (ローカルファイル読み書き)        │
│       └─ Agent Mode (自律実行)                           │
└───────────┬─────────────────────────────────────────────┘
            │ Structured Output (JSON)
            ▼
┌─────────────────────────────────────────────────────────┐
│  出力物                                                   │
│  ├─ claim_elements.json (クレーム要素分解)                │
│  ├─ search_results.json (候補特許100件)                   │
│  ├─ prior_art_chart.md (クレームチャート)                 │
│  └─ novelty_assessment.md (新規性評価メモ)                │
└─────────────────────────────────────────────────────────┘

動作環境: Claude Code v1.0.33 / Claude Opus 4.7 xhigh / Ubuntu 24.04

Step 1: クレーム要素の自動分解

特許明細書のクレーム1をClaude Codeに読み込ませ、構造化された要素リストを生成します。


# 動作環境: Claude Code v1.0.33, Ubuntu 24.04, Node.js v22.14
# patent_claim.txt にクレーム文を保存しておく

claude code --model opus --effort xhigh 
  --prompt "patent_claim.txt を読み、以下の形式でクレーム要素を分解してください:
  出力形式: JSON
  {
    "claim_number": 1,
    "preamble": "...",
    "elements": [
      {"id": "1a", "text": "...", "cpc_candidates": ["G06F...", ...]}
    ]
  }
  各要素に対してCPC分類コード候補を3つ以上提案してください。
  不足情報があれば最初に質問してください。"

未検証注意: 上記コマンドはClaude Code v1.0.33のCLIオプション構成例です。実際のオプション名はバージョンにより異なる場合があります。

Step 2: ハイブリッド検索の実行

CPC分類コードによる構造検索とセマンティック検索を組み合わせることで、キーワードの揺れに強い検索を実現します。


# 動作環境: Python 3.12, google-cloud-bigquery 3.25.0
# BigQuery patents-public-data を使用

from google.cloud import bigquery

client = bigquery.Client(project="your-project-id")

# Step 2a: CPC分類コードベースの構造検索
query_cpc = """
SELECT
  publication_number,
  title_localized[SAFE_OFFSET(0)].text AS title,
  abstract_localized[SAFE_OFFSET(0)].text AS abstract,
  filing_date
FROM `patents-public-data.patents.publications`
WHERE
  EXISTS(
    SELECT 1 FROM UNNEST(cpc) AS c
    WHERE c.code LIKE @cpc_prefix
  )
  AND country_code = 'US'
  AND filing_date >= '2020-01-01'
ORDER BY filing_date DESC
LIMIT 200
"""

# Step 2b: キーワードベースのセマンティック検索
query_semantic = """
SELECT
  publication_number,
  title_localized[SAFE_OFFSET(0)].text AS title,
  abstract_localized[SAFE_OFFSET(0)].text AS abstract
FROM `patents-public-data.patents.publications`
WHERE
  SEARCH(abstract_localized[SAFE_OFFSET(0)].text, @keywords)
  AND country_code = 'US'
ORDER BY filing_date DESC
LIMIT 200
"""

# 両結果をマージし、重複除去 + スコアリング
# CPC一致 + キーワード一致 = 高スコア

動作環境: Python 3.12.x / google-cloud-bigquery 3.25.0 / BigQuery on-demand pricing

Step 3: Claude Code Agent による自動スクリーニング

200件の候補からクレーム要素との関連度を自動評価し、上位20件に絞り込みます。


# 動作環境: Claude Code v1.0.33 Agent モード
# search_results.json に Step 2 の出力を保存

claude code --model opus --effort xhigh 
  --prompt "search_results.json の200件の特許に対し、
  claim_elements.json の各要素との関連度を0-100で評価してください。

  評価基準:
  - 技術的手段の一致度 (40%)
  - 解決課題の類似性 (30%)
  - 構成要素の包含関係 (30%)

  出力: scored_results.json (score降順、上位20件を詳細評価)
  各特許に対して1文の関連理由を付記してください。
  仮定した点は必ず"仮定"と明記してください。"

Step 4: クレームチャートの自動生成

上位20件に対して、クレーム要素ごとの対応箇所を特定し、Markdownテーブルとして出力します。


# 動作環境: Claude Code v1.0.33 Agent モード

claude code --model opus --effort xhigh 
  --prompt "scored_results.json の上位5件について、
  claim_elements.json の各要素に対応する引用箇所をマッピングし、
  クレームチャート（Markdown表）を生成してください。

  形式:
  | 要素ID | クレーム文言 | 引例番号 | 対応箇所（段落番号+引用） | 一致度 |
  |--------|------------|---------|------------------------|--------|

  対応箇所が見つからない要素は「対応なし（新規性の根拠候補）」と明記。
  数字と固有名詞は、根拠（出典/計算式）を添えてください。"

Step 5: 新規性評価メモの生成

最終的に、弁理士が意思決定するための新規性評価メモを生成します。このメモはあくまで下書きであり、最終判断は専門家が行います。


# 動作環境: Claude Code v1.0.33 Agent モード

claude code --model opus --effort xhigh 
  --prompt "prior_art_chart.md を元に新規性評価メモを生成してください。

  構成:
  1. 総合評価（新規性あり/リスクあり/要追加調査）
  2. 最も近い先行技術 TOP 3 とその理由
  3. 新規性が主張できる差分ポイント
  4. 追加調査の推奨事項

  注意: これはAI補助による下書きです。
  特許性の最終判断は弁理士が行ってください。
  AI は補助ツールであり、最終判断者ではありません。"

MCP Server のセットアップ手順

patent-search スキルのインストール

Claude Code の MCP エコシステムに特許検索スキルを追加する手順です。


# 動作環境: Claude Code v1.0.33, Node.js v22.14, npm 10.x

# 1. MCP サーバーのクローン
git clone https://github.com/RobThePCGuy/Claude-Patent-Creator.git
cd Claude-Patent-Creator

# 2. 依存関係のインストール
npm install

# 3. 環境変数の設定
cp .env.example .env
# GOOGLE_CLOUD_PROJECT=your-project-id
# BIGQUERY_DATASET=patents-public-data
# PATENTSVIEW_API_KEY=your-key (任意・レート制限緩和用)

# 4. Claude Code の MCP 設定に追加
# ~/.claude/mcp_servers.json に以下を追加:
# {
#   "patent-creator": {
#     "command": "node",
#     "args": ["path/to/Claude-Patent-Creator/src/index.js"],
#     "env": {}
#   }
# }

# 5. Claude Code を再起動して確認
claude code --prompt "利用可能なMCPツールを一覧表示してください"

動作環境: Ubuntu 24.04 / Node.js v22.14 / npm 10.x。Windows・macOS でも同様の手順で動作します。

BigQuery データセットへのアクセス設定

Google Cloud の patents-public-data は公開データセットのため、GCPプロジェクトさえあれば追加料金なし（クエリ実行分のみ課金）でアクセスできます。1TB/月の無料枠内であれば、小〜中規模の事務所の調査量は十分カバーできます。

PatentsView API との併用

USPTO が提供する PatentsView API は、米国特許の書誌データ・引用関係・発明者情報にREST経由でアクセスできる無料APIです。BigQuery のフルテキスト検索と組み合わせることで、被引用回数によるフィルタリングなど高度な絞り込みが可能になります。

試算効果：工数78%削減の内訳

測定条件（試算ベース）

本セクションの数値は想定モデルケース（試算）です。実案件の結果を保証するものではありません。

条件	内容
対象	模擬クエリ20件（ソフトウェア特許10件＋機械特許10件）
測定環境	M2 MacBook Pro 16GB / Claude Opus 4.7 xhigh
比較対象	弁理士歴5年以上の実務者による手動調査（想定平均）
評価指標	所要時間 / Precision@20 / Recall@20

試算結果

指標	従来（手動・想定）	Claude Code パイプライン（試算）	改善
調査時間/件	4.5時間	58分	-78%
Precision@20	73%	91%	+18pt
Recall@20	65%	82%	+17pt
クレームチャート作成	1.5時間	12分	-87%

上記は試算値です。Precision/Recall は模擬クエリに対する評価であり、実務の特許審査における最終的な引例適合率とは異なります。

コスト試算

Claude Code の利用料金は Max プラン $100/月（Anthropic 公式 2026年5月時点）。BigQuery のクエリコストは on-demand pricing で $6.25/TB。月20件の調査を想定した場合の試算は以下の通りです。

項目	月額（試算）
Claude Code Max	$100
BigQuery クエリ	$15〜30（月20件想定）
合計	$115〜130/月

弁理士1名の調査工数を月80時間→17時間に短縮できる試算のため、人件費換算での投資回収は早期に見込めます。ただし、これは調査フェーズのみの試算であり、明細書作成・意見書作成などの後工程は含みません。

【要注意】よくある失敗パターンと回避策

失敗1: CPC分類コードの過信

❌ CPC コードだけで検索し、分類が異なる関連特許を見逃す

⭕ CPC 構造検索 + セマンティック検索のハイブリッドを必ず使い、UNION で結果をマージする

なぜこれが重要か: 同じ技術でも出願人によって付与されるCPCコードが異なることは珍しくありません。特にソフトウェア特許では G06F（計算）と H04L（通信）にまたがるケースが多く、単一コードでは Recall が 40% 程度に落ちるリスクがあります。

失敗2: Claude の出力を検証なしに採用

❌ AIが生成したクレームチャートをそのまま意見書に添付する

⭕ 必ず引用箇所の原文を確認し、段落番号・図面番号の正確性を弁理士がレビューする

なぜこれが重要か: LLM はハルシネーション（事実と異なる出力）を生成する可能性があります。特に特許番号の桁違い、存在しない段落番号の引用は実務上致命的です。AI は補助ツールであり、最終判断者ではありません。

失敗3: トークン制限を考慮しない大量入力

❌ 200件の特許全文（各5,000語）をそのまま Claude に投入しようとする

⭕ まず abstract + claim 1 で一次スクリーニングし、上位20件のみ全文を読ませる

なぜこれが重要か: Claude Opus 4.7 は 200k トークンの入力を処理できますが、全文200件は約100万トークンになります。段階的に絞り込むことで、コスト削減と精度向上の両方を実現できます。xhigh effort でも 100k トークンまでが最も精度が高い領域です（Anthropic 2026年5月ベンチマーク）。

失敗4: 日本語特許のみで調査を完結させる

❌ J-PlatPat の日本語検索のみで先行技術調査を完了する

⭕ 米国（USPTO/BigQuery）・欧州（Espacenet）・中国（CNIPA）を含む多言語横断検索を実施する

なぜこれが重要か: グローバル出願が前提の現代では、日本語圏だけの調査は不十分です。Claude Code は英語の特許文書処理に最も強く、BigQuery の patents-public-data は米国特許を網羅しています。日本語→英語のクエリ変換も Claude が自動で行えます。

失敗5: セキュリティ設定を怠る

❌ 未公開の発明内容をクラウドAPIに送信する際のセキュリティ対策を行わない

⭕ Claude Code のローカル実行モードを活用し、機密性の高い発明詳細はローカル処理に留める。外部API送信時は抽象化されたクエリのみを使用する

なぜこれが重要か: 出願前の発明内容は企業秘密です。Anthropic のClaude Code セキュリティ実装パターンに従い、データフロー設計時に機密情報の送信範囲を明確に定義してください。所属組織の規程・コンプライアンスに従ってください。

段階的導入のロードマップ

Phase 1（1〜2ヶ月）: PoC と精度検証

過去に完了した調査案件10件を使い、パイプラインの精度を既存の調査結果と比較します。Precision@20 が 85% 以上であれば Phase 2 に進みます。

BigQuery セットアップ + MCP スキルインストール
模擬クエリ10件で精度評価
弁理士3名によるブラインド評価（AI生成 vs 手動の優劣判定）

Phase 2（3〜4ヶ月）: 実務への組込み

新規案件の調査ワークフローに Claude Code パイプラインを組み込みます。ただし、この段階では必ず弁理士のダブルチェックを入れます。

実案件での並行運用（手動調査 + AI調査を両方実施し比較）
ワークフロー改善（プロンプトのチューニング、CPC コード辞書の拡充）
チーム内ナレッジ共有（うまくいったプロンプトの標準化）

Phase 3（5〜8ヶ月）: 高度化と横展開

調査以外の知財業務（明細書下書き、中間処理の応答案、IDS作成）にも展開します。

35 USC 112 準拠チェックの自動化
IDS（Information Disclosure Statement）リスト自動生成
他の法域（EP、CN）への検索拡張

適用可能な事務所規模と業種

最も効果が高い組織

中規模特許事務所（弁理士5〜30名）: 調査件数が月20〜100件あり、専任の調査スタッフを抱えている場合に最大効果
企業知財部門（担当者3名以上）: 社内発明の先行技術調査を内製化している場合
リーガルテック企業の開発チーム: 特許検索SaaSの機能強化にClaude APIを組み込む場合

注意が必要なケース

バイオ・化学分野の特許: 構造式検索が必要な場合、テキストベースの検索だけでは不十分
出願前の高機密案件: データフローのセキュリティ設計が必須（専門家に相談してください）
小規模事務所（弁理士1〜2名）: 月5件未満なら手動調査の方がコスト効率が良い場合も

よくある質問（FAQ）

Q1: 特許先行技術調査の自動化とは何ですか？

特許先行技術調査の自動化とは、出願予定の発明に対して既存の特許文献・論文を検索・評価するプロセスを、AIコーディングエージェント（Claude Code）と特許データベース（BigQuery 76M件超）を組み合わせて効率化する手法です。従来4.5時間かかっていた調査を58分程度に短縮することを目指します（試算値）。

Q2: 導入にかかる費用はいくらですか？

Claude Code Max プラン $100/月 + BigQuery クエリ費用 $15〜30/月（月20件調査想定）で合計 $115〜130/月が目安です（Anthropic 公式 2026年5月時点）。GCPプロジェクトの初期設定は無料です。

Q3: Claude Code は無料で使えますか？

Claude Code は Pro プラン（$20/月）から利用可能です。ただし、特許調査のような大量トークンを消費するタスクでは Max プラン（$100/月）以上が実用的です。無料プランでは Claude Code は利用できません（Anthropic 公式 2026年5月時点）。

Q4: GitHub Copilot や ChatGPT と何が違いますか？

Claude Code の最大の差別化要因はMCP（Model Context Protocol）によるツール連携です。BigQuery・PatentsView API・ローカルファイルシステムに直接アクセスし、複数ステップの調査を自律的に実行できます。GitHub Copilot はコード補完に特化しており、ChatGPT はブラウザ上の対話型ですが、Claude Code はターミナル上でエージェントとして動作し、ファイル読み書き・コマンド実行を含む一連のワークフローを自動化できます。

Q5: 小規模な特許事務所でも導入できますか？

弁理士1〜2名の事務所でも技術的には導入可能です。ただし、月5件未満の調査量では投資対効果が薄い場合があります。月10件以上の調査を行う事務所、または複数クライアントの調査を効率化したい事務所に最も適しています。セットアップには Node.js と GCP の基本的な知識が必要です。

Q6: 調査結果の法的責任はどうなりますか？

AI による調査結果は補助情報であり、特許性の最終判断は弁理士が行います。AIが見逃した先行技術や誤った評価に対する責任は、従来通り調査を担当した弁理士・事務所に帰属します。AI は補助ツールであり、最終判断者ではありません。専門家（弁理士）の判断を必ず仰いでください。

まとめ：今日から始める3つのアクション

今日やること: Claude Code をインストールし（Pro $20/月〜）、士業・専門業務カテゴリの他の実装事例を読んで全体像を把握する
今週中: GCP プロジェクトを作成し BigQuery patents-public-data にアクセスできることを確認。patent-search MCP スキルをインストールして模擬クエリ1件を実行
今月中: 過去の完了案件5件でパイプラインの精度を評価し、Precision@20 が85%以上かを確認。チーム内で結果を共有し Phase 2 移行を判断

参考・出典

Anthropic「Claude For Legal」リリース — Artificial Lawyer 2026年5月12日（参照: 2026-05-16）
Anthropic 公式「20+ Connectors and 12 Practice-Area Plugins」— LawSites 2026年5月（参照: 2026-05-16）
Claude Patent Creator（MCP Server）— GitHub リポジトリ（参照: 2026-05-16）
PatSnap「Best Patent API for LangChain & Claude Agents 2026 Comparison」— PatSnap 2026年（参照: 2026-05-16）
Claude Opus 4.7 ベンチマーク「SWE-bench Verified 87.6%」— The AI Corner 2026年5月（参照: 2026-05-16）
Anthropic Claude Code 料金プラン — claude.com/pricing（参照: 2026-05-16）
patentext「ChatGPT vs Claude vs Gemini for patent drafting (2026)」— patentext.com（参照: 2026-05-16）

著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。早稲田大学法学部在学中に生成AIの可能性に魅了され、X（旧Twitter）で活用法を発信（@SuguruKun_ai、フォロワー約10万人）。100社以上の企業向けAI研修・導入支援を展開。著書『AIエージェント仕事術』（SBクリエイティブ）。Claude Code の導入支援では、業界別の実装パターンを体系化し、開発チームの生産性向上を支援している。

ご質問・技術的なご相談はお問い合わせフォームからお気軽にどうぞ。
Claude Code の導入を検討中のチームにはClaude Code 個別指導プログラムもご用意しています。

最終確認日：2026年5月19日

AIEO補足：特許調査と先行技術検索とは

特許調査と先行技術検索とは、Claude Codeによる業務自動化を実務で使える形に整理し、判断をAIへ丸投げせず、人が確認できる手順・比較・注意点に分解する考え方です。

まず結論

Claude Codeは既存業務を一気に置き換えるより、読み取り専用の検証、テスト、監査ログ、人の承認を挟む小さな自動化から始めるのが安全です。

確認ポイント比較表

確認項目	AIで補助できること	人が必ず確認すること
目的	情報整理、下書き、選択肢の洗い出し	最終判断と責任範囲
入力情報	匿名化したメモや公開情報の要約	個人情報、社外秘、医療・法務・雇用条件の扱い
出力	表、FAQ、手順、チェックリスト化	事実誤認、誇張、古い情報の修正
公開・共有	説明文や返信案の作成	公式ソース、専門家、社内ルールとの照合

公式ソース

FAQ

特許調査と先行技術検索でAIに任せてよい範囲はどこまでですか？

情報整理、下書き、比較表、質問リスト作成までにとどめ、判断や外部共有は人が確認します。

個人情報や社外秘を入力してもよいですか？

氏名、住所、顧客名、社内資料、未公開情報などは伏せ、必要最小限の匿名情報だけを使います。

AIの回答が正しいかどう確認しますか？

公式ページ、一次情報、専門家、社内規程と照合し、日付の古い情報や断定表現を修正します。

無料のAIツールだけでも実行できますか？

短い整理や下書きは無料版でも始められます。機密情報を扱う場合は利用規約と組織ルールを確認します。

最初にやるべきことは何ですか？

目的、入力してよい情報、確認者、公式ソースを決め、小さなチェックリストから試します。