I．生成AI（大規模言語モデル）の基礎と知財業務への活用
1. 生成AI（LLM）の仕組みと基本特性
- 大規模言語モデルの基本概念と押さえるべき2大特性
　（ハルシネーション・プロンプトへの敏感性）
- Human-in-the-Loop（人間参加型）による品質確保の考え方
2. 主要生成AIツールの最新動向と使い分け
- ChatGPT、Claude、 Google AI、Microsoft Copilotの特徴と活用シーン
- 用途別LLMの使い分け（コーディング・画像生成・分析思考）と
　　知財業務での処理可不可の比較
3. 生成AIをより効果的に活用するために必要なスキルセット
- スキル1 ： プロンプト作成の考え方と改善サイクル
- スキル2 ： スプレッドシートのAI関数による大量処理
- スキル3 ： AIエージェントの活用とメリット・デメリット（秘密情報を扱う際のリスク）
- チャット・AI関数・AIエージェントの使い分け（プロンプトと手順を誰が設計するか）
- 生成AI時代の特許業務プロセスの全体像（権利化・特許データ分析）

II．生成AIを活用した特許出願実務
1. 生成AI活用の前提と明細書作成フロー
- 人間側の専門知識の重要性とオプトアウト設定の考え方
- 発明提案書作成から中間処理までを一貫して行う明細書作成フロー（6工程）
2. 発明提案書の作成
- LLMを活用した発明提案書ドラフトの作成（図面がない場合の対応を含む）
3. 先行技術調査の効率化
- LLMによるJ-PlatPat検索式の作成
- AIエージェントによるJ-PlatPat操作（デモンストレーション）
- AI関数による関連文献のスクリーニング（類似度評価）
- NotebookLMによる文献全文チェックと先行技術調査報告書の作成
4. 特許明細書・図面の作成
- AIコーディングエージェント（Codex／Claude Code）による長文明細書の作成
- 明細書作成スキル（Skill）の作成方法と活用
- AI生成案のチェックポイント（完成度の考え方と人間による確認）
- LLMによる特許図面（フローチャート・ブロック図）の作成

III．生成AIを活用した特許データ分析（ビール関連特許を題材としたケーススタディ）
1. 特許データ分析の重要性とAI活用のメリット（従来型分析との比較）
2. データ前処理：生データの分析可能な形への加工
- 出願人名寄せ、課題文章・解決手段文章の抽出、スクリーニング
- スプレッドシートのAI関数による課題分類・解決手段分類の生成と付与
- 生成AIによる分類精度の考え方
3. 定量分析：特許データの全体像を掴む
- 出願日×企業、課題分類×解決手段分類等のクロス集計と特許マップの作成
- 仮説領域の抽出と定量分析報告書の作成
4. 定性分析：注目領域を深掘りする
- 注目領域の特許データの深掘り分析と定性分析報告書の作成
5. 新規事業構想案の作成：分析から価値創造へ
- 分析結果に基づく新規事業案の発想と報告書の作成
- インフォグラフィック（図解）やプレゼン用スライドの生成

IV．全体のまとめと質疑応答

　□質疑応答□