За внешним сходством задач в разных компаниях скрываются существенно разные контексты. Фарма и ИТ, медиагруппа и промышленное предприятие, стартап и публичное АО — каждый случай выдвигает свои требования к тому, какие именно операции автоматизировать, какие из них могут быть переданы модели с минимальным участием человека, а какие — ни при каких обстоятельствах. Управление интеллектуальными правами — это область ИС-функции в корпорации, где стоимость промедления, неточности классификации или упущенного нарушения измеряется значительными убытками, а иногда и конкурентными позициями на годы вперед. В материале расскажем, где ИИ может дать измеримую пользу в ИС-функции, какие при этом возникают юридические и организационные риски и чем подход в управлении интеллектуальными правами принципиально отличается, например, от автоматизации документооборота.
Прежде чем говорить об ИИ, полезно зафиксировать, что именно подлежит управлению. В крупной организации типичный пул задач включает:
- инвентаризацию и учет объектов ИС.
Сюда входят товарные знаки, изобретения, полезные модели, промышленные образцы, программы для ЭВМ и базы данных, ноу-хау, произведения, созданные работниками в рамках служебных обязанностей, объекты смежных прав. Реестр должен фиксировать не только сам объект, но и основания возникновения прав, правообладателя, территориальное покрытие, срок действия, статус уплаты пошлин, ограничения (залоги, лицензии, обременения);
- регистрационные действия.
Подготовка заявок в Роспатент, взаимодействие с экспертизой, ответы на запросы, уплата пошлин, продление, международные регистрации (в том числе через Мадридскую систему, РСТ);
- лицензионную работу.
Заключение, государственная регистрация (там, где она обязательна), исполнение и прекращение лицензионных договоров, договоров отчуждения, франчайзинг, сложные перекрестные лицензии. Управление роялти, отчетность перед лицензиатами и лицензиарами;
- мониторинг рынка.
Поиск потенциальных нарушений прав на принадлежащие компании объекты (от контрафакта на маркетплейсах до несанкционированного использования фирменного стиля). Параллельно «защитный» мониторинг: отслеживание чужих регистраций, которые могут создать препятствия бизнесу.
- комплексную проверку бизнеса (due diligence).
Проверка прав на ИС при слияниях, поглощениях, привлечении инвестиций, а также при заключении крупных контрактов (например, ИТ-подрядчик должен доказать чистоту своих прав на передаваемый код);
- сопровождение создания новых объектов.
Внутренние процедуры фиксации создания служебных произведений и изобретений, получение от работников необходимых документов, начисление авторских вознаграждений, проверка отсутствия заимствований;
- споры и защита прав.
Претензионная работа, формирование доказательственной базы нарушений, взаимодействие с судами и правоохранительными органами.
Каждая из этих задач формально понятна, но при глубоком погружении распадается на десятки подпроцессов со своей спецификой, где ИИ может показать себя с разной эффективностью.
Типовые сценарии внедрения ИИ
Извлечение данных из договоров
Портфель лицензионных договоров, договоров отчуждения, франчайзинговых соглашений, пользовательских лицензий (EULA) накапливается годами, часто в разных форматах.
Ключевые параметры (предмет, объем прав, территория, срок, эксклюзивность и пр.) нужны для ответов на регулярные запросы бизнеса и для реагирования на изменения в структуре группы. Языковые модели способны извлекать такие параметры из текстов договоров с качеством, достаточным для предварительного анализа.
Но здесь уже видна первая «развилка»: для пула однотипных EULA достаточно простой модели с набором шаблонных запросов. Для портфеля индивидуально согласованных лицензионных договоров крупной корпоративной группы нужна доменно-настроенная модель, работающая с внутренним глоссарием, знающая отличия терминологии в договорах 2005 и 2024 гг. и, что принципиально, умеющая отмечать случаи, когда формулировка договора не укладывается в стандартную схему.
Второй сценарий представляет собой уже не «установку модели», а проект по моделированию данных, обучению и настройке контроля качества.
Поиск прототипов и предварительная экспертиза
Работа патентного поиска — это еще одна область, в которой ИИ применяется не первый год. Семантический поиск по патентным базам, классификация по МПК, выявление близких решений на ранней стадии работы над заявкой позволяют значительно сократить время подготовки. Для товарных знаков: проверка на сходство до степени смешения с существующими регистрациями, в том числе с учетом фонетики и визуальной близости знаков.
Важно, что ИИ здесь не замещает эксперта, а работает в качестве «первого эшелона» фильтрации. Итоговое заключение о патентоспособности или о риске смешения остается за человеком, несущим профессиональную ответственность. Это отличает задачу от, например, извлечения параметров договора: там модель может ошибиться в отдельном поле, и ошибка быстро обнаружится.
В патентном поиске пропущенный прототип всплывает лишь на стадии экспертизы Роспатента, и цена ошибки — это поданная и отклоненная заявка, с потерянными приоритетом, пошлинами и временем.
Мониторинг рынка на предмет нарушений
Сканирование маркетплейсов, социальных сетей, рекламных площадок, доменных зон в поиске несанкционированного использования товарных знаков — типичная задача для компьютерного распознавания текста в связке с языковыми моделями. Результаты различаются: от автоматически формируемых досье на нарушителей до готовых проектов претензий.
Сюда можно отнести мониторинг социальных сетей на предмет репутационных атак, использования фирменного стиля в недобросовестной рекламе, «паразитирования» на известности бренда. Для компаний с сильным брендом данный сценарий один из самых быстроокупаемых.
Классификация и маршрутизация внутренних обращений
Компания среднего размера получает от внутренних подразделений сотни запросов в год: «можем ли мы использовать этот шрифт», «нужно ли регистрировать эту разработку как служебное изобретение», «как оформить совместное создание результата с подрядчиком» и пр. Значительная часть таких запросов имеет типовые ответы. ИИ вполне может играть роль первичного консультанта, отсеивая простые случаи и эскалируя сложные.
Ценность здесь не столько в автоматизации ответов, сколько в фиксации вопросов и формировании базы знаний. Со временем это дает возможность увидеть системные проблемы (например, что определенное подразделение регулярно задает одни и те же вопросы, что указывает на пробел в локальных регламентах).
Сопровождение регистрационных процедур
Такие процессы, как формирование пакетов документов для заявок в Роспатент, отслеживание сроков, напоминания о пошлинах, подготовка проектов ответов на запросы экспертизы, хорошо поддаются автоматизации.
Связка ИИ-агента с внутренней системой учета и календарем позволяет снять с юристов заметную долю операционной нагрузки, высвобождая ресурсы на содержательную часть: подготовку возражений, формирование стратегии по конкретной заявке, проработку нетипичных ситуаций.
«Пограничные» случаи: где типовые решения перестают работать
Если остановиться на типовых сценариях, может сложиться впечатление, что внедрение ИИ в ИС-функцию выглядит как задача развертывания готового решения. На практике именно «пограничные» случаи определяют, будет ли проект успешным.
Объекты ИС, созданные с участием ИИ
Российское законодательство исходит из того, что автором результата интеллектуальной деятельности признается гражданин, творческим трудом которого этот результат создан. Программа для ЭВМ, сгенерированная моделью на основании промпта (запроса) работника, попадает в зону неопределенности: с одной стороны, часть кода порождена без непосредственного творческого участия человека, с другой стороны, подготовка промпта, его последующая доработка такой творческий вклад содержат. Вопрос о том, где проходит граница, на уровне устоявшейся судебной практики пока не решен.
Для ИС-функции это означает, что управление правами на «гибридные» объекты не может строиться на тех же допущениях, что и управление классическими служебными произведениями.
Нужны локальные регламенты, фиксирующие степень участия ИИ, сохраняющие промпты и промежуточные версии, определяющие основания возникновения прав — и, возможно, пересматривающие подход к авторским вознаграждениям. Там, где риск спора о правообладании критичен (результаты, которые предполагается передавать третьим лицам), консервативной практикой становится требование к работникам документировать творческий вклад в работу с ИИ так же тщательно, как раньше документировалась работа над кодом или текстом.
Использование моделей, обученных на сторонних данных
Когда компания обучает внутреннюю модель на своих договорах и внутренних регламентах, вопросов возникает немного. Но как только в обучающий набор попадают сторонние материалы (пусть и легально приобретенные), возникает вопрос о правовом режиме результата: является ли такая модель производным произведением, и если да, то в каком объеме можно пользоваться ее выводами.
Практический вывод: для задач, где имеется риск «перетекания» чужих охраняемых элементов в продукты компании, нужен отдельный контур: с более строгим отбором обучающих данных, с документированием источников, с фильтрацией выводов. Универсальной рекомендации здесь нет: для одного типа задач приемлемо использовать широкие общедоступные модели, для другого нужна модель, обученная исключительно на верифицированных источниках.
Конфиденциальные материалы и режим коммерческой тайны
Ноу-хау, не оформленные в виде патентов технические решения, внутренние регламенты — все это требует режима коммерческой тайны, несовместимого с безоглядным использованием внешних облачных моделей. Для таких задач возможны только два архитектурных решения: либо локальный (on-premise) контур с моделью, не выходящей за периметр компании, либо корпоративный договор с провайдером, прямо запрещающий использование данных для обучения и фиксирующий технические и организационные меры защиты.
Выбор между этими вариантами — вопрос не столько технический, сколько оценки рисков, к которой ИС-функция должна быть готова.
Доказательственное значение результатов работы ИИ
Скриншот, полученный ИИ-агентом в ходе мониторинга, — сам по себе оперативная информация. Чтобы использовать такой материал как доказательство нарушения, нужно учитывать процессуальные требования: нотариальный осмотр страницы, фиксация даты и времени, сохранение метаданных, обеспечение возможности воспроизведения. Автоматизированная система должна проектироваться с учетом этих требований, иначе собранная «доказательственная база» рассыпется при первой же попытке предъявить ее в суде.
Межъюрисдикционные сценарии
В международной регистрации типовые решения почти не работают. Терминология патентного права в разных юрисдикциях совпадает лишь частично. Автоматический перевод описания изобретения может на выходе дать текст, формально похожий на оригинал, но содержащий подмены ключевых терминов. Для заявок через Мадридскую систему или РСТ такие подмены потенциально влекут риск отказа экспертизы или выдачи охраны с фактическим сужением объема, которое обнаруживается лишь на стадии судебного спора.
Полностью отказаться от машинного перевода в такой работе невозможно: масштабы этого не позволяют. Но доверять финальную редактуру модели — это значит сознательно увеличивать риск. Рабочая конфигурация, скорее, гибрид: черновой перевод моделью, редактура патентного поверенного, сверка терминологии с глоссарием компании и выборочный аудит выходов.
Применимость ИИ в споре
Когда дело уже в суде, роль ИИ принципиально меняется. В анализе противоположных позиций, поиске релевантной практики, подготовке проектов процессуальных документов модель вполне применима. Но любые фактические утверждения, цитаты норм, ссылки на акты высших судов должны проверяться вручную.
Правовые последствия: что меняется
Внедрение ИИ в ИС-функцию — это не только технологическая трансформация, но и правовой риск:
Ответственность за ошибки
При автоматизации процессов граница между «решение принял юрист» и «решение принял алгоритм под контролем юриста» размывается. Если модель пропустила сходное обозначение в предварительном поиске и компания в итоге получила отказ в регистрации — вопрос о том, чья это ответственность (юриста компании, патентного поверенного, поставщика модели), зависит от конкретной конфигурации сервиса и условий договора. Без прямого регулирования этих вопросов в договорах и в локальных актах компания рискует оказаться в позиции, когда ответственность размыта и в итоге возлагается на внутреннего работника.
Требования к персональным данным
Даже в ИС-задачах неизбежно всплывают персональные данные: авторы, работники — изобретатели, представители контрагентов. Использование моделей с обработкой на стороне поставщика подпадает под требования Федерального закона № 152-ФЗ. Трансграничная передача рассматривается как отдельный контур согласований. Это не блокирующий фактор, но он определяет выбор архитектуры.
Режим служебного произведения
Когда в создании служебного произведения участвует ИИ, вопрос о том, можно ли по-прежнему считать его «созданным творческим трудом работника», становится не риторическим. Локальные акты компании должны либо прямо определять порядок использования ИИ работниками и фиксировать принадлежность прав на результат, либо запрещать использование ИИ для конкретных видов работ, где принадлежность прав критична (например, создание ключевого программного обеспечения, предполагаемого к передаче клиентам или внесению в уставный капитал).
Вопросы добросовестного приобретения
Если модель использовалась для подготовки объекта, а обучалась она в том числе на охраняемых материалах, при передаче объекта третьему лицу возникает вопрос о гарантиях чистоты прав. В договорах уступки и лицензионных договорах уже начинают появляться соответствующие заверения и обязательства.
Антимонопольные и рекламные аспекты
Автоматическое формирование претензий по нарушениям товарных знаков в ряде случаев может квалифицироваться как злоупотребление правом. Это не теоретический риск: практика рассмотрения жалоб на «автоматизированное злоупотребление» уже формируется на крупных площадках, и позиция правообладателя, за чьей претензией стоит непроверенный алгоритмический вывод, становится все более уязвимой.
Коммерческая тайна
Использование внешних моделей в работе с материалами, составляющими коммерческую тайну, может быть расценено как нарушение режима тайны со всеми вытекающими последствиями. Режим коммерческой тайны, в отличие от патентной охраны, держится на принятых в организации мерах защиты, а неаккуратное использование ИИ может эти меры фактически обнулить.
Организация управления: на что смотреть при проектировании
Внедрение ИИ в ИС-функцию представляет собой, по сути, построение нового управленческого контура. Его устойчивость определяется не выбором модели, а тем, насколько аккуратно выстроены связанные процессы.
-
Данные. Любой ИИ-слой работает поверх данных. Перед внедрением моделей полезно провести инвентаризацию и консолидацию данных: это часто оказывается более трудоемкой частью проекта, чем собственно ИИ-компонента.
-
Контур принятия решений. Нужно заранее определить, где модель работает в режиме подсказки (рекомендует — человек решает), где в режиме первичного фильтра (отсеивает — человек работает с остатком), а где в полностью автономном режиме.
-
Запись и аудит. Каждое решение, принятое с участием модели, должно быть воспроизводимо: какой промпт, какая версия модели, какие данные на входе и какой результат. Это требование критично для регистрационных действий и для формирования доказательственной базы по нарушениям.
-
Обучение работников. Новые инструменты создают новые навыки. Это сложнее, чем написать политику: от работников требуется системная работа с типовыми ошибками, разбор кейсов, оценка качества работы с ИИ в рамках регулярной аттестации.
-
Политики и регламенты. Внутренние регламенты должны отвечать на многие вопросы: какие модели допустимо использовать, с какими типами данных, в каких задачах; кто отвечает за валидацию выходов; как фиксируется участие ИИ в создании объектов ИС и пр. Чем подробнее документы прописаны, тем меньше рисков.
- Поставщики и условия договоров. Договор с поставщиком модели не надо рассматривать как шаблонное соглашение между поставщиком услуг и клиентом (SaaS-контракт). В нем должны быть урегулированы вопросы, критичные для ИС-функции: использование данных заказчика, конфиденциальность, ответственность за ошибки, права на результаты, условия выхода.
Почему типового решения не существует
Наблюдение, к которому приходишь, сравнивая проекты в фарме, в ИТ, в медиа и в промышленном секторе: формальная похожесть задач («у нас много договоров — нам нужен типовой ИИ-сервис») при ближайшем рассмотрении всегда распадается на существенно разные требования. У каждой компании свой набор регуляторных ограничений, свой риск-профиль, своя архитектура данных, свой состав внутренних и внешних участников процесса.
У ИТ-компании доминируют задачи управления открытыми лицензиями, лицензионными программами и регистрацией программ для ЭВМ, при этом темп изменений принципиально другой. У медиагруппы — «центр тяжести» в зоне авторских прав, смежных прав, защиты от пиратства. У промышленного предприятия — это товарные знаки, промышленные образцы, ноу-хау в производственных процессах.
Из этого следует, что проектирование ИС-функции с элементами ИИ — это не задача «выбрать продукт и развернуть». Это задача, требующая последовательной диагностики. Масштаб проектов также сильно различается: где-то речь идет о встраивании одного ИИ-ассистента в существующий процесс согласования, где-то о комплексной перестройке всей работы с интеллектуальной собственностью в группе из десятков юридических лиц в разных юрисдикциях.
Эта подготовительная работа между «задачей» и «внедрением» определяет, станет ли ИИ в ИС-функции источником измеримой ценности или источником новых, неочевидных для менеджмента рисков. Практика последних двух лет показывает, что пилоты, запущенные без такой диагностики, в лучшем случае дают умеренный операционный эффект на узком участке, в худшем создают иллюзию автоматизации, за которой скрываются накопленные ошибки, обнаруживающиеся только при внешнем аудите или в суде.