特許情報分析の基礎とIPランドスケープの実践を、生成AI（ChatGPT・Claude・Gemini等）の活用を軸に一気通貫で解説。生成AIを各工程に組み込んだ6段階の実践フローを仮想事例とともに紹介し、分析結果を経営提案・意思決定に接続する方法までをお伝えします。
こちらは2026/7/31実施WEBセミナーのアーカイブ（録画）配信です。期間中何度でも視聴できます。
１．はじめに
1.1 講師紹介
1.2 本セミナーの目的とゴール
２．特許情報分析とは
2.1 特許情報分析の基本と特許情報の読み解き方
2.2 特許情報分析の活用ケースと部門別活用ステージ
2.3 特許情報分析フロー（目的設定～プレ分析～現状分析）
2.4 仮想事例：市場の技術トレンド把握（水素燃料電池）
2.5 事業戦略立案フレームワークと特許ポートフォリオ
３．IPランドスケープの概要
3.1 IPランドスケープとは・定義・知財ガバナンスとの関係
3.2 公開事例と生成AI活用事例
3.3 対象ケース
（既存事業強化・用途探索・新規事業探索・アライアンス先探索等）
４．生成AIの基本と特許情報分析への活用
4.1 生成AIの基本概要と主要ツール比較
（ChatGPT・Claude・Gemini・NotebookLM）
4.2 生成AIの仕組みとハルシネーション — なぜ起こるか、知財実務での注意点
4.3 生成AI活用による「効率化」と「質の向上」の両立
4.4 よくある誤解と正しい使い所
５．IPランドスケープが失敗する理由と生成AIによる克服
5.1 失敗の典型パターン
（目的不明確・事業理解の浅さ・次アクション未接続等）
5.2 生成AIを組み込むことで失敗をどう減らせるか
5.3 IPランドスケープに生成AIを活用するメリット
（初速・情報幅・プレ分析・戦略整理・提案作成）
６．特許分析を支援する汎用生成AIツールとその使い分け
6.1 特許情報分析フロー×生成AIツールのマッピング
6.2 ChatGPT活用例
（論点整理・テキストマイニング・共起ネットワーク・BCGマトリクス等）
6.3 Claude活用例
（ダッシュボード・ビジネスモデルキャンバス）
6.4 NotebookLM活用例
（RAGによるフレームワーク分析）
6.5 Gemini活用例
（AI関数による分類付与）
７．AI-in-the-Loop — 人間×AIの協働設計
7.1 AI-in-the-Loopとは何か
7.2 人間が担う役割とAIが担う役割
7.3 運用で外してはいけない点
８．プロンプトエンジニアリングと品質設計
8.1 プロンプトエンジニアリングの基本原則と迷信
8.2 データ分析視点のプロンプト設計（構造化出力・RAG・Few-shot）
8.3 「一気に出力」が品質を壊す — Chain of Thoughtの考え方
8.4 「品質は工程で作り込む」— 工程ごとの品質確定設計
8.5 リスクレベルに応じた生成AIの使い分け
９．【実践編】生成AI×IPランドスケープ実践フロー（6段階）
9.1 目的設定・問いの設計
9.2 調査設計・母集団形成
9.3 プレ分析（ランドスケープ俯瞰）
9.4 現状分析（深掘り分析）
9.5 戦略の方向性整理
9.6 提案・意思決定への接続
１０．仮想事例
10.1 半導体企業A社×飲料メーカーのアライアンス
10.2 Visionalの生成AIを活用した新事業探索
１１．分析から提案に変える方法
11.1 ファクト→示唆→提案→次アクションの変換
11.2 エグゼクティブサマリーの作り方
11.3 良い成果物と悪い成果物の違い
１２．組織に実装するには
12.1 依頼・受託構造とKPIの設計
12.2 運用ルール・レビュー体制・企業事例
１３．【余談】アイデア創出と生成AI
13.1 アイデア創出手法と多空間デザインモデル×生成AI
13.2 自社技術を活用したテーマ創出フロー・事例
１４．まとめ
※一部修正をさせていただく場合がございます