---
title: "Synthetische Daten: Definition und Beispiel"
description: "Synthetische Daten erklärt: wie sie entstehen, wofür sie in Tests, Training und Evals taugen, warum synthetisch nicht anonym heißt und was Modellkollaps ist."
url: https://carl-wuerfel.de/glossar/synthetische-daten
author: Carl-Uwe Würfel
---

1. [Start](https://carl-wuerfel.de/)
  2. [Wissen](https://carl-wuerfel.de/wissen)
  3. [Glossar](https://carl-wuerfel.de/glossar)
  4. Synthetische Daten

# Synthetische Daten

Synthetische Daten sind künstlich erzeugte Datensätze, die Aufbau und statistische Eigenschaften echter Daten nachbilden, ohne echte Einzelfälle zu enthalten.

## Auf dieser Seite

  1. Ein Generator lernt die Muster und erzeugt neue Fälle
  2. Synthetisch heißt nicht automatisch anonym
  3. Differential Privacy macht den Schutz messbar
  4. Eingesetzt werden sie in Tests, im Training und in Evals
  5. Was im Original fehlt, fehlt auch in der Kopie
  6. Woran man eine gute Umsetzung erkennt
  7. Die Grenze des Begriffs
  8. Häufige Fragen
  9. Quellen

Synthetisch heißt nicht automatisch anonym.

_Abbildung: Verzweigung am Beispiel eines Energieversorgers, der synthetische Kundendatensätze mit denselben Feldern wie der Bestand erzeugt. Der Generator lernt aus echten Kundendaten; schon dieses Training ist eine Verarbeitung personenbezogener Daten und braucht eine Rechtsgrundlage. Je nach Einsatz gilt etwas anderes: Im Test des neuen Kundenportals sehen Entwickler keine echten Kundendaten, die Abnahme vor dem Start läuft trotzdem mit echten Daten in geschützter Umgebung. Vor der Weitergabe an einen Dienstleister prüft das Team, ob echte Datensätze fast unverändert wieder auftauchen. Im Training eines Modells bleibt ein Teil echter Daten im Mix. Darunter der Hinweis, dass Sonderfälle wie Altverträge im synthetischen Satz fehlen._

Synthetische Daten sehen aus wie echte. Ein synthetischer Kundendatensatz hat Name, Adresse, Tarif und Zahlungsverlauf, nur gibt es diesen Kunden nicht. Das US-Standardinstitut NIST beschreibt sie als Datensätze mit demselben Aufbau wie das Original, die dessen Eigenschaften wie Zusammenhänge zwischen Merkmalen erhalten sollen, aber aus erfundenen Personen bestehen. Deshalb lassen sie sich mit den vorhandenen Werkzeugen auswerten.

Meist erzeugt sie ein Modell, das die Muster eines echten Bestands gelernt hat. Daneben gibt es regelbasierte Generatoren, die Testdaten nach festen Vorgaben zusammensetzen, und seit einigen Jahren Sprachmodelle, die Texte, Dialoge oder Testfragen für andere Modelle schreiben.

Führungskräften bieten synthetische Daten einen Weg, mit Daten zu arbeiten, die das Haus sonst nicht verlassen dürften. Der Weg hat zwei Haken: Synthetisch heißt nicht automatisch anonym, und was im Original fehlt, fehlt auch in der Kopie.

Beispiel

Ein Energieversorger führt ein neues Kundenportal ein. Die Testumgebung bekommt synthetische Kundendatensätze mit denselben Feldern wie der Bestand, sodass Entwickler und der beauftragte Dienstleister keine echten Kundendaten sehen. Vorher prüft das Team, ob einzelne echte Datensätze fast unverändert wieder auftauchen. Die Abnahme vor dem Start läuft trotzdem mit echten Daten in einer geschützten Umgebung, weil Sonderfälle wie Altverträge im synthetischen Satz fehlen.

Kapitel 1 von 7

## Ein Generator lernt die Muster und erzeugt neue Fälle.

Am Anfang steht der Zweck. Für einen Softwaretest reicht oft ein regelbasierter Generator, der gültige Kundennummern, Adressen und Vertragsdaten nach Vorgaben zusammenstellt. Sollen die Daten echte Zusammenhänge zeigen, etwa welche Tarife mit welchem Zahlungsverhalten zusammenfallen, muss ein Modell sie aus dem Bestand lernen.

Dann wählt das Team die Originaldaten aus, bereinigt sie, trainiert den Generator, erzeugt neue Datensätze und prüft sie. Generatoren sind statistische Modelle oder neuronale Netze. Bekannt wurden die Generative Adversarial Networks, die Ian Goodfellow und Kollegen 2014 vorstellten: Ein Netz erzeugt Daten, ein zweites versucht, sie von echten zu unterscheiden, und beide werden dabei besser. Für Text übernehmen heute Sprachmodelle diese Rolle.

Die Prüfung am Ende klärt zweierlei: ob die Daten für den Zweck taugen und ob sie etwas über echte Personen verraten.

Kapitel 2 von 7

## Synthetisch heißt nicht automatisch anonym.

Die DSGVO gilt nach Erwägungsgrund 26 nicht für anonyme Informationen, die sich auf keine identifizierte oder identifizierbare Person beziehen. Maßstab sind alle Mittel, die nach allgemeinem Ermessen wahrscheinlich genutzt werden, um jemanden zu identifizieren. Pseudonymisierte Daten, in denen nur Namen durch Kennungen ersetzt sind, bleiben personenbezogen.

Synthetische Daten können diesen Maßstab erfüllen, müssen es aber nicht. Ein Generator kann sich einzelne Datensätze merken und fast unverändert ausgeben, vor allem auffällige Fälle. Theresa Stadler, Bristena Oprisanu und Carmela Troncoso fanden 2022, dass synthetische Daten in ihren Versuchen entweder Angriffe auf Einzelne nicht verhinderten oder ihren Nutzen verloren. Der Europäische Datenschutzausschuss hielt im Dezember 2024 fest, dass KI-Modelle, die mit personenbezogenen Daten trainiert wurden, nicht in allen Fällen anonym sind.

Schon das Training des Generators mit Kundendaten ist eine Verarbeitung nach Artikel 4 Nummer 2 DSGVO und braucht eine Rechtsgrundlage nach Artikel 6.

Kapitel 3 von 7

## Differential Privacy macht den Schutz messbar.

Differential Privacy ist ein mathematisches Verfahren, das begrenzt, wie stark ein einzelner Datensatz das Ergebnis beeinflussen kann. Ein Parameter, meist Epsilon genannt, legt die Grenze fest: Je kleiner der Wert, desto stärker der Schutz und desto ungenauer das Ergebnis.

Das NIST empfiehlt in seinen Leitlinien vom März 2025, synthetische Daten mit solchen Verfahren zu erzeugen, wenn sie Personen zuverlässig schützen sollen. Verfahren ohne Differential Privacy bieten danach nur informelle Garantien, und es gibt Berichte über Angriffe, die aus solchen Daten das Original zurückgewonnen haben. Auch mit Differential Privacy können Ausreißer bei einem großzügig gewählten Epsilon erkennbar bleiben.

Der Schutz kostet Genauigkeit, und zwar ungleich verteilt. Laut NIST können synthetische Daten für kleine Untergruppen ungenauer werden und so systematisch verzerren. Wer seltene Kundengruppen untersuchen will, verliert genau dort am meisten.

Kapitel 4 von 7

## Eingesetzt werden sie in Tests, im Training und in Evals.

In der Softwareentwicklung ersetzen synthetische Daten echte Kundendaten in Test- und Entwicklungsumgebungen. Migrationen, neue Schnittstellen und Lasttests laufen mit Datensätzen, die echt aussehen, ohne dass Kundendaten bei Entwicklern oder Dienstleistern landen.

Im Training ergänzen sie knappe Daten. Microsoft-Forscher stellten 2023 das Modell phi-1 vor, das neben sechs Milliarden [Tokens](https://carl-wuerfel.de/glossar/token) ausgewählter Webtexte aus einer Milliarde Tokens synthetischer Lehrbuchtexte und Übungen lernte, geschrieben von GPT-3.5. Seltene Fälle wie Fehlerbilder in der Qualitätskontrolle lassen sich so gezielt vermehren, sofern sie im Ausgangsbestand überhaupt vorkommen.

Für Evals, also feste Testsätze für KI-Anwendungen, empfiehlt Anthropic in seiner Dokumentation, aus einem Grundstock eigener Beispiele mit einem Modell weitere Testfälle zu erzeugen. Der Grundstock besteht aus echten Fällen, und eine Stichprobe der erzeugten Fälle sieht ein Mensch durch.

Kapitel 5 von 7

## Was im Original fehlt, fehlt auch in der Kopie.

Ein Generator gibt wieder, was er gelernt hat. Verzerrungen im Bestand übernimmt er, und Fälle, die dort nie vorkamen, erfindet er nicht zuverlässig. Wer einen Kreditdatensatz mit wenigen Selbstständigen synthetisch vergrößert, bekommt mehr Zeilen, aber kein besseres Bild der Selbstständigen.

Besonders deutlich wird die Grenze, wenn Modelle mit den Erzeugnissen von Modellen trainiert werden. Ilia Shumailov und Kollegen zeigten 2024 in Nature, dass die wahllose Verwendung modellgenerierter Inhalte im Training bleibende Schäden hinterlässt: Die Ränder der ursprünglichen Verteilung verschwinden, also gerade die seltenen Fälle. Sie nannten das Modellkollaps. In ihren Versuchen fiel die Verschlechterung deutlich kleiner aus, wenn in jeder Runde ein Teil der Originaldaten im Training blieb.

Synthetische Daten können echte also nur ergänzen. Abnahme und Erfolgsmessung laufen gegen echte Daten.

Kapitel 6 von 7

## Woran man eine gute Umsetzung erkennt.

Zuerst wird der Zweck festgelegt und geklärt, ob ein regelbasierter Generator reicht. Viele Softwaretests brauchen kein gelerntes Modell und damit kein Training auf Kundendaten.

Wird aus echten Daten gelernt, ist die Rechtsgrundlage vor dem Training geklärt. Der Nutzen wird gegen das Original gemessen: Dieselbe Auswertung auf echten und synthetischen Daten sollte ein ähnliches Bild ergeben. Die Datenschutzprüfung sucht nach Datensätzen, die echten fast gleichen, und nach erkennbaren Ausreißern, und ihr Ergebnis ist dokumentiert.

Synthetische Datensätze sind gekennzeichnet, damit niemand sie mit echten verwechselt oder unbemerkt in ein Training übernimmt. Vor dem Start einer Anwendung steht eine Abnahme mit echten Daten in einer geschützten Umgebung.

Die Kosten liegen selten im Generator. Sie entstehen beim Auswählen und Bereinigen der Originaldaten und bei den Prüfungen danach.

Kapitel 7 von 7

## Die Grenze des Begriffs

Synthetische Daten ersetzen keine Messung der Wirklichkeit: Was im Bestand fehlt oder verzerrt ist, fehlt oder ist auch in der Kopie verzerrt. Anonymisierte Daten sind veränderte echte Datensätze, pseudonymisierte bleiben personenbezogen, und Simulationen folgen festen Regeln statt gelernten Mustern. Data Augmentation, das Erzeugen von Varianten vorhandener Beispiele, ist eine verwandte, engere Technik.

## Häufige Fragen

Was sind synthetische Daten?

Synthetische Daten sind künstlich erzeugte Datensätze, die Aufbau und statistische Eigenschaften echter Daten nachbilden. Sie enthalten keine echten Einzelfälle, lassen sich aber mit denselben Werkzeugen auswerten.

Wie werden synthetische Daten erzeugt?

Meist lernt ein Modell die Muster eines echten Bestands und erzeugt daraus neue Datensätze, etwa ein statistisches Modell, ein Generative Adversarial Network oder für Text ein Sprachmodell. Für einfache Softwaretests reichen regelbasierte Generatoren ohne Originaldaten.

Sind synthetische Daten DSGVO-konform?

Synthetische Daten fallen nur dann nicht unter die DSGVO, wenn sich aus ihnen niemand mehr identifizieren lässt, und das muss im Einzelfall geprüft werden. Das Training des Generators mit personenbezogenen Daten ist selbst eine Verarbeitung und braucht eine Rechtsgrundlage.

Was ist der Unterschied zwischen synthetischen und anonymisierten Daten?

Anonymisierte Daten sind echte Datensätze, aus denen der Personenbezug entfernt wurde; synthetische Daten werden neu erzeugt. Restrisiken haben beide: anonymisierte durch Verknüpfung mit anderen Quellen, synthetische durch Datensätze, die der Generator sich gemerkt hat.

Kann man KI mit synthetischen Daten trainieren?

Ja, als Ergänzung zu echten Daten ist das verbreitet, etwa beim Modell phi-1 mit synthetischen Lehrbuchtexten. Wer Modelle über viele Runden nur mit Modellerzeugnissen trainiert, riskiert dagegen einen Modellkollaps.

Was ist Modellkollaps?

Modellkollaps ist der Qualitätsverlust von Modellen, die wiederholt mit den Erzeugnissen anderer Modelle trainiert werden. Shumailov und Kollegen zeigten 2024, dass dabei vor allem seltene Fälle aus den Daten verschwinden.

Wofür werden synthetische Daten verwendet?

Synthetische Daten werden vor allem für Softwaretests ohne Echtdaten, als Ergänzung im Training von KI-Modellen und für Testsätze in [Evals](https://carl-wuerfel.de/glossar/evals) verwendet. Dazu kommt die Weitergabe an Dienstleister, wenn echte Daten das Haus nicht verlassen sollen.

## Weiter

  * [**KI-Glossar**](https://carl-wuerfel.de/glossar)
  * [**KI-Governance im Mittelstand**](https://carl-wuerfel.de/ki-governance)
  * [**Datenqualität**](https://carl-wuerfel.de/glossar/datenqualitaet)
  * [**Evals (KI-Evaluation)**](https://carl-wuerfel.de/glossar/evals)
  * [**Data Governance**](https://carl-wuerfel.de/glossar/data-governance)
  * [ Begriff**Fine-Tuning**](https://carl-wuerfel.de/glossar/fine-tuning)
  * [ Begriff**Machine Learning (maschinelles Lernen)**](https://carl-wuerfel.de/glossar/machine-learning)

## Quellen

  1. [Goodfellow u. a.: Generative Adversarial Networks, arXiv:1406.2661, 2014 (englisch)](https://arxiv.org/abs/1406.2661)
  2. [EU: Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung), Erwägungsgrund 26, Art. 4 und 6, 2016](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32016R0679)
  3. [Europäischer Datenschutzausschuss: Opinion 28/2024 zu Datenschutzaspekten bei KI-Modellen, 18. Dezember 2024 (englisch)](https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-282024-certain-data-protection-aspects_en)
  4. [NIST: Guidelines for Evaluating Differential Privacy Guarantees, SP 800-226, März 2025 (englisch)](https://doi.org/10.6028/NIST.SP.800-226)
  5. [Stadler, Oprisanu, Troncoso: Synthetic Data, Anonymisation Groundhog Day, USENIX Security 2022, arXiv:2011.07018 (englisch)](https://arxiv.org/abs/2011.07018)
  6. [Gunasekar u. a.: Textbooks Are All You Need, arXiv:2306.11644, 2023 (englisch)](https://arxiv.org/abs/2306.11644)
  7. [Shumailov u. a.: AI models collapse when trained on recursively generated data, Nature 631, 24. Juli 2024 (englisch)](https://doi.org/10.1038/s41586-024-07566-y)
  8. [Anthropic: Define success criteria and build evaluations, Dokumentation, Stand November 2026 (englisch)](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests)
