Sind synthetische Daten gut genug? Sieben Prüfsteine für Produkt- und KI-Teams

Die Idee ist selten das Problem. Das Problem sind die fehlenden Daten. Manchmal existieren die nötigen Informationen schlicht noch nicht. Manchmal dürfen sie aus Datenschutzgründen nicht verwendet werden. Und manchmal sind gerade die seltenen Situationen, auf die ein System zuverlässig reagieren soll, kaum dokumentiert.

Synthetische Daten versprechen einen Weg heraus. Sie lassen sich kontrolliert erzeugen, verändern und skalieren. Teams können damit arbeiten, bevor die reale Welt genug Daten hervorgebracht hat. Diese neue Handlungsfähigkeit ist aber keine empirische Gewissheit.

Entscheidend ist deshalb nicht, ob ein synthetischer Datensatz real genug wirkt. Entscheidend ist, welche Entscheidung er tragen soll, welche Eigenschaften der Realität dafür erhalten bleiben müssen und wie sich die zugrunde liegenden Annahmen später prüfen lassen.

Die Situation kennt fast jedes Produkt- und KI-Team: Die Idee steht, der erste Prototyp lässt sich bauen. Doch die Daten, die das spätere System braucht, existieren noch nicht, dürfen nicht verwendet werden oder bilden gerade jene seltenen Situationen nicht ab, auf die es besonders ankommt.

Die naheliegende Reaktion ist, nach mehr Daten zu suchen oder nach einem Weg, sie zu simulieren. Beides kann helfen. Beides bringt aber nur etwas, wenn vorher klar ist, wofür die Daten gebraucht werden.

Die entscheidende Frage lautet nicht, ob synthetische Daten realistisch aussehen. Sie lautet, welche Entscheidung sie unterstützen sollen.

Der Rückenwind ist real, nicht nur ein Hype-Narrativ. 2021 lag der Anteil synthetischer Daten am Trainingsmaterial für KI-Modelle bei etwa 1 Prozent. Gartner-Analysten gingen bereits 2023 davon aus, dass dieser Anteil bis Ende 2024 auf über 60 Prozent steigen würde,mit spürbaren Effekten in Gesundheitswesen, Finanzdienstleistungen und Handel (vgl. Tech Monitor, 2023). Der wirtschaftliche Vorteil zeigt sich vor allem in vier wiederkehrenden Situationen.

Das Produkt oder der Prozess existiert noch nicht. Entsprechend gibt es noch keine realen Daten dazu. Teams, die eine neue Produktkategorie aufbauen, simulieren deshalb Nutzungsszenarien und Datenflüsse, statt auf den ersten echten Traffic zu warten.

Reale Daten dürfen aus rechtlichen, ethischen oder organisatorischen Gründen nicht ohne Weiteres verwendet werden. Im Versicherungs-Underwriting zum Beispiel begrenzen Datenschutz und historische Datenlücken die Risikoeinschätzung. Versicherer erzeugen deshalb synthetische Kundenprofile, um ihre Risikomodelle auf einer breiteren, aber datenschutzkonformen Basis zu prüfen und die Genauigkeit ihrer Risikobewertung zu erhöhen (vgl. adesso).

Bestimmte Fehler, Anomalien oder Randfälle treten in realen Datensätzen nur selten auf, sind aber wirtschaftlich hoch relevant. In der Finanzbranche gehört das zum Kerngeschäft der Betrugserkennung: Betrugsfälle sind im Verhältnis zu legitimen Transaktionen extrem selten, weshalb Modelle zusätzlich mit synthetisch erzeugten Betrugsmustern trainiert werden (vgl. Tech Monitor, 2023). In der Industrie gilt dasselbe Prinzip für Anlagenausfälle. Bauteile mit sehr langer Lebensdauer liefern kaum reale Ausfalldaten. Statt auf den ersten echten Defekt zu warten, modellieren Produktionsteams den Verschleißprozess und trainieren damit KI-Systeme für die vorausschauende Wartung (vgl. ingenieur.de, 2025).

Datenmodelle, Benutzeroberflächen, Visualisierungen und Reaktionslogiken lassen sich testen, bevor eine aufwendige Erhebungsphase beginnt. Das verkürzt die Zeit zwischen erster Idee und erstem validierbaren Prototyp, gerade dort, wo reale Nutzungsdaten erst nach dem Launch entstehen.

Vier Situationen, ein gemeinsamer Nenner: Der Vorteil ist die Zeit und der Spielraum, den ein Team dadurch gewinnt, nicht der Datensatz selbst.

Die vier Situationen oben zeigen, wo synthetische Daten grundsätzlich infrage kommen. Ob sie im konkreten Fall tragen, entscheiden sieben Prüfsteine.

"Wir wollen synthetische Daten einsetzen" beschreibt noch keinen Anwendungsfall. Präziser sind Formulierungen wie:

Hinsichtlich der letzten Frage bedarf es deutlich mehr Evidenz als bezüglich der ersten vier.

Je nach Zweck zählen unterschiedliche Qualitäten:

Ein Datensatz kann strukturell passen und trotzdem sozial unplausibel sein.

Für einen Dashboard-Test trägt eine vereinfachte Simulation meist genug Gewicht. Bei Entscheidungen über Menschen, Leistungen, Sicherheit oder Gesundheit reicht das nicht. Entscheidend ist die Reichweite der Konsequenz, nicht die Technik der Datengenerierung: Ein falsches Testsignal kostet einen Sprint. Eine falsche Annahme über reale Nutzergruppen kostet Vertrauen, Budget oder im schlimmsten Fall die Gesundheit von Menschen. Je größer dieser Hebel, desto früher gehört Prüfstein 6 auf den Tisch.

Zu diesem Zweck bedarf es einer kompakten Dokumentation:

Diese Dokumentationspflicht ist inzwischen regulatorisch verankert: Der EU AI Act erwartet von Unternehmen, dass sie Herkunft, Verarbeitung und Qualitätssicherung ihrer Trainingsdaten nachweisen können, einschließlich der Vermeidung von Verzerrungen und Datenlücken (vgl. secjur, 2026). Wer Prüfstein 4 ernst nimmt, erledigt diese Nachweispflicht nebenbei mit.

Synthetische Datensätze wirken oft besonders sauber und konsistent. Reale Lebenswelten bringen Widersprüche, fehlende Informationen und mehrdeutige Verläufe mit. Wer ein Szenario am Reißbrett entwirft, baut fast automatisch die eigenen Annahmen über Normalität mit ein und übersieht damit genau die Fälle, die im Betrieb später für Überraschungen sorgen. Ein Review durch Fachleute, die mit den echten Randfällen aus dem Tagesgeschäft vertraut sind, deckt diese Lücke früh auf, bevor sie im Pilotbetrieb sichtbar wird.

Ein tragfähiger Validierungspfad durchläuft idealerweise folgende fünf Stufen:

Eine einfache Ampel ordnet Anwendungsfälle danach ein, wie viel zusätzliche Prüfung sie brauchen.

Aktuelle Fachbeiträge zur Praxis synthetischer Daten schlagen dafür ein Drei-Säulen-Modell vor: Fidelity, also die Treue zu den realen Verteilungen, Utility, also der Nutzen für das Trainingsziel, und Privacy, also der Schutz vor Rückschlüssen. Geprüft wird das unter anderem über Train-on-Synthetic-Test-on-Real-Benchmarks und den Abstand zum nächsten realen Datensatz (vgl. Fixstars, 2026). Das deckt sich mit Prüfstein 2 und 6: Ohne geprüfte Nutzung an echten Daten bleibt jede Fidelity-Zahl eine Behauptung.

Auch die Marktforschung markiert diese Grenze bei Produkttests. Ein Modell kann Konsumverhalten nicht wie ein Mensch erleben, deshalb bleibt synthetische Simulation dort ergänzend, sie ersetzt niemals (vgl. marktforschung.de, 2025).

Das gilt gerade dann, wenn es sich um die Synthetisierung von Verhaltensdaten handelt. Immer dann, wenn wir es mit Personen und somit mit sozialen Wesen zu tun haben, ist tatsächlich Vorsicht geboten. Da synthetisch Daten regelbasiert erzeugt werden, führen sie häufig Biases mit sich, oder sind eindeutiger als es Realdaten jemals wären. Es ist entsprechend wichtig, immer dann, wenn beispielsweise Nutzertests mittels Synthetisierung beschleunigt werden, einen kritischen Blick auf die neuen Erkenntnisse zu werfen und sie eingehend zu evaluieren.

Als Faustregel hilft das Bild einer Leiter mit fünf Stufen.

Synthetische Daten bereiten die ersten Stufen vor. Die letzten Stufen ersetzen sie nicht.

Für den Einstieg ins eigene Projekt lässt sich der Rahmen auf einer Seite festhalten. Das Synthetic Data Readiness Canvas bündelt zehn Felder: Entwicklungsfrage, Zweck der Daten, benötigte Realitätsmerkmale, Datengenerierung, Annahmen, Risiken, Validierungsweg, zulässige Aussagen, Übergang zu realen Daten und Verantwortlichkeiten.

Synthetische Daten verschieben, wann ein Team anfangen kann zu arbeiten. Sie verschieben nicht, wie viel Evidenz eine Entscheidung am Ende braucht. Wer beide Fragen früh trennt, spart sich Diskussionen, die sonst erst im Pilotbetrieb auftauchen, wenn eine Fachabteilung merkt, dass die Datenbasis für ihre Aussage nicht reicht.

Der Rahmen aus sieben Prüfsteinen, Ampel und Evidenzleiter lässt sich auf jedes Vorhaben anwenden, vom ersten Prototyp bis zur produktiven KI-Anwendung. Er ersetzt keine fachliche Prüfung im Einzelfall, aber er sorgt dafür, dass Produkt-, Daten- und Fachverantwortliche früh dieselbe Sprache sprechen: Was genau soll bewiesen werden, und mit welcher Datengrundlage ist dieser Beweis überhaupt zu haben. Diese Klarheit am Anfang eines Vorhabens ist günstiger als jede Korrektur danach.

Du willst einen KI- oder Produktprototyp entwickeln, hast aber noch keine belastbare Datengrundlage? In einem Synthetic Data Readiness Workshop prüfen wir gemeinsam, welche Entwicklungsfragen sich simulativ bearbeiten lassen, welche Datenstruktur du brauchst und an welchem Punkt reale Validierung unverzichtbar wird. Im Rahmen unseres R&D Labs haben wir unterdessen einiges an Expertise hinsichlich des Gebrauchs von synthetischen Daten gesammelt.

adesso: Methoden und Tools fürs Underwriting. Prozessunterstützung für eine schnelle Bearbeitung.

Fixstars, 2026: Synthetic Data for AI Model Training: A Decision Framework for ML Engineers.

ingenieur.de, 2025: Wie synthetische Daten die KI in der Produktion trainieren.

marktforschung.de, 2025: "Synthetische Daten bieten für Produkttests viele Vorteile."

secjur.com, 2026: EU AI Act: Warum Datenqualität der Schlüssel zur Compliance ist.

Tech Monitor, 2023: The majority of AI training data will be synthetic by next year, says Gartner.