La IA generativa transformará por completo la búsqueda tradicional de patentes

Últimamente tengo la impresión de que es muy probable que la búsqueda booleana se abandone en un plazo de cinco a diez años.

Palabras clave: un mismo concepto técnico puede expresarse de demasiadas formas. Por muchos sinónimos que añadas, siempre se escapa algo, y cada término nuevo introduce más ruido. Además, los resúmenes omiten buena parte del contenido técnico, mientras que buscar en la descripción dispara el volumen de resultados.

Clasificaciones de patentes: el sistema existe para distribuir el trabajo entre los examinadores, no para analizar patentes. Es complejo, acumula capas sobre capas, resulta inútil para tecnologías emergentes y está distorsionado por errores humanos. Conviene utilizarlo solo como apoyo.

La búsqueda tradicional sigue siendo la práctica dominante, principalmente por el coste.

  • Una búsqueda exhaustiva de novedad no beneficia a ninguna de las partes: si la invención ya está divulgada, el despacho no puede completar el asunto y el cliente tiene dificultades para explicarlo internamente. Algunos clientes tratan las patentes como una cuestión de prestigio y no pagan por un alcance de protección significativo, así que el despacho carece de incentivos para buscar. Las malas prácticas desplazan a las buenas.
  • A veces, la búsqueda tradicional basta. Salvo en FTO, la mayoría de las búsquedas pueden darse por terminadas sin ser exhaustivas, sobre todo cuando el cliente no distingue un trabajo bueno de uno malo.
  • No hay otras herramientas. La investigación académica va por delante de la industria en técnicas de búsqueda, pero esos métodos nunca llegaron a los sistemas utilizados.
  • Los expertos cubren las carencias por su cuenta: combinan decenas de consultas para mejorar la exhaustividad y después leen grandes cantidades de documentos para ganar precisión. Cuánto leen realmente queda a su conciencia.

Con recursos limitados, no se pueden maximizar a la vez la exhaustividad (recall) y la precisión. Cuando la exhaustividad supera el 80 %, la precisión suele caer por debajo del 30 %. Una búsqueda que devuelve 10.000 patentes sigue dejando miles de documentos para leer a mano, algo que los honorarios hacen inviable.

Además, una búsqueda no se audita a sí misma, porque hacerlo invita a encontrar problemas. Normalmente solo se exige medir exhaustividad y precisión en los análisis panorámicos de patentes, e incluso ahí solo la precisión puede medirse con exactitud. La exhaustividad exige contar lo que se ha omitido, y lo que nunca se recuperó no puede constituir el patrón de referencia. Lo habitual es sustituirlo por un conjunto de referencia construido con patentes de unas pocas empresas. Eso introduce sesgos: suelen seleccionarse las patentes más pertinentes, no los casos limítrofes que se escapan. La mayoría de las cifras de exhaustividad que aparecen en los informes se elaboran a medida.

Para alcanzar una calidad alta solo hay un camino: suficientes personas y suficiente dinero. Las horas de trabajo no se pueden eludir.

¿Qué aporta, entonces, la IA? Rapidez para leer grandes volúmenes de patentes. En mi propia implementación, alcanzar una exactitud alta sigue costando casi tanto como el trabajo humano. Pero, si baja el coste de los tokens, podremos despedirnos del antiguo flujo de trabajo.

Resulta incómodo cuestionar un método que llevo utilizando más de diez años. Pero, como la IA permite llevar la calidad a otro nivel, debo admitir que sencillamente no sabía lo que no sabía. La búsqueda por palabras clave no será inútil: su función se adelantará, como filtro inicial antes de la búsqueda con IA.

Soy profesional de patentes en Taiwán y estas observaciones reflejan mi experiencia allí.