LLM e NLP Applicati all’IP: Opportunità e Criticità per le Aziende Tech

Negli ultimi anni l’applicazione delle tecnologie di Natural Language Processing e dei Large Language Models nel campo della Proprietà Intellettuale ha suscitato un crescente interesse, soprattutto tra le aziende tech che vivono la pressione costante di innovare, proteggere il proprio know-how distintivo e mantenere un vantaggio competitivo.  Cosa sono gli LLM e come funzionano sono tematiche che sono state approfondite in precedenti articoli,  ci concentriamo oggi sugli LLM applicati ai brevetti, definendone quali sono i limiti e di come la semantic analysis e il machine learning per l’IP siano strumenti di indubbio valore nello specifico ambito di applicazione, sebbene apparentemente “superate” dalla nascita di tecnologie di Intelligenza Artificiale.

L’analisi dei brevetti e dei documenti tecnici rappresenta infatti un’attività cruciale, ma allo stesso tempo estremamente complessa. Gli LLM sembravano inizialmente la risposta ideale a questa complessità grazie alla loro capacità di leggere e sintetizzare grandi quantità di testo, così come l’AI per la ricerca dei brevetti poteva sembrare una soluzione rapida e poco costosa. Tuttavia, l’impatto reale di questi sistemi nel dominio IP è più articolato, e richiede un esame attento delle opportunità e delle criticità.

Il valore strategico dei dati brevettuali

I brevetti non sono solo strumenti legali, ma una delle fonti più ricche di conoscenza tecnologica, capaci di anticipare trend anche con dieci anni di anticipo. Permettono di capire dove investono i competitor, quali problemi restano irrisolti e quali soluzioni esistono già, riducendo significativamente gli sprechi di R&D. Tuttavia, la mole dei dati, la loro qualità disomogenea e la complessità del linguaggio tecnico rendono l’analisi estremamente difficile. L’AI nella gestione della proprietà intellettuale promette di semplificare questo scenario, ma nella pratica la complessità e la quantità dei dati brevettuali richiede un approccio più strutturato.

Quasi sono i limiti degli LLM applicati all’IP?

I Large Language Models hanno rivoluzionato la capacità di processare linguaggio naturale, permettendo interrogazioni avanzate, sintesi generative e analisi semantiche su larga scala. Tuttavia, quando vengono applicati ai brevetti, emergono limiti strutturali. Gli LLM sono modelli statistici che apprendono correlazioni e pattern tra parole, senza possedere una comprensione effettiva dei concetti tecnici sottesi. Questo porta al fenomeno delle allucinazioni, cioè risposte formulate con sicurezza nonostante la mancanza di basi solide. Si stima che nei task di retrieval nel campo brevettuale, la percentuale di errori significativi oscilli tra il 17% e il 33%, un livello inaccettabile per analisi che influenzano investimenti, strategie e decisioni ad alto impatto[1].

Un altro limite riguarda la capacità degli LLM di interpretare correttamente la funzione tecnica delle soluzioni descritte nei brevetti. Il linguaggio ingegneristico è basato su relazioni causali e principi fisici. Gli LLM, al contrario, operano per associazioni probabilistiche e non sono in grado di comprendere intrinsecamente i meccanismi fisici sottesi. Inoltre, l’AI può restituire risposte diverse a input simili, senza offrire una giustificazione chiara che permetta di ricostruire il processo logico seguito. Inoltre, i modelli falliscono quando si tratta di individuare i “segnali deboli”, perdendo informazioni strategicamente rilevanti.[2]

A questi limiti si aggiunge un’ulteriore criticità legata all’economia dei progetti AI. I sistemi agentici, concepiti per automatizzare sequenze complesse di operazioni, si stanno rivelando costosi da sviluppare e mantenere, con ritorni economici incerti. Secondo Gartner, oltre il 40% dei progetti di agentic AI rischia di essere abbandonato entro il 2027 proprio per questa ragione. Ciò dimostra quanto sia difficile affidare processi strategici e complessi a strumenti che non offrono solide garanzie di affidabilità.

[1] Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2024). Hallucination‑Free? Assessing the Reliability of Leading AI Legal Research Tools. Stanford Human‑Centered AI

[2] Ikoma, H., & Mitamura, T. (2025). Can AI Examine Novelty of Patents?: Novelty Evaluation Based on the Correspondence between Patent Claim and Prior Art

L’approccio ibrido: un modello più affidabile

La soluzione non è rinunciare agli LLM, ma integrarli in un approccio più solido, che unisca intelligenza artificiale e umana. Lo abbiamo dimostrato attraverso un test di analisi di landscape brevettuale basato su tre metodologie distinte: la prima, comune e applicabile da molti, ma sostanzialmente non corretta non essendo un LLM un motore di ricerca che opera su un database di dati tecnici (come ad ese brevetti o articoli scientifici) completo, utilizza un’AI generalista che fa ricerche su web (es. ChatGPT Search) senza supervisione esperta; la seconda prevede l’impiego dell’AI guidata da un esperto di dominio; la terza si fonda su modelli addestrati su basi dati proprietarie di Erre Quadro, integrati con un approccio human-in-the-loop per garantire controlli, verifiche e la capacità di stabilire con sicurezza quando interrompere l’analisi, avendo la certezza che i risultati ottenuti siano completi, pertinenti e privi di rumore. L’ambito tecnologico di approfondimento scelto era quello dei Rover terrestri per la logistica, veicoli autonomi progettati per movimentare materiali, prodotti o merci in ambienti industriali o outdoor, senza intervento umano diretto. Vediamo insieme cosa è emerso.

I risultati

Una volta interrogata su quali siano le direzioni di Ricerca e Sviluppo più profittevoli nel settore, l’AI generalista, non eseguendo realmente una ricerca su database di brevetti, ha restituito una narrazione generica basata su contenuti trovati online, senza dati verificabili, senza numeri e senza alcuna evidenza tecnica. Le descrizioni sono plausibili, ma prive di radicamento nei dati reali, segno evidente della scarsa affidabilità dei modelli linguistici se utilizzati senza contesto.

L’AI guidata dall’esperto compie un passo avanti, perché l’essere umano fornisce istruzioni più precise, definisce i confini dell’analisi e indirizza il modello verso specifici temi. Tuttavia, anche in questo caso i risultati rimangono incompleti, in quanto il sistema deduce le risposte rielaborando le informazioni che ha ricevuto in fase di training e da quelle che deduce dal web, ma non estrapolandole da un database completo e aggiornato. Le stime numeriche sono approssimazioni (“centinaia di famiglie brevettuali”), la distribuzione geografica è imprecisa e l’identificazione dei principali assegnatari non riflette la realtà del settore, che coinvolge attori di scala e natura molto diversa rispetto a quelli citati dai modelli generalisti, come avremo modo di vedere in seguito. Le classificazioni tecniche, infine, risultano parziali, non sistematiche e incapaci di rappresentare l’intero spettro delle sfide tecnologiche.

È grazie a un’AI addestrata su database proprietari aggiornati settimanalmente con i documenti più recenti e su un patrimonio di entità di dominio costantemente ampliato che diventa possibile costruire uno strumento capace di riconoscere tutti e soli i documenti realmente rilevanti, abilitando risultati davvero trasformativi, soprattutto se integrata in un approccio human-in-the-loop.
I risultati hanno restituito, innanzitutto, una quantificazione precisa della dimensione del patent set analizzato, composto da 15.787 pubblicazioni e 4.961 famiglie DOCDB. La distribuzione geografica è stata ricostruita correttamente e la classifica degli assegnatari emerge con chiarezza.

Anche la classificazione dei problemi tecnici risulta più ricca e articolata. L’AI addestrata con database proprietari riesce a distinguere le funzioni menzionate nei brevetti seguendo logiche ingegneristiche. Di seguito sono riportati i risultati organizzati in problemi e sottoproblemi che le diverse invenzioni affrontano, insieme alla loro numerosità e al grado di attualità, misurato in base alla frequenza con cui compaiono negli ultimi cinque anni.

Questo approccio ha permesso di individuare informazioni assenti negli altri metodi, come l’uso di connessioni wireless, la gestione di circostanze imprevedibili nell’ambiente, l’evitamento delle collisioni e il controllo del traffico, segno di una maggiore accuratezza e precisione dell’analisi.

Dal dato alla decisione: perché il modello ibrido è indispensabile

Il caso studio dimostra che la differenza tra un modello generalista e un modello progettato per l’IP, guidato da competenza umana, non è solo quantitativa, ma qualitativa. Mentre l’AI generalista crea una sintesi che può essere utile in fase di brainstorming ma non è adatta a decisioni strategiche, l’approccio ibrido offre una rappresentazione del settore fondata su dati accurati, aggiornati, strutturati e verificabili. Il test evidenzia come solo un modello di questo tipo sia in grado di recuperare non solo ciò che è evidente e frequente, ma anche ciò che è raro o emergente, come i segnali deboli che anticipano l’innovazione futura. La capacità di cogliere queste “code” di approfondimento è fondamentale per individuare aree tecnologiche in cui posizionare nuove soluzioni con reale potenziale brevettuale.