JPO y KIPO elevan el listón de divulgación en patentes de IA

Las señales recientes del JPO y del KIPO conviene leerlas como un cambio en la práctica de examen de las invenciones relacionadas con IA, no como una reforma llamativa de un solo golpe. No ha aparecido de repente una nueva “ley especial” de patentes para IA. Pero cuando la IP5 sigue afinando sus materiales comparativos sobre examen de invenciones de IA, el JPO refuerza su estructura de apoyo para estos casos y el KIPO sigue institucionalizando los intercambios entre examinadores y los marcos de examen ligados a IA, el mensaje práctico se vuelve bastante claro: una invención de IA tendrá cada vez menos margen para sostenerse solo con una promesa funcional y más necesidad de mostrar una vía técnica reproducible en la memoria.

Eso importa de inmediato para solicitudes sobre IA generativa, ajuste fino de modelos grandes, procesamiento de datos y despliegue de modelos. Los examinadores están más dispuestos a preguntar cómo se obtiene realmente el efecto técnico alegado, qué papel juegan los datos o el flujo de inferencia, qué pasos son indispensables y si la solicitud permite a un experto en la materia llevar la invención a la práctica sin rellenar por su cuenta el vacío central. Lo que se está endureciendo no es solo el lenguaje. Es la densidad probatoria.

No es una reforma repentina, sino una convergencia en la práctica de examen

La secuencia de hechos importa. En junio de 2024, la IP5 aprobó una tabla comparativa más detallada sobre casos de examen de invenciones relacionadas con IA. Ese mismo año, el JPO creó la función de “AI Advisors” para que expertos externos ayudaran a los examinadores a mantenerse al día en tecnologías de IA que evolucionan muy deprisa. Del lado coreano, el intercambio de examinadores con Japón lleva años apoyándose en la comparación de prácticas de examen, métodos de búsqueda del estado de la técnica y operación de los criterios de examen, mientras que KIPO sigue tratando la IA y otras tecnologías de la cuarta revolución industrial como un foco específico de examen. Visto en conjunto, no son anuncios sueltos. Son piezas de una misma infraestructura de examen que gana materiales, criterio y confianza para interrogar mejor las memorias de patentes de IA.

Eso no significa que cada solicitud de IA vaya a enfrentarse a una prueba jurídica totalmente nueva. Significa algo más práctico: se estrecha la tolerancia frente a memorias que prometen un resultado impulsado por modelos sin explicar con claridad el trayecto técnico que lo hace posible. La discusión ya no se queda solo en si la materia es patentable o si existe carácter técnico suficiente. Cada vez antes aparece otra pregunta: si la invención se ha divulgado con sustancia técnica bastante como para justificar lo que se reivindica.

La suficiencia de la divulgación se está descomponiendo en preguntas técnicas concretas

En solicitudes tradicionales, la suficiencia suele girar en torno a estructuras, pasos de proceso, rangos de parámetros y ejemplos de realización. En IA, muchos solicitantes condensan la contribución decisiva en expresiones amplias como “entrenamiento del modelo”, “procesamiento de datos” o “determinación inteligente”. Ese estilo defensivo pierde fuerza. Una memoria más sólida hoy anticipa las preguntas que probablemente formulará el examinador: qué tipo de datos de entrada intervienen, cómo se filtran, limpian, etiquetan o transforman, qué función concreta cumple el modelo o el motor de reglas, cómo se conecta la salida con un efecto técnico verificable y qué pruebas o métricas respaldan ese efecto.

Eso no significa que deba aportarse automáticamente el código fuente completo, todas las muestras de entrenamiento o la base de datos propietaria en su integridad. El problema no es divulgar por divulgar. El problema es si la ventaja alegada depende en realidad de condiciones técnicas que la memoria no explica. Si la novedad o el efecto descansan en una arquitectura de datos concreta, en un esquema de etiquetado, en una ruta específica de ajuste fino, en una canalización de recuperación o en una lógica de control de inferencia, una frase genérica según la cual el experto puede implementarlo ya no bastará con la misma facilidad.

La divulgación sobre datos de entrenamiento no será uniforme, pero el enfoque de caja negra pierde terreno

La pregunta práctica que muchas empresas se hacen es si ahora deberán revelar por completo sus datos de entrenamiento. Esa no es la mejor forma de plantearlo. Lo improbable es una obligación general y automática; lo que sí se vuelve más difícil es guardar silencio sobre rasgos de los datos que estén causalmente vinculados con el resultado reivindicado. Si la invención pretende mejorar la precisión, reducir alucinaciones, aumentar la robustez, limitar sesgos o hacer viable un modelo en un entorno industrial concreto, los examinadores tenderán cada vez más a preguntar qué condiciones de datos hicieron posible ese resultado. ¿Se apoya en datos públicos, datos propios o datos sintéticos? ¿Hubo filtrado o balanceo específicos? ¿El esquema de etiquetado alteró materialmente la salida? ¿Cómo se separaron entrenamiento y validación? No siempre hará falta una divulgación muestra por muestra, pero ya no es realista tratar esos elementos como simple trasfondo sin importancia.

Lo mismo ocurre en los casos de aplicaciones basadas en modelos grandes. Reivindicaciones que se limitan a decir que un gran modelo lingüístico mejora la gestión documental, optimiza un flujo industrial o refuerza la toma de decisiones suelen ser demasiado amplias para sostener un examen exigente. Lo decisivo es cómo se restringen las entradas, cómo se construye y actualiza la base de conocimiento, cómo operan la recuperación y el reordenamiento, cómo se fijan los umbrales de confianza, cómo se bloquean salidas inseguras o no conformes y cómo se reconecta el resultado del modelo con un proceso técnico concreto. Quien siga redactando con fórmulas como “puede utilizarse cualquier modelo”, “el método de entrenamiento no está limitado” o “la fuente de datos no está limitada” tendrá una tramitación más áspera en Japón y Corea.

Qué deberían cambiar ahora los solicitantes

Para quienes presenten solicitudes en Japón, Corea y otros mercados relevantes, la memoria merece ahora más atención que la simple ambición de la reivindicación principal. Primero, conviene separar la capa genérica de IA de la contribución técnica específica del sector. El examinador necesita ver si el avance real está en la capa del modelo, en la capa de datos, en la interfaz o en el proceso industrial subyacente. Segundo, los pasos indispensables deben figurar como parte de la invención y no quedar escondidos en realizaciones opcionales. Tercero, hay que reservar apoyo útil para el efecto técnico: comparativas, rangos de parámetros, lógica de control de errores, cambios en consumo de recursos, manejo de fallos y límites de implementación. Cuarto, cuando lleguen las acciones oficiales, no bastará con defender la solicitud con lenguaje comercial sobre eficiencia o conveniencia. Habrá que volver a lo que realmente dice la memoria y conectar el efecto alegado con esa divulgación.

Hay además una consecuencia de redacción más amplia. La costumbre de partir de una memoria matriz deliberadamente delgada y muy amplia para estrechar después resulta cada vez más arriesgada en invenciones de IA. Si la solicitud original no explica con claridad las condiciones de datos, la lógica de entrenamiento y los límites de implementación, las modificaciones posteriores pueden chocar con problemas de adición de materia, falta de soporte o insuficiente plausibilidad. En patentes de IA, redactar primero para la demostrabilidad y después para la amplitud ya no es una precaución excesiva. Se está convirtiendo en la opción más segura.