20 May 2026 · 7 min
Ein Generator, der sich seinen Trainingssatz merkt, reproduziert reale Menschen. Messung ist nicht optional.
Synthetische Daten werden oft als sauberer Ausweg aus dem Datenschutzrecht verkauft: erzeuge künstliche Datensätze, die wie echte aussehen, und weil keine reale Person darin ist, gelten die Regeln nicht mehr. Diese Geschichte ist verlockend und, wörtlich genommen, gefährlich. Synthetische Daten können ein wirklich mächtiges Datenschutzwerkzeug sein — aber nur, wenn Sie messen, was sie tatsächlich schützen, statt anzunehmen, das Wort „synthetisch" sei ein Zauberstab.
Das ehrliche Bild ist interessanter als das Marketing. Sorgfältig gemacht, lässt synthetische Daten Arbeit zu, die Datenschutzregeln sonst blockieren. Nachlässig gemacht, verrät sie genau die Information, die sie verbergen sollte — und gibt allen ein falsches Sicherheitsgefühl.
Synthetische Daten erzeugt ein Modell, das die statistische Struktur eines echten Datensatzes gelernt hat und dann neue Datensätze aus dieser gelernten Verteilung produziert. Gut gemacht, bewahrt der synthetische Satz die Korrelationen und Muster, die Daten nützlich machen — sodass ein darauf trainiertes Modell sich fast wie eines auf echten Daten verhält — ohne dass eine Zeile einer realen Person entspricht.
In diesem letzten Satz steckt die Feinheit. „Keine Zeile entspricht einer realen Person" ist eine Aussage über die Ausgabe, und Aussagen müssen verifiziert, nicht angenommen werden. Der Erzeugungsprozess bestimmt, ob sie wahr ist.
Ein generatives Modell kann sich merken. Bei Overfitting kann es echte Datensätze nahezu wörtlich reproduzieren oder synthetische Punkte so nah an realen Personen erzeugen, dass diese re-identifizierbar sind. Das Gefährliche: die Ausgabe sieht weiter synthetisch aus — sie besteht den Augenschein — während sie still echte, sensible Information trägt. Ein Team, das synthetische Daten für automatisch sicher hält, würde eine unsichtbare Datenpanne ausliefern.
Genau dieser Modus zählt, und er ist unsichtbar, wenn Sie nicht gezielt dafür messen. „Es sieht falsch aus" ist kein Beleg für Sicherheit.
Der verantwortungsvolle Ansatz behandelt Datenschutz als Zahl, nicht als Annahme. Wir messen, wie nah synthetische Datensätze an den realen Personen liegen, aus denen sie abgeleitet wurden, und wenden bei Bedarf Differential Privacy während der Erzeugung an — eine mathematische Garantie, die begrenzt, wie stark eine einzelne reale Person die Ausgabe beeinflussen kann. Das Ergebnis ist ein benennbares, verteidigbares, schriftlich festhaltbares Risiko.
Differential Privacy ist nicht kostenlos: die Garantie hochzudrehen verwischt die Daten. Aber sie verwandelt Datenschutz von einem Gefühl in einen Regler, den Sie bewusst setzen, mit explizitem Trade-off.
Datenschutz ist nur die Hälfte. Perfekt private, aber statistisch nutzlose synthetische Daten sind wertlos — das ginge auch mit Rauschen. Die andere Messung ist Nutzen: performt ein auf den synthetischen Daten trainiertes Modell tatsächlich gegen echte Hold-out-Daten? Erst wenn beide Zahlen gut sind, erfüllt der synthetische Satz seinen Zweck.
Diese Ziele ziehen gegeneinander. Mehr Schutz kostet meist Nutzen, treuere Daten kosten Datenschutz. Das Engineering findet den Punkt auf der Kurve, der Recht und Praxis erfüllt — und das erfordert Messen, kein Raten.
Ehrlich genutzt, macht synthetische Daten oft ein gestocktes Projekt möglich. Daten, die keine Grenze überqueren, mit einem Partner geteilt oder in Entwicklung genutzt werden dürfen, lassen sich durch einen synthetischen Ersatz mit dem statistischen Signal ohne die echten Datensätze ersetzen. Wir haben monatelang eingefrorene Initiativen sich auflösen sehen, sobald das Design keine echten Personendaten mehr berührt.
Entscheidend: das funktioniert nur, wenn die Datenschutzaussage gemessen ist. Der Wert ist real, aber abhängig von der Messung, die das Marketing überspringt.
Synthetische Daten sind nicht immer das richtige Werkzeug. Für manche Aufgaben ist der Genauigkeitsverlust inakzeptabel; für andere lösen einfachere Techniken wie sorgfältige Anonymisierung oder Zugriffskontrolle das Problem mit weniger Komplexität. Zur synthetischen Erzeugung zu greifen, weil sie raffiniert klingt, wenn Einfacheres reichte, ist ein eigener Fehler.
Wir sind darüber offen. Manchmal ist die Antwort synthetische Daten mit gemessenen Garantien; manchmal ein kleines On-Device-Modell, damit echte Daten nie wandern; manchmal etwas Schlichteres. Die richtige Wahl hängt von Ihren Daten, Grenzen und Risikotoleranz ab.
Die eine Praxis, die verantwortungsvolle synthetische Daten von Wunschdenken trennt, ist Dokumentation: eine schriftliche Aussage über das Re-Identifikationsrisiko, den an echten Daten gemessenen Nutzen und die verwendeten Differential-Privacy-Parameter. Dieses Dokument lässt Ihr Rechtsteam mit Zuversicht statt Hoffnung freigeben und verwandelt „es ist synthetisch, also okay" in eine verteidigbare Position. Ohne es haben Sie eine Behauptung; mit ihm Evidenz.
Buchen Sie ein 30-minütiges Gespräch. Wir sagen Ihnen ehrlich, ob wir helfen können.
Termin buchen