Patentarbeit mit KI – verständlich, auch ohne Vorwissen.
Diese Seite ist bewusst als Lernstrecke gebaut: Sie steigen ohne Vorkenntnisse ein und verstehen Schritt für Schritt, wie moderne KI mit Patenten arbeitet – welche Daten es gibt, welche Modelle, wie sie zusammenspielen und was heute realistisch möglich ist. Kein Marketing, sondern Grundlagen zum Nachvollziehen.
Für wen ist diese Seite?
Für alle, die mitreden wollen: Erfinder:innen, Entwicklung, Geschäftsführung, IP-Verantwortliche – und für Einsteiger, die schlicht verstehen möchten, worum es geht. Sie können jeden Abschnitt einzeln lesen.
0. Kurz vorweg: die wichtigsten Begriffe
Bevor wir starten, ein Mini-Glossar. Klappen Sie auf, was Sie interessiert.
Was ist ein Patent überhaupt?
Ein Patent ist ein zeitlich begrenztes Schutzrecht (i. d. R. bis zu 20 Jahre) auf eine technische Erfindung. Im Gegenzug für den Schutz wird die Erfindung veröffentlicht – deshalb sind Patente eine gewaltige, offene Wissensquelle. Kern eines Patents sind die Ansprüche (englisch claims): Sie definieren juristisch exakt, was geschützt ist.
Anspruch / Claim
Der wichtigste und am präzisesten formulierte Teil. Anspruch 1 ist meist der breiteste. Wer prüfen will, ob etwas „kollidiert", vergleicht gegen die Ansprüche – nicht gegen die Zusammenfassung.
Stand der Technik / Prior Art
Alles, was vor dem Anmeldetag öffentlich bekannt war. Eine Erfindung ist nur dann neu und erfinderisch, wenn sie sich vom Stand der Technik abhebt. Prior-Art-Recherche ist daher die Kern-Fleißarbeit – und genau hier hilft KI enorm.
IPC / CPC – die Patentklassen
Internationale Klassifikationssysteme, die jedes Patent thematisch einordnen (z. B. B29C 44/04
für bestimmte Schäumverfahren). Sie machen gezieltes Monitoring und Landscaping erst möglich.
Embedding & Vektor-Datenbank
Ein Embedding verwandelt Text in eine Zahlenliste (Vektor), die seine Bedeutung abbildet. Ähnliche Inhalte liegen dann „nah beieinander". Eine Vektor-Datenbank speichert Millionen solcher Vektoren und findet in Millisekunden die semantisch ähnlichsten Dokumente – die Basis moderner Patentsuche.
LLM & RAG
Ein LLM (Large Language Model) ist ein Sprachmodell wie das, das ChatGPT antreibt. RAG (Retrieval-Augmented Generation) bedeutet: Das Modell schlägt vor der Antwort in einer geprüften Wissensbasis nach und antwortet belegt, statt frei zu „raten". Mehr dazu in Abschnitt 3.
1. Offene Patentdaten – das Fundament
Die Grundlage jeder guten Patent-KI sind Daten – und davon gibt es öffentlich erstaunlich viel. Millionen Patentdokumente sind mit Volltext, Ansprüchen, Klassifikation, Zitaten und Metadaten frei zugänglich. Das ist der entscheidende Punkt: Man muss keine teure Blackbox kaufen, um seriös zu starten.
- Google Patents Public Data – über 100 Mio. Publikationen weltweit, per Google BigQuery abfragbar.
- Harvard USPTO Dataset (HUPD) – 4,5 Mio. US-Anmeldungen, speziell für maschinelles Lernen aufbereitet.
- Amtliche Portale & APIs – DPMA (Deutschland), EPO (Europa), WIPO (weltweit), USPTO (USA).
Wichtig zu verstehen
Öffentliche Patentdaten sind bereits veröffentlicht – ihre Nutzung verrät nichts über Ihre eigenen Ideen. Die vertrauliche Ebene (Ihre unveröffentlichten Erfindungen) wird strikt getrennt behandelt. Wie diese Trennung technisch funktioniert →
→ Alle Datenquellen inkl. EU/DE im Detail, mit Links und Zugangswegen
2. Vortrainierte Modelle – man muss nichts neu erfinden
Ein KI-Modell von Grund auf auf Patenten zu trainieren, wäre extrem teuer. Muss man aber nicht: Auf Plattformen wie Hugging Face und GitHub liegen fertige, auf Patenttexte spezialisierte Modelle frei bereit. Jedes kann etwas anderes besonders gut:
| Modell (Beispiel) | Aufgabe |
|---|---|
| PatentBERT | Klassifikation & tiefes Textverständnis von Patentschriften |
| PatentSBERT | Semantische Ähnlichkeit – verwandte Patente & Prior Art finden |
| PatentT5 | Zusammenfassen & Textgenerierung für Patentinhalte |
| CPC/IPC-Klassifikatoren | Automatische Einordnung in die richtige Patentklasse |
| Allgemeine LLMs (Qwen, Llama, Mistral) | Sprachverständnis, Dialog, Entwurfshilfe – lokal betreibbar |
PatentGuard erfindet diese Modelle nicht neu – es kombiniert und orchestriert sie und hält die Basis aktuell.
3. RAG – Wissen abrufen statt auswendig lernen
Statt ein Modell teuer komplett neu zu trainieren, koppelt man ein Sprachmodell mit einer durchsuchbaren Patent-Wissensbasis. Das nennt sich RAG (Retrieval-Augmented Generation). Der Ablauf:
Der große Vorteil: Jede Aussage ist belegt und nachvollziehbar, die Wissensbasis ist jederzeit aktualisierbar (ohne Neutraining), und alles kann lokal laufen – vertrauliche Daten verlassen das Haus nicht.
4. Was daraus konkret möglich wird
Aus offenen Daten + vortrainierten Modellen + RAG entstehen die Funktionen, die ein Patentinhaber wirklich braucht:
- Automatische Recherche über alle großen Ämter – in Minuten statt Tagen.
- Ähnliche Patente erkennen, die eine reine Stichwortsuche übersieht.
- Neuheit einschätzen – erste Einordnung gegenüber dem Stand der Technik.
- Ansprüche entwerfen – als strukturierte Vorlage für den Anwalt.
- Kollisionen früh sichtbar machen – mögliche Überschneidungen mit fremden Rechten.
- Anmeldung vorbereiten – geordnete Unterlagen für das Anwaltsgespräch.
Die ehrliche Grenze
KI beschleunigt Recherche, Strukturierung und Entwurf. Sie ersetzt keine Rechtsberatung und keine anwaltliche Prüfung. Ziel ist, Sie so gut vorzubereiten, dass das (teure) Anwaltsgespräch kürzer, klarer und günstiger wird.