La investigació recent publicada a arXiv sobre la detecció de text generat per intel·ligència artificial en patents ha destapat un repte que afecta oficines de propietat intel·lectual, bufets i empreses tecnològiques: els detectors automàtics fallen estrepitosament quan s'enfronten a reivindicacions de patents redactades per humans. L'estudi, que va analitzar 500 patents reals del sector telecomunicacions davant de 500 generades per models de llenguatge, va revelar taxes de falsos positius superiors al 60% en tots els detectors avaluats, amb pics del 80,5% a DetectGPT. La raó és estructural: els textos legals tècnics, especialment les reivindicacions, tendeixen a ser concisos i amb baixa perplexitat, exactament el mateix perfil que mostren els textos generats per IA. Això crea una “trampa de la perplexitat” que fa gairebé impossible distingir entre un advocat de patents experimentat i un model com GPT-4 o Llama.
Per a les empreses que protegeixen les seves innovacions mitjançant patents, aquesta situació és doblement problemàtica. D'una banda, l'Oficina Europea de Patents (EPO) ja ha endurit les seves guies per al 2026, exigint als sol·licitants la responsabilitat total sobre qualsevol contingut assistit per IA, sota els articles 83 i 42 del Conveni sobre la Patent Europea. De l'altra, l'article 84 exigeix claredat i concisió, cosa que empeny els redactors humans a adoptar un estil de baixa perplexitat i baixa burstiness —exactament les característiques que els detectors interpreten com a “sospitoses”. El resultat és que una patent perfectament legítima redactada per un expert pot ser assenyalada com a generada per IA, arriscant rebuigs o costosos procediments d'oposició.
L'estudi no es va limitar a un sol model o domini. Els investigadors van provar amb regeneracions usant Qwen2.5-3B-Instruct, capçals de puntuació LoRA adaptats a Pythia-2.8B, i replicacions creuades a les classes A61K (medicaments), C07D (química orgànica) i F03D (energia eòlica), obtenint una mitjana de falsos positius del 84,6%. Fins i tot en reavaluar amb els models publicats Falcon-7B i GPT-J-6B en maquinari H100 de datacenter, el problema va persistir. Això descarta que la causa sigui una capacitat limitada del model substitut; el fall és estructural, lligat a la naturalesa mateixa dels textos legals tècnics.
No obstant, no tot és pessimisme. El mateix estudio proposa una aproximació alternativa: una regressió logística basada en set característiques de complexitat lingüística que aconsegueix un 74% de precisió amb només un 28,1% de falsos positius, 13 punts percentuals per sobre d'una línia base basada únicament en perplexitat. Important és que aquest model no necessita calcular likelihood ni usar grans recursos de computació; funciona dins del mateix pressupost hardware d'una GPU de consum amb 8 GB de VRAM. Aquesta troballa obre la porta a solucions de programari més eficients i accessibles per a empreses que necessiten validar els seus documents tècnics.
A Q2BSTUDIO portem anys desenvolupant sistemes intel·ligents que ajuden les organitzacions a gestionar la seva propietat intel·lectual i complir amb normatives canviants. Sabem que la clau no és comprar detectors màgics, sinó integrar eines d'IA que s'adaptin al context real de cada client. Per exemple, podem construir aplicacions a mida que combinin anàlisi de perplexitat amb mètriques de complexitat sintàctica i semàntica, entrenades específicament sobre el corpus de patents de l'empresa. D'aquesta manera, es redueix dràsticament la taxa de falsos positius i s'ofereix una interpretació explicable de per què un document podria ser marcat com a generat per IA.
Més enllà de la detecció, la nostra experiència en cloud AWS/Azure ens permet desplegar aquests sistemes de forma escalable, processant milers de documents sense necessitat de costosos datacenters. Integrem també capacitats de BI / Power BI per visualitzar tendències en els informes de detecció, ajudant els equips legals a prendre decisions informades. I en un entorn on la ciberseguretat és prioritària, oferim solucions de ciberseguretat per protegir tant els models d'IA com les dades sensibles de les patents, evitant filtracions o atacs d'inversió.
Una altra àrea on podem marcar la diferència és en l'automatització de processos. Molts despatxos de patents dediquen hores a revisar esborranys i comparar reivindicacions amb l'estat de la tècnica. Amb agents d'IA personalitzats, és possible automatitzar part d'aquest flux, alliberant temps per a tasques de major valor. Aquests agents poden ser entrenats amb les pròpies patents històriques de l'empresa, aprenent l'estil i les convencions del sector, i oferint suggeriments de redacció que compleixin amb els requisits de claredat i concisió sense caure en la “trampa de la perplexitat”.
L'estudi d'arXiv ens recorda que la tecnologia de detecció d'IA no és una bala de plata, especialment en dominis especialitzats com les patents. Però també demostra que amb un enfocament de característiques lingüístiques ben dissenyat i maquinari assequible, és possible assolir nivells de precisió útils per a la pràctica real. A Q2BSTUDIO estem compromesos a ajudar les empreses a navegar aquest nou paisatge, combinant innovació en IA amb un profund coneixement dels processos de negoci. Ja sigui desenvolupant programari a mida, implantant solucions cloud o dissenyant agents intel·ligents, el nostre objectiu és que la tecnologia serveixi a les persones, no al revés.
La conclusió per als gestors d'innovació i propietat intel·lectual és clara: la intel·ligència artificial ha arribat per quedar-se en la redacció de patents, i les eines de detecció actuals són insuficients. La solució no passa per prohibir la IA, sinó per adoptar sistemes híbrids que combinin el millor criteri humà amb assistents algorítmics dissenyats específicament per al context legal-tècnic. Empreses com Q2BSTUDIO ofereixen l'experiència necessària per construir aquests ponts entre la tecnologia i la regulació, assegurant que les patents continuïn sent un instrument fiable de protecció de la innovació.
