李淑蓮╱北美智權報 編輯部
全球智慧財產權（IP）行政的戰略重心，正從過去著重於專利授予後的「事後符合性驗證」，轉向主動預測和管理審查流程中的一致性風險。美國專利商標局（USPTO）即將於2026財政年度啟動的數據驅動品質倡議，是這一轉型的核心典範[1]。該倡議旨在利用高階統計數據，客觀找出審查結果中「統計偏差最大」的區域，並將有限的品質管理資源，精準聚焦於這些高風險的離群值（Outliers）環節[2]。USPTO強調，強健的專利權始於一致的審查，公眾應不論由哪位審查員處理[3]，都對相似申請案能獲得比照待遇充滿信心。
全球專利品質管理典範的轉向：從合規性到一致性
統計數據被視為一個理想且客觀的起點，用來評估審查特性並突顯實務可能偏離既定規範的區域[4]。儘管統計數據本身不直接決定專利品質，但它們能夠有效地引導管理層將注意力集中在不一致性風險最高的領域[5]。例如，在品質審核的流程控制中，通常會採用統計方法，將偏離平均值超過三個標準差（3-sigma）的偏差視為「失控的離群值」，並對這些審查單元或審查員進行優先調查與干預[6]。此外，USPTO也通過其複合品質指標（Composite Quality Metric, CQM），將品質測量從單純的最終決定是否正確，擴展至涵蓋審查員初步檢索的品質、首次實質審查意見的遵循程度等多個關鍵過程指標[7]。這種數據驅動的機制，正是為了提高審查流程的一致性、減少結果的變異性，並增強公眾對已授專利權可靠性的信心。
| 特徵 | 傳統品質保證（事後抽樣） | 數據驅動品質倡議 (USPTO) |
| 核心目標 | 合規性驗證、糾正最終決定中的錯誤 | 一致性管理、減少審查結果的變異性 |
| 檢測範圍 | 隨機抽樣或目標性抽樣（低比例） | 審查員群體的全體數據分佈分析 |
| 風險識別方法 | 人工審查員識別錯誤 | 統計過程控制（如3-sigma）識別異常值 |
| 關鍵測量點 | 最終決定書的正確性 | 複合指標：涵蓋檢索品質、首次意見、訴訟穩健度 |
| 資源部署 | 平均分配於所有審查結果 | 戰略聚焦於數據識別出的高偏差區域 |
表1. 傳統與數據驅動品質保證模型的比較；整理製表：北美智權報 / 李淑蓮
IP5主要智財局的一致性管理框架比較
除了USPTO的數據驅動模型外，其他主要智慧局（IP5）也透過組織結構、強制性流程與先進技術的整合，積極管理審查的一致性：
日本專利局（JPO）：強制諮詢與外部驗證
JPO將「審查員判斷一致性」，尤其是針對發明性判斷的一致性，列為品質加強的重點項目[8]。JPO的關鍵策略在於制度化「強制諮詢機制」。審查員必須對某些指定類型的案件（例如涉及不同審查部門的申請案或特定的新興技術，如IoT相關申請案）進行強制性的意見諮詢[9]。這種跨部門的強制協作，能有效地將書面指南轉化為全體審查員共享的統一實務慣例，從源頭上減少法律解釋的差異。此外，JPO還會邀請外部專家對其品質管理系統進行客觀驗證與評估，以確保品質管理的透明度與客觀性[10]。
韓國智財局（KIPO）：組織重組與流程輔助
KIPO採取結構性和技術性雙軌策略。在結構層面，KIPO於2019年成立了「數位融合審查局」[11]。此組織重組旨在應對涉及多個技術領域的第四次工業革命（4IR）相關發明（如AI、大數據），通過審查員群體共享專利性判斷意見，來提升審查服務的一致性[12]。在技術層面，KIPO利用先進的資訊系統，例如「專利審查指導系統」，通過自動輸入引證文獻信息、核實文獻類別的分配、以及檢查報告撰寫中的錯誤，從而確保審查報告的標準化和程序性的一致性，極大減少了審查員在文書工作和報告格式上的差異[13]。KIPO在歷史上也將「拒絕理由的一致性」視為六個關鍵評估視角之一[14]。
歐洲專利局（EPO）：AI技術輔助統一適用
EPO將品質視為一個整體性的持續改進過程，其策略是直接利用最新的人工智慧AI技術來支持審查員正確且一致地適用《歐洲專利公約》（EPC）及其審查指南[15] 。這代表AI已不僅僅是用於提升效率的工具，更是用於標準化複雜法律解釋，並增強準司法判斷一致性的輔助工具。
中國國家知識產權局（CNIPA）：效率、AI與高價值指標
CNIPA透過大規模部署AI輔助審查系統，實現了效率與準確性的雙提升。AI輔助系統利用機器翻譯和自然語言處理等技術，自動分配現有技術文獻、進行圖像檢索，並識別申請文件中的缺陷[16]。這些技術幫助將發明專利平均審查週期大幅縮短至15.5個月，同時維持95.2%的審查準確率[17]。此外，CNIPA也透過追蹤「每萬人口擁有的高價值發明專利數」等指標，將政策重心轉向鼓勵創新品質[18]；同時也透過在審查指南中澄清提交後續補交實驗數據的標準，來統一審查員在處理實體證據方面的實務操作[19]。
| 五大IPO | 一致性管理核心策略 | 關鍵技術或制度 | 品質測量指標/重點 |
| USPTO | 數據驅動的資源聚焦於高變異性區域 | 3-sigma離群值監測 ；複合品質指標（CQM） | 檢索品質、審查過程一致性、結果變異性 |
| EPO | AI輔助法律規定（EPC）的統一適用 | AI/ML輔助技術 ；改進專利工作台 (PWB) | 品質行動計劃 (QAP)；持續數據分析與審計 |
| JPO | 制度化強制諮詢以減少實體判斷差異 | 針對特定案件的強制諮詢 ；外部專家客觀評估 | 審查員對發明性判斷的一致性 |
| KIPO | 組織專業化與程序自動化 | 數位融合審查局 ；專利審查指導系統 | 拒絕理由的一致性 ；4IR技術審查品質 |
| CNIPA | AI提升效率和實務標準化 | AI輔助審查與檢索系統 ；後續數據接受標準規範 | 審查準確率、高價值發明專利數量 |
表2. IP5審查一致性與品質指標比較；整理製表：北美智權報 / 李淑蓮
台灣智慧局（TIPO）現行框架評估與戰略差距
台灣智慧局（TIPO）目前具備品質檢核機制，並已針對新興技術發布了案例研究以確保概念標準化[20][21][22]。然而，TIPO的品質保證主要依賴對首次審查意見進行低比例的樣本審查，例如2024年對發明專利的抽樣比例約為2.4%[23]。這種低比例抽樣主要是一種事後合規性驗證，在戰略上存在三大關鍵差距。
首先，TIPO缺乏群體偏差的量化監測。現行抽樣審查無法有效監測整個審查員群體的審查結果的統計分佈和變異性。這意味著潛在的、統計上遠離群體平均值的「3-sigma離群值」難以被高效識別，導致系統性或個人的不一致性風險持續存在[24]。
其次，在技術輔助方面，儘管TIPO發佈了AI、IoT等領域的20個案例研究，但缺乏類似KIPO的審查指導系統或CNIPA的AI輔助檢索系統，使得指南的統一實施高度依賴人工培訓，缺乏客觀和大規模驗證實務一致性的技術手段。
對台灣智慧局的戰略轉型建議
綜上，筆者認為，TIPO應採納數據驅動轉型戰略，從被動的事後審查轉向主動的風險管理與精準干預，以確保發出「堅實、可靠」的專利權。
第一階段：建立一致性與偏差監測體系（數據驅動轉型）
TIPO的首要任務是將USPTO的統計過程控制原則引入其品質管理體系，從隨機抽樣轉向針對性監控。具體而言，應計算審查單元或個人在核心指標（例如核准率、發出審查意見的平均次數）上的統計基線，並應用3-sigma統計離群值分析，將任何統計上顯著偏離平均值的審查單元自動標記為高風險區域，成為品質審查資源的優先聚焦對象[25]。此外，應參考USPTO的複合指標（CQM）[26]，將追蹤範圍擴大到審查過程的早期品質，例如量化檢索的徹底性，這將有助於識別一致性風險的早期來源。
第二階段：流程制度化與強制協作機制
單靠數據無法解決法律判斷的差異。為確保審查員在應用TIPO發布的新技術案例研究時能使用「相同的概念」[27]，TIPO應制度化強制諮詢機制，仿效JPO的模式[28]。應要求所有涉及已發布指南（如AI、IoT）的專利申請，在關鍵審查節點（例如發出首次拒絕理由或核准通知前），必須進行跨審查官或跨單位的強制協作。這是將概念標準化轉化為實務一致性的最有效途徑。同時，TIPO應制度化引入外部專家對品質管理體系進行定期客觀評估，確保內部統計指標與外部使用者感知相符[29]。
第三階段：分階段導入AI輔助系統
TIPO應將技術投資視為提升一致性的關鍵手段。首先，應優先導入類似KIPO的程序一致性輔助系統[30]，利用AI輔助自動化審查報告撰寫、數據輸入和程序性錯誤檢查。此舉的目標是消除審查記錄中的「程序性噪音」，確保一旦統計偏差被識別出來，就能高精準度歸因於真正的實質判斷差異，從而使培訓和資源聚焦更具成效。隨後，TIPO可評估導入AI輔助檢索和分類工具的可行性[31]，確保審查員在複雜技術領域中的實體判斷一致性得到技術支持。
總言之，TIPO的戰略轉型應以「數據分析」為導向，以「流程協作」為手段，以「技術輔助」為工具，將有限的品質管理資源，從低效的隨機抽樣，轉移到精準針對統計偏差最高的「高風險」區域，從根本上提升專利審查的可靠性與一致性。
備註：
[1] USPTO Launches Data-Driven Quality Initiative to Address Areas of Highest Deviation, USPTO Alert, 11/21/2025
[2] Statistical Monitoring to Improve Consistency across the USPTO, USPTO.gov,
[3] 同註1
[4] 同註2
[5] The United States Patent and Trademark Office Needs to Strengthen Its Patent Examination Quality Review Program, U.S. Department of Commerce Office of Inspector General Office of Audit and Evaluation, AUGUST 28, 2025
[6] Quality metric, USPTO,
[7] ADOPTION OF METRICS FOR THE ENHANCEMENT OF PATENT QUALITY, FISCAL YEAR 2011, USPTO.gov,
[8] Release of the Results of the FY2023 Annual User Satisfaction Surveys on Examination Quality, Ministry of Economy, Trade and Industry, October 2, 2023
[9] Quality Management System for Patent Examination at the JPO, JPO, February 2019
[10] Report of the Subcommittee on Examination Quality Management (FY2017), Intellectual Property Committee / Industrial Structure Council, April, 2018
[11] Examination Fourth Industrial Revolution Technologies, Last updated 11 April 2023, MOIP
[12] 同註11
[13] Common Quality Framework for International Search and Preliminary Examination, INITIAL REPORT ON QUALITY MANAGEMENT SYSTEMS, prepared by Korean Intellectual Property Office, 28 FEBURUARY 2023
[14] A world-class IP service – KIPO ANNUAL REPORT 2009, KIPO, May 2009
[15] Quality Action Plan 2025, EPO, 2025
[16] China Focus: AI Used to Enhance Patent Examination Efficiency, Quality, CNIPA, Apr 25,2025
[17] 同註16
[18] Heightening IPR Protection Shores up Foreign Companies’ Confidence in Doing Business in China, China IP News, Feb 09,2022
[19] China | Recent updates on post-filing data for patent applications, Spruson & Ferguson., March 2025
[20] 《AI相關發明案例集》，經濟部智慧財產局，中華民國 114 年 9 月
[21] TIPO 為了應對人工智慧（AI）、物聯網（IoT）、區塊鏈等新興科技的發展，已經多次修訂相關的審查指引，像是在 2021 年修正了《電腦軟體相關發明專利審查基準》，並提供專門的案例彙編，針對以下五大領域提供了更具體的審查指引：新興科技（如AI、IoT、區塊鏈）相關發明，多數被歸類在《專利審查指南》第二篇第二章「發明」 以及 第二篇第十二章「電腦軟體相關發明」 中進行審查。
[22]《兩岸人工智慧AI相關專利審查匯總》，北美智權報，2022 年 1 月 5 日
[23] IPR EXAMINATIONS AND SERVICES, 2024 TIPO Annual Report, 2025
[24] 同註2
[25] 同註5
[26] 同註7
[27] 同註 20, 21, 22
[28] 同註9
[29] 同註10
[30] 同註13
[31] 同註16
