Synthetische Datenanalyse: Zwischen Erkenntnisversprechen und methodischer Vorsicht

Sie versprechen Skalierbarkeit, sind vorgeblich mit Datenschutzgeboten vereinbar, laden zum Experimentieren ein und bieten überdies eine gewisse Unabhängigkeit von den bisweilen mühseligen Bedingungen empirischer Erhebung – es lasten also große Erwartungen auf synthetischen Daten als ganzes. Gerade in Bereichen, in denen sensible Informationen im Spiel sind — von Gesundheit über Bildung bis zu Aspekten sozialer Teilhabe — wiegt diese explizite Verheißung besonders schwer. Synthetische Datenanalyse erscheint in diesem Zusammenhang geradezu als methodischer Königsweg: Man gewinnt Informationen, ohne sich in der realen Welt die Hände schmutzig machen zu müssen. Doch genau an dieser Stelle beginnt die eigentliche Arbeit – eine solche der Reflexion.

Denn synthetische Daten sind – noch weniger als ihre herkömmlich erhobenen Geschwister – wertfrei bzw. neutral (Gitelman 2013). Sie sind vielmehr das Resultat eines Modellierungsprozesses, innerhalb dessen dem System bereits frühzeitig eine Tendenz der Datengewichtung nahegelegt wird, meist passiert diese auf Grundlage zuvor erhobener Realdaten, aber ein Nachfragen lohnt sich beim KI-Modell der Wahl allemal. Wer mit synthetisch generierten Daten hantiert, hat es daher nie bloß mit einem gleichwertigen Substitut zu tun, sondern immer mit einer notwendig verzerrten Darstellung von dem, was wir gemeinhin „Realität“ schimpfen. Daten sind, wie Gitelman (2013) betont, niemals „roh“, sondern immer bereits prozessiert; im Falle synthetischer Daten wird diese Vorschaltung durch das Generierungsmodell noch verdoppelt, wodurch bestehende gesellschaftliche Asymmetrien nicht aufgehoben, sondern algorithmisch verfestigt zu werden drohen (vgl. D’Ignazio & Klein 2020).

Synthetische Daten sind keine bloß anonymisierten oder bereinigten Realweltdaten. Sie sind künstlich erzeugte Datenpunkte, Datensätze oder Verläufe, die reale Strukturen möglichst plausibel nachbilden sollen, ohne mit konkreten Personen oder einzelnen Ereignissen identisch zu sein (vgl. Nikolenko 2021). Ihr Wert liegt dabei nicht in einem hohen Realismus, sondern vielmehr in ihrer (zugespitzten) Ähnlichkeit mit Realweltdaten: sie sollen eben so tun, als wären sie aus einer bestimmten Wirklichkeit hervorgegangen – und genau darin liegt ihre Stärke wie auch ihre Schwäche.

Denn diese Ähnlichkeit ist nie vollständig. Jede synthetische Datengenerierung beruht auf einer Auswahl: Bestimmte Muster werden beibehalten, andere geglättet, seltene Ereignisse sind unterrepräsentiert, Ambivalenzen reduziert, Widersprüche stillschweigend aufgelöst, Biases massiv überbetont. Was zurückbleibt, ist häufig eine strukturierte, gut lesbare und modellkompatible Welt. Für technische Entwicklungsarbeit kann das hilfreich sein. Für die Beschreibung sozialer Realität und das entsprechende Testing von Produkten wird es hier relativ rasch problematisch.

Dass synthetische Daten derzeit so attraktiv erscheinen, hat verschiedene Gründe: sie erlauben es, Systeme vorzubereiten, bevor ausreichend Realdaten vorliegen. Sie können dabei helfen, Datenpipelines zu testen, Features zu entwickeln, Visualisierungen vorzubereiten und erste Hypothesen zu formulieren. Vor allem dort, wo reale Datenerhebung teuer, langsam oder ethisch sensibel ist, bieten sie eine willkommene Alternative, mit der sich arbeiten lässt. Sie machen möglich, was sonst erst sehr viel später denkbar wäre: nämlich mit Datenstrukturen zu arbeiten, bevor die Welt solche tatsächlich hergibt.

Gerade in frühen Projektphasen ist das ein erheblicher Vorteil. Wer Baselines, Routinen, Anomalien oder Breaks modellieren möchte, muss nicht warten, bis langwierige Pilotphasen abgeschlossen sind. Synthetische Daten schaffen in diesem Sinn einen Vorraum der Erkenntnis. Sie helfen, Fragen zu schärfen, ohne dabei auf empirisch belastbare Antworten zu warten.

Man sollte entsprechend nicht dazu übergehen, die synthetische Datenbasis mit empirischer Evidenz zu verwechseln. Synthetische Datenanalyse kann zeigen, wie ein System funktionieren könnte. Sie kann nicht zeigen, dass die modellierte Wirklichkeit bereits hinreichend verstanden wurde bzw. dass die Welt dem Modell tatsächlich entspricht.

Die eigentliche methodische Schwierigkeit synthetischer Datenanalyse liegt darin, dass sie fäschlicherweise als pragmatische Abkürzung in Erscheinung tritt, obwohl es sich in Wahrheit eher um eine theoretisch-zuspitzende Verdichtung handelt. Jede Simulation trägt ein Weltbild in sich. Wenn etwa Tagesverläufe eines Haushalts synthetisch erzeugt werden, muss zuvor entschieden werden, was ein „typischer Tag“ ist, welche Abweichungen als relevant gelten, welche Kontexte Ereignisse zu erklären vermögen und welche Brüche als modellierungswürdig erscheinen. Mit anderen Worten: Noch bevor Daten synthetisiert werden, wurde bereits interpretiert.

Das ist insbesondere dann heikel, wenn synthetische Daten zum Einsatz kommen, um explizit soziale Phänomene zu untersuchen. Denn soziale Wirklichkeiten sind nicht nur komplex, sondern darüber hinaus mehrdeutig und können äußerst subjektiv zu Buche schlagen. Ein und dieselbe Aktion kann bei sozialen Akteuren grundverschiedene Richtungen anzeigen. Wenn etwa eine Person die eigene Wohnung nur noch selten verlässt, kann dies entweder auf eine Krankheit zurückzuführen sein, es kann allerdings auch auf schlechtes Wetter hindeuten, auf freiwilligen Rückzug, auf Besuch, auf Angst, auf Erschöpfung oder auf den Wegfall einer früheren Routine. Ein und dieselbe Datenstruktur kann somit mehrere soziale Wahrheiten in sich tragen. Synthetische Datensätze neigen jedoch dazu, diese Komplexität zu reduzieren, weil sie aus ihrer Modelllogik heraus auf ein hohes Maß an modellkompatibler Konsistenz angewiesen sind (vgl. Esposito 2022).

Gerade deshalb droht eine gefährliche Verwechslung: Das, was in der Simulation als plausibel erscheint, wird allzu schnell für das gehalten, was in der Realität wahrscheinlich ist. Doch Plausibilität ist noch kein Beweis oder eine Validierung.

Vielleicht ist es produktiver, synthetische Daten nicht als Ersatz für Wirklichkeit zu verstehen, sondern in ihnen eine Form strukturierter Fiktion zu erblicken. Sie sind nützlich, weil sie kontrollierbar sind. Sie lassen sich variieren, wiederholen, strecken, stören und systematisch brechen. Man kann mit ihnen testen, was ein System „wahrnähme“, gerierten sich bestimmte Routinen als stabil oder wenn sich gewisse Muster über die Zeit hinweg veränderten. Gerade darin liegt ihr heuristischer Wert: sie erlauben nicht so sehr den Zugriff auf Wahrheit, wohl aber eröffnen sie einen Möglichkeitskorridor.

Verstanden als strukturierte Fiktionen können synthetische Daten dabei helfen, blinde Flecken im eigenen Denken sichtbar zu machen. Welche Features halten wir überhaupt für relevant? Welche Breaks adressieren wir, welche nicht? Welche Normalität liegt unserer Simulation stillschweigend zugrunde? Und wo verrät die Simulation mehr über unsere (hohen) Erwartungen als über die Zielgruppe selbst? In diesem Sinne kann synthetische Datenanalyse ausgesprochen erkenntnisreich sein – vorausgesetzt, sie bleibt reflexiv.

Methodisch sauber wird synthetische Datenanalyse erst dann, wenn klar benannt wird, was sie leisten soll und was nicht. Für Entwicklungsarbeit ist der Gebrauch synthetischer Daten ausgesprochen nützlich, wenn es darum geht,

Sobald es jedoch darum geht, belastbare Aussagen über real existierende Verteilungen, reale Risiken, reale Akzeptanz oder gar reale Wirksamkeit zu treffen, kippt ihr Charakter. Dann wird aus einer bewusst heuristischen Methodologie ein Scheinbeweis. Und genau an diesem Punkt ist Vorsicht geboten.

Die entscheidende Grenze verläuft also nicht zwischen „echt“ und „künstlich“, sondern zwischen entwicklungsunterstützender Exploration und unzulässigem Geltungsanspruch. Die Segnungen der synthetischen Daten dürfen und sollten vorbereitend genutzt werden. Sie jedoch dazu verwenden zu wollen, eine Abkürzung hinsichtlich der Validierung anzustreben, ist mehr als töricht.

Bezüglich rein technischer Domänen, die mit klarerem Signalcharakter daherkommen, mag der Einsatz synthetischer Daten weniger gravierende Auswirkungen haben. In sozialen Kontexten ist maximale Vorsicht geboten! Wer Routinen, Rückzug, Teilhabeverluste oder gar soziale Isolation datenförmig sichtbar machen will, sollte sich darüber im Klaren sein, dass es sich um Phänomene handelt, die nicht einfach objektiv vorliegen. Sie entstehen im Zusammenspiel von Verhalten, Kontext, Interpretation und Relation. Synthetische Daten können hier bestenfalls Annäherungen an beobachtbare Muster liefern – keineswegs reichen sie allerdings heran an die Bedeutung, die diese Muster für reale Individuen haben.

Das ist kein Argument gegen den Einsatz synthetischer Datenanalyse. Es handelt sich lediglich um einen Hinweis auf die Notwendigkeit der Reflexion – ein Argument gegen ihren unkritischen Einsatz. Gerade in Projekten, die sich an den Bedürfnissen und Risiken verletzlicher und/oder vulnerabler Gruppen orientieren, sollte daher umso klarer zwischen datenförmiger Abweichung und sozialer Wirklichkeit unterschieden werden. Ein technisches System kann Muster erkennen und solche teilweise sinnvoll replizieren. Es kann damit noch lange nicht sagen, was diese Muster für ein Leben bedeuten; die durch und durch menschliche Kompetenz der Empathie lässt sich nicht auslagern.

Der vielleicht wichtigste Beitrag synthetischer Datenanalyse liegt deshalb nicht in der Produktion künstlicher Gewissheit, sondern in der Schulung methodisch fundierter Urteilskraft. Valide synthetische Datensätze zwingen dazu, implizite Annahmen explizit sichtbar zu machen. Sie offenbaren, welche Normalitätsbilder ein Projekt mit sich führt, welche Kontexte beachtet werden sollten und wo Systeme vermeintliche Eindeutigkeit unterstellen. In dieser Hinsicht sind synthetische Daten keine Abkürzung um die Empirie herum, sondern fungieren viel mehr als eine Vorbereitung auf reale Testläufe.

Das gilt besonders dann, wenn synthetische Datengenerierung nicht als rein technischer Prozess, sondern als interdisziplinäre Arbeit verstanden wird. Erst dort, wo Fachlogik, technische Modellierung und kritische Reflexion zusammenkommen, kann aus Simulation etwas werden, das mehr ist als eine eindrückliche Spekulation. Die Fähigkeit, bessere Fragen zu stellen, ist der wahre Game Changer, den die synthetischen Daten mit sich führen.

Synthetische Datenanalyse ist weder Wundermittel noch bloßes Placebo. Ihr Wert liegt in der kontrollierten Herstellung sogenannter Möglichkeitsräume. Synthetische Daten können dabei helfen, Systeme im Rahmen der Entwicklung vorzubereiten, Hypothesen zu generieren und methodische Entscheidungen zu schärfen. Ihre Schwäche liegt dort, wo sich synthetische Datenanalyse als stille Evidenz ausgibt und vergessen macht, dass sie auf zugespitzten Modellannahmen beruht.

Wer mit synthetischen Daten arbeitet, sollte deshalb nicht fragen, ob sie „real genug“ sind. Die entscheidendere Frage lautet: Wofür genau sollen sie genügen? Für Exploration, Vorbereitung und Reflexion können sie ausgesprochen wertvoll sein. Für belastbare Aussagen über soziale Wirklichkeit genügen sie ausdrücklich nicht! Die Tatsache, dass „[t]he body as representation relinquishes its sovereignty, leaving the image of the body available for appropriation and for reestablishment in sign networks separate from those of the given world“ (Critical Art Ensemble 1994: 57) wird in der Gegenwart mit Bezug auf die Nutzung synthetisch erzeugter Datensätze nachgerade virulent. Mit dieser Möglichkeit kommt allerdings auch die Verantwortung, die die Anwendung produktiv begrenzt: Synthetische Datenanalyse ist etwa dann gut, wenn sie sich nicht für mehr hält, als sie tatsächlich ist: ein methodisches Werkzeug, das dabei hilft, die Welt in spekulativer Manier zu gestalten – ohne dabei einen wirklich ernsthaften Zugriff auf die wirkliche Lebenswelt zu behaupten.

Critical Art Ensemble (1994): The Electronic Disturbance. Autonomedia, New York.

D’Ignazio, Catherine & Klein, Lauren F. (2020): Data Feminism. The MIT Press, Cambridge, Massachusetts.

Esposito, Elena (2022): Artificial Communication: How Algorithms Produce Social Intelligence. The MIT Press, Cambridge, Massachusetts.

Gitelman, Lisa (2013): „Raw Data“ Is an Oxymoron. The MIT Press, Cambridge, Massachusetts.

Nikolenko, Sergey I. (2021): Synthetic Data for Deep Learning. Springer Nature Switzerland, Cham.