Warum synthetische Daten wichtig sind
Datengetriebene Geschäftsmodelle gewinnen auch für kleine und mittlere Unternehmen zunehmend an Bedeutung – sei es zur Prozessoptimierung, für prädiktive Analysen oder zur Entwicklung digitaler Produkte. Gleichzeitig stellen die hohen Anforderungen an Datenschutz, insbesondere die EU-Datenschutzgrundverordnung (DSGVO), viele Unternehmen vor ein Dilemma: Einerseits besteht der Wunsch nach digitaler Innovation, andererseits fehlen rechtskonforme Wege zum Umgang mit sensiblen Daten.
Synthetische Daten bieten hier eine Lösung: Sie ermöglichen datengestützte Innovationen, ohne personenbezogene Daten im engeren Sinne zu verarbeiten. Der folgende Beitrag zeigt praxisnah, wie mittelständische Unternehmen synthetische Daten sinnvoll nutzen können – unter besonderer Berücksichtigung rechtlicher Anforderungen, technischer Umsetzung und branchenspezifischer Chancen.
Für kleine und mittlere Unternehmen ergeben sich daraus handfeste Vorteile:
- Sie können mit realitätsnahen Daten arbeiten – ohne sich um Einwilligungen oder Datenschutzverletzungen sorgen zu müssen.
- Software-Tests, interne Schulungen oder KI-Prototypen lassen sich sicher durchführen – auch ohne Zugang zu echten Kundendaten.
- Der Datenfluss bleibt intern: Synthetische Daten geben nichts über reale Personen preis.
Was sind synthetische Daten – und warum sind sie relevant?
Synthetische Daten sind künstlich erzeugte Daten, die echte Daten in ihren statistischen Eigenschaften nachbilden, aber keine realen Personeninformationen enthalten.
Das Ziel ist, realitätsnahe, aber DSGVO-konforme Datensätze zu schaffen. Insbesondere Unternehmen, die keine großen Datenpools haben oder mit hochsensiblen Informationen arbeiten, können davon profitieren.
Ein synthetischer Datensatz kann etwa das Verhalten von Zielgruppen, den Verlauf von Bestellungen oder medizinische Symptome nachbilden – ohne dass echte Personenbezüge bestehen. Damit werden Innovationen möglich, ohne die Integrität des Datenschutzes zu verletzen.
Gerade für Unternehmen im Gesundheitswesen, in der Finanzbranche oder in öffentlichen Sektoren mit strengen Vorgaben ergeben sich hier neue Spielräume für digitale Entwicklungsvorhaben.
Wie synthetische Daten entstehen – einfach erklärt
Synthetische Daten sind künstlich erzeugte Datensätze, die echten Daten sehr ähnlich sehen, aber keine Rückschlüsse auf reale Personen zulassen.
Sie basieren meist auf echten Beispieldaten – etwa Kundendaten, Transaktionen oder Sensordaten – und werden mithilfe spezieller Algorithmen erstellt. Diese erkennen typische Muster und Strukturen und erzeugen daraus neue, fiktive Daten.
Zum Einsatz kommen dabei verschiedene Verfahren:
- Generative Adversarial Networks (GANs): Zwei KI-Modelle konkurrieren miteinander – eines erzeugt neue Daten, das andere prüft sie. Ziel ist, dass die synthetischen Daten vom Original nicht mehr zu unterscheiden sind.
- Variationale Autoencoder (kurz VAE) sind Algorithmen, die echte Daten zuerst komprimieren und daraus neue, ähnliche Informationen erzeugen. Sie eignen sich besonders gut für strukturierte Daten, etwa Excel-Tabellen.
- Transformer-Modelle: Bekannt aus der Sprachverarbeitung (z. B. GPT-Modelle), werden sie zunehmend auch zur Erzeugung synthetischer Texte und Zeitreihen verwendet.
- Regelbasierte Verfahren: Statt KI kommen hier vordefinierte Regeln zum Einsatz, etwa zur Erzeugung von Zufallsdaten in bestimmten Formaten (z. B. fiktive IBAN-Nummern).
Die so entstehenden Datensätze gelten als anonym im Sinne der DSGVO und unterliegen nicht den Vorgaben für personenbezogene Daten. Voraussetzung ist jedoch, dass keine Re-Identifizierung möglich ist – auch nicht durch Kombination mit anderen Datenquellen.
Datenschutz: Synthetisch vs. anonymisiert – wo liegt der Unterschied?
Auf den ersten Blick wirken synthetische Daten wie anonymisierte Daten – schließlich tauchen keine echten Namen oder Kontonummern mehr auf.
Doch es gibt einen entscheidenden Unterschied:
- Anonymisierte Daten stammen von echten Personen. Sie wurden so verändert, dass man einzelne Personen nicht mehr direkt erkennen kann – etwa durch das Entfernen von Namen oder das Zusammenfassen von Altersgruppen.
Trotzdem besteht immer ein gewisses Risiko: Wenn jemand genug Zusatzinformationen hat, könnte er bestimmte Personen wiedererkennen (man spricht dann von „Re-Identifikation“). - Synthetische Daten sind dagegen komplett neu erzeugt. Sie basieren zwar auf den Mustern echter Daten, aber sie enthalten keine reale Person mehr. Jede Zeile ist fiktiv – ein „Kunde“, der in Wirklichkeit nie existiert hat. Deshalb können auch keine echten Personen versehentlich erkannt werden.
Warum das wichtig ist:
Anonymisierte Daten gelten laut DSGVO nicht immer als vollständig sicher. Synthetische Daten dagegen bieten mehr Rechtssicherheit – besonders, wenn sie sorgfältig erzeugt wurden. Das macht sie so interessant für Unternehmen, die datenschutzkonform mit sensiblen Informationen arbeiten wollen.
Tools und Anbieter: So erstellt man synthetische Daten
Synthetische Daten lassen sich entweder mit eigenen Skripten oder über spezialisierte Tools erzeugen. Für kleine Unternehmen besonders relevant sind dabei folgende Anbieter:
| Anbieter | Besonderheiten | Standort |
| Mostly AI | No-Code-Plattform, auch für KMU geeignet | Wien (AT) |
| Syntho | Plattform mit Fokus auf Datenschutz und Skalierbarkeit | Amsterdam (NL) |
| Tonic AI | Spezialisierung auf Differential Privacy | USA |
| Hazy | Unterstützung auch für Text- und Bilddaten | London (UK) |
| Gretel.ai | Entwicklerfreundlich mit umfassender API | USA |
| Synthetic Data Vault (SDV) | MIT-entwickelte Plattform mit vielseitiger Datenmodellierung für flexible und vertrauenswürdige Datennutzung | International |
KI-Anbieter finden: Die Implementierung von Künstlicher Intelligenz ist für Unternehmen ein wichtiger Schritt in Richtung Wettbewerbsfähigkeit. Doch die Auswahl des passenden KI-Anbieters ist nicht trivial. Unser Leitfaden hilf Ihnen dabei, den richtigen KI-Anbieter in Deutschland zu finden.
Praxisbeispiele: So nutzen Unternehmen Synthetische Daten
Um die vielfältigen Einsatzmöglichkeiten synthetischer Daten anschaulich zu machen, stellen wir im Folgenden hypothetische, aber praxisnahe Szenarien vor. Diese Beispiele basieren auf typischen Anwendungsfeldern kleiner und mittlerer Unternehmen und dienen der Illustration – sie beziehen sich nicht auf konkrete Projekte.
1. Softwaretests mit synthetischen Kundendaten
Ein mittelständischer IT-Dienstleister, der Abrechnungssysteme für den öffentlichen Sektor entwickelt, setzt in seinem Projekt synthetische Daten ein, um Anwendungen zu testen. Statt reale Bürger:inneninformationen zu verwenden, generiert das Unternehmen fiktive, aber statistisch realistische Profile. Dies ermöglicht umfassende Funktionstests der Software, ohne Datenschutzrisiken einzugehen oder reale Datenbestände zu gefährden.
2. Produktentwicklung in der Medizintechnik
Ein Beispiel aus der Medizintechnik: Ein Unternehmen, das Diagnosegeräte für niedergelassene Arztpraxen entwickelt, könnte synthetische Patien:innendaten nutzen, um Algorithmen zu trainieren und zu validieren. Die erzeugten Datensätze enthalten beispielhaft erzeugte Vitalparameter, Krankheitsverläufe und Untersuchungsergebnisse, die reale klinische Situationen nachbilden. So lässt sich die Software optimieren, ohne auf sensible Echtdaten zurückgreifen zu müssen.
3. Kundenanalyse in der Versicherungswirtschaft
Ein mittelständisches Versicherungsunternehmen könnte synthetische Kund:innendaten verwenden, um neue Tarifmodelle zu simulieren. Dabei werden Merkmale wie Alter, Region, Schadenshistorie oder Vertragslaufzeiten realitätsnah nachgebildet. Diese künstlichen Portfolios ermöglichen es, Marktstrategien datengestützt zu entwickeln und zu testen – ohne datenschutzrechtliche Risiken einzugehen.
So starten Sie mit synthetischen Daten:
- Wählen Sie einen klaren Anwendungsfall (z. B. Softwaretest, Mitarbeiterschulung oder KI-Prototyp).
- Nutzen Sie einfache Tools oder Open-Source-Generatoren, um erste Datensätze zu erstellen.
- Testen Sie das Ergebnis im kleinen Rahmen.
- Beziehen Sie Ihre IT- oder Datenschutzbeauftragten frühzeitig mit ein.
- Lernen Sie iterativ – jedes Projekt bringt neue Erkenntnisse.
Vorteile für mittelständische Unternehmen: Datenschutz, Agilität, Innovationskraft
DSGVO-Compliance ohne Zusatzaufwand
Synthetische Daten enthalten keine personenbezogenen Informationen und gelten daher bei korrekter Generierung nicht als „personenbezogene Daten“ im Sinne der DSGVO.
Das bedeutet: Kein Erfordernis für Einwilligungen, keine Löschpflichten, keine Einschränkungen bei Weitergabe oder Analyse – sofern die Ursprungsdaten rechtskonform verarbeitet wurden. Für Unternehmen reduziert dies erheblich den Abstimmungsaufwand mit Datenschutzbeauftragten.
Schnellere Projekte und niedrigere Kosten
Die Generierung der Daten ist oft schneller und günstiger als klassische Methoden der Datenerhebung (z. B. Umfragen oder Interviews). Datenschutzprüfungen entfallen, Freigaben durch Rechtsabteilungen sind nicht nötig. Damit lassen sich Entwicklungszyklen erheblich verkürzen – ein klarer Vorteil für kleine Teams mit begrenzten Ressourcen.
Bessere Datenverfügbarkeit und Vielfalt
Viele Unternehmen verfügen nur über kleine, einseitige Datensätze. Mit synthetischen Daten lassen sich gezielt unterrepräsentierte Gruppen nachempfinden, etwa seltene Kundentypen, seltene Fehlerfälle oder saisonale Muster. So können Analysen robuster werden – ein Pluspunkt für faire, breit einsetzbare KI-Modelle.
Geeignet für sensible Branchen
Gerade Unternehmen aus Gesundheit, Finanzen oder öffentlichem Sektor profitieren. Sie dürfen häufig keine Echtdaten zu Test- oder Analysezwecken verwenden – synthetische Daten schaffen hier eine rechtlich tragfähige Alternative, ohne auf Qualität oder Realitätsnähe zu verzichten.
Risiken und Herausforderungen von synthetischen Daten
Einschränkungen bei Genauigkeit und Verlässlichkeit
Beachten Sie, dass synthetische Daten immer nur eine Simulation sind. Sie sind niemals mit den Originaldaten Identisch. Für feingranulare Anwendungen – etwa in der medizinischen Diagnostik – kann dies problematisch sein. Unternehmen müssen prüfen, ob die Datenqualität für den geplanten Einsatzzweck ausreicht.
Risiko der Re-Identifikation bei schlechter Umsetzung
Synthetische Daten gelten als besonders sicher – aber das stimmt nur, wenn sie richtig erzeugt wurden. Wenn ein Algorithmus die echten Daten zu genau nachahmt, können bestimmte Muster so nah an der Realität liegen, dass sich doch Rückschlüsse auf reale Personen ziehen lassen. Das nennt man Re-Identifikation.
Dieses Risiko besteht vor allem bei kleinen Datensätzen oder wenn bestimmte Gruppen (z. B. sehr alte Menschen oder seltene Berufsgruppen) stark unterrepräsentiert sind. Hier kann eine einzelne synthetische „Person“ einer echten Person doch wieder sehr ähnlich sein.
Um das zu verhindern, kommen spezielle Schutzmechanismen zum Einsatz – zum Beispiel:
- Differential Privacy: Dabei wird sichergestellt, dass der Einfluss einzelner realer Personen auf das Gesamtergebnis möglichst gering ist. Es wird gezielt etwas „Rauschen“ (also Zufall) in die Daten eingebaut, ohne dass die Aussagekraft leidet
Woran erkennt man, ob solche Schutzmechanismen in integriert sind?
- Die Software oder das Tool zur Datengenerierung weist explizit auf Datenschutzmechanismen wie „Differential Privacy“, „Privacy Guarantees“ oder „Re-Identifikationstests“ hin.
- In den technischen Dokumentationen oder auf der Website steht, welche Verfahren zur Datensicherheit genutzt werden – und welche Grenzen sie haben.
- Es werden Messwerte genannt wie z. B. ein „Privacy Loss Parameter“ (oft als „Epsilon“ bezeichnet). Je kleiner dieser Wert, desto höher der Schutz. Werte unter 1 gelten als sehr sicher, Werte zwischen 1 und 5 bieten mittleren Schutz – alles darüber kann kritisch sein.
- Manche Anbieter lassen ihre Tools unabhängig prüfen (z. B. durch Datenschutzbeauftragte oder Zertifizierungen wie ISO 27001).
Bias und Scheinmuster
Ein generatives Modell lernt nicht nur sinnvolle Strukturen, sondern auch Verzerrungen in den Ausgangsdaten – etwa ungleiche Geschlechterverteilungen oder regionale Unterschiede. Werden diese nicht aktiv korrigiert, können sie in den synthetischen Daten verstärkt auftreten. Unternehmen sollten daher Ergebnisse regelmäßig mit Fachexpertise überprüfen.
Schulungs- und Implementierungsaufwand
Die Einführung entsprechender Tools erfordert Know-how – etwa zur Bewertung von Datenqualität oder zur Integration in bestehende Systeme. Auch wenn viele Anbieter benutzerfreundliche Oberflächen bieten, braucht es zumindest technikaffine Mitarbeitende oder externe Unterstützung.
Bedeutung im Kontext des EU AI Act
Der EU AI Act stellt zusätzliche Anforderungen an Unternehmen, die KI-Systeme einsetzen – darunter Transparenz, Fairness und Vermeidung von Diskriminierung. Synthetische Daten gelten hier als eine Schlüsseltechnologie, um diesen Anforderungen gerecht zu werden:
- Sie helfen, historische Verzerrungen in Trainingsdaten zu neutralisieren.
- Sie verbessern die Nachvollziehbarkeit, da keine realen Personen betroffen sind.
- Sie vereinfachen Audits, da Daten frei verfügbar und dokumentierbar sind.
Für Unternehmen, die künftig „hochriskante“ KI-Anwendungen nutzen (z. B. in der Personalverwaltung oder Kreditvergabe), bieten synthetische Daten die Möglichkeit, gesetzliche Pflichten frühzeitig zu erfüllen – ohne auf teure externe Berater angewiesen zu sein.
Wann lohnt sich der Einsatz synthetischer Daten?
- Sie wollen mit KI oder Analyse-Tools arbeiten, aber dürfen echte Kundendaten nicht verwenden.
- Sie möchten Software oder neue Prozesse testen – ohne echte Systeme zu gefährden.
- Sie planen ein KI-Projekt, haben aber noch zu wenig oder zu sensible Daten.
- Sie benötigen Schulungs- oder Demodaten – aber DSGVO-konform.
Fazit: Synthetische Daten als Schlüsseltechnologie
Synthetische Daten bieten kleinen und mittleren Unternehmen eine hochinteressante Möglichkeit, den Spagat zwischen Innovation und Datenschutz zu meistern. Sie fördern digitale Souveränität, beschleunigen Innovationszyklen und helfen, regulatorische Auflagen wie DSGVO oder EU AI Act aktiv zu erfüllen.
Wer dabei auf geeignete Tools, rechtssichere Prozesse und eine saubere Qualitätssicherung setzt, kann von dieser Technologie nachhaltig profitieren.
Die Praxis zeigt: Gerade Betriebe mit wenig Ressourcen, aber hoher Innovationsbereitschaft können synthetische Daten als strategischen Hebel für digitale Wettbewerbsfähigkeit nutzen – nicht irgendwann, sondern jetzt.
Text: Alexander Krug
