Was sind synthetische Daten?

Synthetische Daten sind künstlich erzeugte Datensätze, die keine echten, aus der Realität erhobenen Werte enthalten, sich aber statistisch wie echte Daten verhalten. Für kleine und mittlere Unternehmen sind sie deshalb interessant, weil sie es erlauben, KI-Systeme zu testen, zu trainieren oder mit Partnern zu teilen, ohne echte Kunden- oder Mitarbeiterdaten preiszugeben. Gerade in datenschutzsensiblen Branchen wie Versicherung, Gesundheit oder Personalwesen gewinnt das Thema deshalb spürbar an Bedeutung.

Was bedeutet synthetische Daten?

Synthetische Daten entstehen nicht durch Messung, Beobachtung oder Befragung realer Personen, sondern werden von einem Algorithmus neu generiert. Üblicherweise lernt ein generatives Modell zunächst die statistischen Muster, Verteilungen und Zusammenhänge eines echten Ausgangsdatensatzes – etwa Alter, Kaufverhalten oder Schadenshäufigkeit in einem Versicherungsbestand. Anschließend erzeugt das Modell neue, fiktive Datenpunkte, die diesen Mustern folgen, ohne dass ein einzelner neuer Datensatz einer realen Person entspricht.

Technisch kommen dafür meist zwei Modellfamilien zum Einsatz: Generative Adversarial Networks (GANs), bei denen zwei neuronale Netze gegeneinander trainiert werden – eines erzeugt Daten, das andere versucht, echte von künstlichen Daten zu unterscheiden –, sowie Diffusionsmodelle, die aus zunehmend verrauschten Daten lernen, wieder plausible neue Datensätze zu rekonstruieren. Diffusionsmodelle gelten inzwischen bei vielen Bildanwendungen als leistungsfähiger, GANs punkten oft bei der Generierungsgeschwindigkeit; welches Verfahren sich für einen konkreten Anwendungsfall eignet, hängt stark von Datenart und Zielsetzung ab.

Man unterscheidet außerdem zwischen teilsynthetischen und vollsynthetischen Daten. Bei teilsynthetischen Datensätzen werden nur einzelne, besonders sensible Felder eines echten Datensatzes ersetzt oder künstlich ergänzt – etwa Namen oder Adressen –, während der Rest der echten Struktur erhalten bleibt. Bei vollsynthetischen Datensätzen wird der komplette Datensatz neu generiert, sodass kein einzelner Eintrag mehr auf einen konkreten realen Fall zurückgeführt werden kann. Für den Datenschutz ist diese Unterscheidung wichtig, weil teilsynthetische Daten häufig noch Restrisiken für eine Re-Identifikation bergen können, während vollsynthetische Daten dieses Risiko grundsätzlich stärker reduzieren.

Wichtig ist die Abgrenzung zur klassischen Anonymisierung: Bei anonymisierten Daten wird ein echter Datensatz nachträglich so verändert, dass der Personenbezug entfernt wird – die Datenbasis bleibt aber im Kern real. Bei synthetischen Daten entsteht dagegen ein komplett neuer, künstlicher Datensatz, der von vornherein keinem realen Menschen zugeordnet ist. In der Praxis versprechen Anbieter von Synthese-Verfahren, dass sich damit ein deutlich größerer Teil der statistischen Aussagekraft des Originaldatensatzes erhalten lässt als bei einer klassischen, stark vereinfachenden Anonymisierung – belastbare, allgemeingültige Prozentwerte dazu solltet ihr im Einzelfall aber kritisch hinterfragen, da sie stark vom jeweiligen Datensatz und Verfahren abhängen.

Warum sind synthetische Daten für mein Unternehmen wichtig?

Für KMU und Freelancer lösen synthetische Daten gleich mehrere praktische Probleme. Erstens: Datenknappheit. Wer ein KI-Modell trainieren oder testen möchte, aber nur wenige hundert echte Kundenfälle besitzt, kann mit synthetischen Daten zusätzliche, realistische Trainingsbeispiele erzeugen, ohne auf teure externe Datenkäufe angewiesen zu sein. Zweitens: Zusammenarbeit mit Dritten. Wenn ihr eine externe Entwicklungsagentur oder einen KI-Dienstleister beauftragt, eine neue Software zu testen, müsst ihr diesen Partnern normalerweise Testdaten zur Verfügung stellen. Synthetische Daten erlauben das, ohne dass echte Kunden- oder Personaldaten das eigene Haus verlassen müssen. Drittens: Interne Testumgebungen. Entwicklungs- und Testsysteme benötigen oft realistisch aussehende Daten – synthetische Datensätze liefern diese, ohne dass Entwicklerteams Zugriff auf den produktiven Echtdatenbestand brauchen.

Ein weiterer Vorteil betrifft Fairness und Ausgewogenheit von KI-Modellen: Sind bestimmte Gruppen in den Originaldaten unterrepräsentiert – etwa seltene Schadensfälle oder Randgruppen in einem Kundenbestand –, lässt sich mit synthetischen Daten gezielt nachgesteuert werden, um ein ausgewogeneres Trainingsset zu erhalten. Das kann helfen, systematische Verzerrungen (Bias) in KI-Ergebnissen zu verringern. Wichtig zu wissen: Synthetische Daten übernehmen grundsätzlich die Muster der Originaldaten – enthalten diese bereits eine Schieflage, kann sich diese ohne gezielte Gegensteuerung auch in den künstlichen Daten fortsetzen.

Synthetische Daten in der Praxis

Stellt euch einen mittelständischen Versicherungsmakler vor, der ein KI-Tool zur automatischen Vorprüfung von Schadensmeldungen einführen möchte. Der Anbieter des Tools braucht für die Kalibrierung realistische Beispieldaten – der Makler will aber keine echten Schadensakten mit Namen, Adressen und Gesundheitsangaben an einen externen Dienstleister weitergeben. Die Lösung: Aus dem echten Bestand wird mittels eines generativen Modells ein synthetischer Testdatensatz erzeugt, der dieselbe Verteilung an Schadensarten, Schadenshöhen und Bearbeitungszeiten aufweist wie der echte Bestand, aber keinem einzelnen realen Versicherungsfall mehr entspricht. Der externe Dienstleister kann mit diesem Datensatz arbeiten, ohne dass reale Personendaten das Unternehmen verlassen.

Vor dem Einsatz solcher Verfahren lohnt sich ein pragmatischer Dreischritt: Zunächst prüfen, ob die vorhandene Software oder Cloud-Lösung eine Synthese-Funktion bereits mitbringt oder ob dafür ein externer Dienstleister eingebunden werden muss. Danach klären, wer aus dem Originaldatensatz das synthetische Modell trainiert und ob dabei selbst eine Verarbeitung personenbezogener Daten stattfindet, für die eine Rechtsgrundlage benötigt wird. Und schließlich das Ergebnis stichprobenartig prüfen: Lassen sich einzelne synthetische Datensätze zufällig doch wieder einem realen Fall zuordnen, sollte nachgebessert werden, bevor die Daten weitergegeben werden.

Synthetische Daten und Datenschutz: Was gilt rechtlich?

Ein verbreiteter Irrtum ist, synthetische Daten seien automatisch DSGVO-frei, weil sie „künstlich” sind. Das greift zu kurz. Zwei Ebenen müssen getrennt betrachtet werden: die Erzeugung des synthetischen Datensatzes und dessen spätere Nutzung.

Für die Erzeugung gilt: Wird das generative Modell mit echten, personenbezogenen Ausgangsdaten trainiert, ist dieser Trainingsschritt selbst eine Verarbeitung personenbezogener Daten im Sinne der DSGVO und benötigt eine Rechtsgrundlage nach Art. 6 DSGVO – etwa eine Einwilligung oder ein berechtigtes Interesse. Wird dabei ein externer Dienstleister beauftragt, der die Synthese im Auftrag durchführt, dürfen die Ausgangsdaten grundsätzlich nur übergeben werden, wenn die datenschutzrechtlichen Voraussetzungen erfüllt sind. Dazu gehört – sofern eine Auftragsverarbeitung vorliegt – insbesondere ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO.

Für das Ergebnis – den fertigen synthetischen Datensatz – gilt: Enthält er tatsächlich keinerlei Bezug mehr zu identifizierbaren realen Personen, fällt er selbst nicht mehr unter den Anwendungsbereich der DSGVO und kann grundsätzlich freier genutzt und weitergegeben werden als der Originaldatensatz. Entscheidend ist dabei aber, dass diese Personenbezugsfreiheit tatsächlich belastbar ist und nicht nur behauptet wird. Bei kleinen Datensätzen, sehr spezifischen Merkmalskombinationen oder unzureichend trainierten Modellen kann es vorkommen, dass ein generatives Modell einzelne Trainingsbeispiele nahezu unverändert reproduziert – ein sogenanntes Memorization-Risiko. In einem solchen Fall wäre der vermeintlich synthetische Datensatz de facto doch (teil-)personenbezogen und würde weiterhin der DSGVO unterliegen. Ob im Einzelfall ein solches Restrisiko besteht, lässt sich pauschal nicht beantworten und sollte vor einer Weitergabe an Dritte im Zweifel fachlich geprüft werden.

Wer synthetische Daten über ein SaaS-Tool oder eine Cloud-Plattform erzeugen lässt, sollte zudem prüfen, wo der Anbieter die Trainingsdaten verarbeitet und ob dafür ein AVV vorliegt. Konkrete Angaben zu Funktionsumfang, Serverstandort oder vertraglichen Regelungen ändern sich bei Anbietern regelmäßig – diese solltet ihr direkt beim jeweiligen Dienst prüfen (Stand: August 2026).

Weiterführendes

Wer sich tiefer mit dem Thema beschäftigen möchte, findet ergänzende Grundlagen in den Lexikon-Einträgen zu Anonymisierung, zum AVV sowie zum Training von KI-Modellen. Einen Überblick über unsere Vorgehensweise bei der Bewertung von KI-Tools findet ihr zudem unter /methodik.