Agentic KI im Patentwesen: Vom Textgenerator zum autonomen Prüfer
Agentic AI verändert die Patentpraxis grundlegend. Was autonome KI-Systeme von einfachen LLM-Wrappern unterscheidet und worauf es ankommt.
Agentic KI: Warum die nächste Generation der Patent-KI keine Textgeneratoren mehr sind
Die erste Welle der KI im Patentwesen war beeindruckend - und begrenzt. GPT-basierte Tools konnten Patentansprüche formulieren, Zusammenfassungen erstellen und einfache Recherchen durchführen. Aber sie hatten ein fundamentales Problem: Sie waren Einbahnstraßen. Eine Eingabe, eine Ausgabe, fertig. Keine Selbstkorrektur, keine iterative Verfeinerung, kein Verständnis dafür, ob das Ergebnis tatsächlich brauchbar war.
2026 verändert sich das grundlegend. Agentic AI - KI-Systeme, die autonom planen, handeln, prüfen und korrigieren - ist dabei, die Patentpraxis neu zu definieren. Nicht als Zukunftsvision, sondern als produktive Realität.
Was Agentic AI konkret bedeutet
Der Begriff "agentic" beschreibt KI-Systeme, die über die reine Textgenerierung hinausgehen und vier zentrale Fähigkeiten besitzen:
Selbstkorrektur: Das System erkennt Fehler in seinen eigenen Ergebnissen und korrigiert sie ohne menschliches Eingreifen. Wenn eine Patentrecherche keine relevanten Treffer liefert, formuliert ein agentic System die Suchstrategie automatisch um - es erweitert Begriffe, testet alternative Klassifikationen und verfeinert die Abfrage iterativ.
Mehrstufiges Reasoning: Statt einer einzelnen Inferenz führt das System eine Kette von Analyseschritten durch. Bei der Prüfung einer Patentverletzung etwa: erst den Anspruchswortlaut parsen, dann die beanspruchten Merkmale extrahieren, diese gegen das potentiell verletzende Produkt abgleichen und schließlich eine Bewertung der Verletzungswahrscheinlichkeit pro Merkmal erstellen.
Werkzeugnutzung: Agentic Systeme greifen auf externe Werkzeuge zu - Patentdatenbanken, Klassifikationssysteme, Zitiernetzwerke, Rechtstexte. Sie entscheiden selbständig, welche Quelle für welche Fragestellung relevant ist.
Iterative Verfeinerung: Das System verbessert seine Ergebnisse in mehreren Durchläufen. Ein erster Entwurf eines Patentanspruchs wird gegen den Stand der Technik geprüft, die Formulierung wird verschärft, die Abgrenzung zum nächstliegenden Stand der Technik wird optimiert - alles vor der ersten menschlichen Begutachtung.
Der Unterschied zu einfachen LLM-Wrappern
Die meisten "KI-Patent-Tools", die seit 2023 auf den Markt gekommen sind, sind im Kern LLM-Wrapper: eine Benutzeroberfläche vor einem großen Sprachmodell, ergänzt um ein paar Prompts und vielleicht eine Datenbankanbindung. Das ist nicht wertlos, aber es ist auch nicht agentic.
Ein LLM-Wrapper generiert einen Patentanspruch auf Basis einer Eingabe. Ein agentic System erstellt einen Entwurf, prüft ihn gegen bestehende Patente, identifiziert Überschneidungen, schlägt Umformulierungen vor, validiert die technische Konsistenz und liefert einen qualitätsgesicherten Vorschlag.
Der Unterschied ist nicht graduell - er ist kategorial. Ein LLM-Wrapper spart Zeit bei der Texterstellung. Ein agentic System spart Zeit bei der Texterstellung und bei der Qualitätssicherung und bei der Recherche und bei der Revision. Es verschiebt die Rolle des Patentanwalts vom Ersteller zum Prüfer.
Laut einer Umfrage von Clarivate aus dem Frühjahr 2026 nutzen bereits 41% der befragten Patentabteilungen KI-gestützte Tools. Aber nur 8% setzen Systeme ein, die sie als "autonom" oder "self-correcting" beschreiben würden. Die Kluft zwischen Adoption und tatsächlicher Agentic-Nutzung ist enorm.
Praktische Anwendungen in der Patentpraxis
Wo Agentic AI heute den größten Mehrwert liefert:
Anspruchsvalidierung: Das System analysiert formulierte Ansprüche gegen den identifizierten Stand der Technik und markiert potenzielle Neuheits- und Erfindungshöheprobleme. Nicht als Pauschalaussage, sondern merkmalsgenau - mit Verweis auf die konkret kollidierende Vorveröffentlichung.
Prior-Art-Analyse: Statt einer einmaligen Datenbankabfrage führt ein agentic System eine mehrstufige Recherche durch. Es beginnt breit, identifiziert relevante Dokumentenfamilien, analysiert die Zitierstrukturen, verfeinert die Suche auf Basis der Zwischenergebnisse und liefert einen priorisierten Recherchebericht.
Office-Action-Triage: Bei der Bearbeitung von Bescheiden prüft das System automatisch die zitierten Entgegenhaltungen, analysiert die Argumentation des Prüfers, identifiziert die stärksten und schwächsten Einwände und schlägt eine Antwortsstrategie vor. Für Kanzleien mit hohem Bescheidvolumen ist das ein erheblicher Effizienzgewinn.
Portfolioanalyse: Agentic Systeme können ganze Patentportfolios durchforsten, Cluster bilden, Lücken identifizieren und strategische Empfehlungen ableiten - etwa welche Patente für eine Lizenzierung geeignet sind, welche aufgegeben werden können und wo Nachmeldungen sinnvoll wären.
Risiken der Überabhängigkeit
Die Leistungsfähigkeit von Agentic AI bringt ein paradoxes Risiko mit sich: Je besser das System arbeitet, desto größer die Versuchung, ihm blind zu vertrauen.
Das wäre ein Fehler. Auch agentic Systeme halluzinieren - seltener als einfache LLMs, aber sie tun es. Insbesondere bei der Interpretation von Rechtstexten, bei der Bewertung von Äquivalenzverletzungen und bei der Einschätzung der kommerziellen Relevanz von Patenten bleiben menschliche Expertise und Urteilsvermögen unverzichtbar.
Die korrekte Metapher ist nicht der autonome Mitarbeiter, sondern der hochqualifizierte Assistent: Er liefert vorbereitete, durchdachte Ergebnisse, aber die finale Entscheidung trifft der Patentanwalt. Der European Patent Attorney bleibt verantwortlich - ethisch, berufsrechtlich und haftungsrechtlich.
Hinzu kommt das Risiko der Deskilling: Wenn Berufsanfänger nie lernen, eine Patentrecherche von Grund auf durchzuführen, weil die KI das übernimmt, fehlt ihnen die Erfahrung, um die Ergebnisse der KI kritisch zu bewerten. Kanzleien sollten bewusst Ausbildungskonzepte beibehalten, die manuelle Kompetenz sicherstellen.
Worauf bei der Evaluierung achten
Wer agentic Patent-Tools evaluiert, sollte über die Marketingversprechen hinausschauen. Fünf Kriterien sind entscheidend:
Transparenz der Reasoning-Kette: Kann das System erklären, welche Schritte es in welcher Reihenfolge unternommen hat? Ein Black-Box-Ergebnis ist für die Patentpraxis inakzeptabel - der Anwalt muss den Weg zum Ergebnis nachvollziehen können.
Quellenverifizierung: Verweist das System auf konkrete Patentdokumente, Absätze und Ansprüche? Oder generiert es plausibel klingende, aber nicht verifizierbare Aussagen?
Fehlerbehandlung: Wie geht das System mit Unsicherheit um? Ein gutes agentic System kennzeichnet Bereiche, in denen es sich unsicher ist, statt eine falsche Sicherheit vorzutäuschen.
Datensicherheit: Wo werden die Daten verarbeitet? Gerade bei mandantenbezogenen Patentinformationen ist die Frage der Serverstandorte und der Datenverarbeitung kritisch. EU-Server und optionale On-Premise-Bereitstellung sollten Mindestanforderungen sein.
Integrationsfähigkeit: Arbeitet das System mit bestehenden Workflows zusammen - EPA-Einreichung, DMS, Aktenverwaltung? Ein isoliertes Tool, egal wie leistungsfähig, erzeugt Medienbrüche und Ineffizienzen.
Fazit
Agentic AI ist kein Marketing-Buzzword - es ist eine qualitativ neue Stufe der KI-Unterstützung im Patentwesen. Der Übergang von passiven Textgeneratoren zu aktiven, selbstkorrigierenden Systemen verändert nicht nur die Geschwindigkeit, sondern die Art der Arbeit selbst.
Die Patentanwälte und Kanzleien, die diesen Übergang aktiv gestalten - mit klaren Evaluierungskriterien, realistischen Erwartungen und einem bewussten Umgang mit den Grenzen der Technologie - werden einen nachhaltigen Wettbewerbsvorteil aufbauen. Die anderen werden feststellen, dass ihre LLM-Wrapper von gestern die Diktiergeräte von morgen sind.