前回の競合比較で定性評価（◎○△×）に留めた技術領域カバレッジを、競合の特許本文を実際に取得して定量化した改訂版。Preferred Networks 369件、Optim 300件サンプルを技術領域に分類し、エクサウィザーズとの構成比を実数で比較する。定性評価がどこで裏付けられ、どこで補正されたかを明らかにする。
◆ 実データ取得：PFN 369件・Optim 300件サンプルを技術分類（エクサ196件と比較）前回の競合比較レポートでは、競合の技術領域を公開情報ベースの定性評価（◎○△×）で示すに留まった。本改訂版（v2.2）では、競合の特許本文を実際に取得して技術領域に分類し、構成比という実数で裏付けた。結果、定性評価の多くは正しかったが、いくつか重要な補正が必要だと判明した。
エクサは機械学習・予測基盤が53.6%と突出し、AI半導体・材料・農業建設は0%。前回「運用・実装層に特化」という構造評価が、構成比で明確に裏付けられた。
PFNはAI半導体・計算基盤が29.0%で全社最大。前回の「半導体◎」評価は実数でも正しかった。一方、材料・科学計算は0.8%と件数では少数——深いが狭い領域で、件数評価では見えにくいことが分かった。
Optimは画像認識31.3%・汎用45.7%が中心で、農業・建設DXは件数では2.0%。前回「農業・建設◎」としたが、これは事業上の主力であって特許件数比率の主力ではないという重要な補正。事業の重心と特許の重心が一致しない好例。
前回はレート制限により競合の実データ取得を断念したが、今回は時間をかけて取得に成功した。手順は以下のとおり。
| 工程 | 内容 | 結果 |
|---|---|---|
| PFN取得 | 出願人名検索で全ページを取得（重複除去） | 369ユニーク公開 |
| Optim取得 | 母集団が大きいため先頭300件をサンプル取得 | 300件サンプル（構成比推定用） |
| 領域分類 | 発明の名称・要旨のキーワードで9領域に自動分類 | 各社の構成比を算出 |
| エクサ照合 | 前回取得の196件を同一領域定義で再集計 | 3社横並び比較が可能に |
英訳タイトルが汎用的（"Information processing"等）なため、キーワード分類では一定数が「その他・汎用」に落ちる（Optimは45.7%）。これは分類の限界であり、実際にはML基盤や各業界応用が「その他」に含まれる。またOptimは300件サンプルであり全3,167件の網羅ではない。構成比の傾向は読めるが、絶対数の確定には全件取得と本文精読が必要。本改訂は「定性から定量への第一歩」であり、完全な定量化ではない点を明示する。
3社の技術領域構成比を実データで並べる。これが本改訂版の核心であり、前回の◎○△×を数字に置き換えたものである。
| 技術領域 | エクサ % | PFN % | Optim % | 読み取り |
|---|---|---|---|---|
| 機械学習・予測基盤 | 53.6 | 23.6 | 2.7 | エクサの土台。実装層特化の証拠 |
| 画像・映像認識 | 27.0 | 22.0 | 31.3 | 3社共通の主戦場 |
| AI半導体・計算基盤 | 0 | 29.0 | 4.3 | PFN独壇場。エクサは不参入 |
| ロボティクス・制御 | 6.6 | 6.0 | 2.7 | エクサとPFNが拮抗 |
| 生成AI・LLM運用 | 3.1 | 1.4 | 1.3 | 全社萌芽。エクサが僅かに先行 |
| 医療・ヘルスケア | 5.1 | 0 | 3.3 | エクサが介護出自で保有 |
| 材料・科学計算・創薬 | 0 | 0.8 | 2.3 | PFNは深いが件数は少数（狭く深い） |
| 農業・建設・産業DX | 0 | 0 | 2.0 | Optim事業主力だが件数は少数 |
| セキュリティ・管理 | 0 | 0.3 | 4.3 | OptimのMobile Security反映 |
本改訂の最大の価値は、前回の定性評価（◎○△×）が実データでどこまで正しかったかを検証できた点にある。3つのパターンに整理する。
「PFNのAI半導体◎」（実数29.0%で最大）、「エクサの実装層特化」（ML基盤53.6%突出）、「3社の画像認識共通」（22〜31%）——これらは実数でも正しく、定性評価の妥当性が確認された。
「Optimの農業・建設DX◎」は、事業の主力ではあるが特許件数比率では2.0%と少数だった。事業の重心（プレスリリースで目立つ領域）と特許の重心（件数が集まる領域）が一致しないことが判明。定性評価は事業イメージに引きずられやすい、という方法論上の教訓。
PFNの材料・科学計算は0.8%と件数は少数だが、Matlantisという独自基盤を支える戦略的に重要な領域。件数比率だけでは「狭く深い」価値を見落とす。定量化は定性評価を補完するが、置き換えはしない——両者の併用が正しい。
定量化によって、前回の結論は大筋で維持されつつ、解像度が一段上がった。エクサの白地戦略の妥当性は、実数でさらに強固に裏付けられた。
生成AI運用はエクサ3.1%・PFN1.4%・Optim1.3%と全社が薄い萌芽領域で、かつエクサが僅かに先行。前回「攻めるべき白地（最優先）」とした判断が、実数で裏付けられた。早期に厚く出願する戦略的価値が確認できる。
AI半導体・材料・農業建設が0%という事実は、意図的な選択と集中の結果。ML基盤53.6%という一点集中は、限られた資源を運用層に投下する戦略の証拠。「避ける領域」の判断（半導体・材料・農業建設に手を出さない）は、実数で見れば既に実践されている。
Optimの農業DXのように、事業の重心と特許件数の重心はずれる。定量化は「件数の事実」を、定性評価は「戦略的重要性」を捉える。どちらか一方では誤る。v2.2の最大の学びは、両者を併記する分析設計の必要性である。
競合カバレッジの定量化により、IPランドスケープ手法は「定性評価＋定量裏付け」の二層構造へ進化した。残る課題は、Optimの全件取得（今回は300件サンプル）と、各特許のクレーム精読による「狭く深い」価値の評価。件数比率では見えない戦略特許（PFNのMatlantis関連など）を個別に拾う精読フェーズを加えれば、定量と定性が完全に統合される。これがv2.3への発展方向である。
本レポートは2026年5月時点で公開特許データベースから取得した実データに基づく。PFNは369ユニーク公開、Optimは300件サンプル（全3,167件の一部）、エクサウィザーズは196公開。技術領域分類は発明の名称・要旨のキーワードによる自動分類であり、英訳タイトルの汎用性により一部が「その他・汎用」に分類される限界がある。構成比は傾向を示すものであり、絶対数の確定には全件取得とクレーム精読を要する。本稿は方法論の定量化検証を目的とし、特定の投資・法務・事業判断を推奨するものではない。データソースの提供者名・士業の肩書は対外資料には記載しない方針を維持する。
知財を、経営の言葉へ翻訳する。現状の課題と方向性について、初回ヒアリング（90分・無料）でお話しできます。
初回ヒアリング（90分・無料）を申し込む →