Anonymisierte oder synthetische Daten: Was funktioniert für KI im Unternehmen?

Das Wichtigste in Kürze

• Anonymisierte Daten entstehen aus echten Daten und behalten deren Struktur, Sonderfälle und Beziehungen. Synthetische Daten erzeugt ein Modell neu.

• In komplexen Systemen wie SAP S/4HANA erhalten anonymisierte Daten die referenzielle Integrität automatisch. Synthetische Generatoren müssen sie nachbauen.

• Korrekt anonymisierte Daten fallen nach Erwägungsgrund 26 nicht unter die DSGVO. Für synthetische Daten gibt es dazu noch keine abschließende Leitlinie.

• Synthetische Daten eignen sich für kleine Datensätze, einfache Modelle und Szenarien ohne echte Daten.

Jedes KI-Team in Unternehmen steht vor derselben Grundfrage: Wie kommt man an genug hochwertige Trainingsdaten, ohne gegen Datenschutzrecht zu verstoßen?

Zwei Antworten haben sich durchgesetzt: anonymisierte Daten und synthetische Daten. Beide versprechen datenschutzfreundliche KI-Entwicklung, beide wollen den Nutzwert der Daten erhalten. In der Praxis funktionieren sie aber sehr unterschiedlich, und diese Unterschiede wiegen schwer, sobald KI im Unternehmen skaliert.

Dieser Artikel vergleicht beide Ansätze direkt und praxisnah: was funktioniert, was nicht und wo welcher Ansatz passt.

Was sind anonymisierte Daten?

Anonymisierte Daten entstehen aus echten Daten, die so verändert werden, dass sich Personen weder direkt noch indirekt identifizieren lassen. Richtig umgesetzt fallen sie vollständig aus dem Anwendungsbereich der DSGVO (Erwägungsgrund 26), weil sie keine personenbezogenen Daten mehr sind.

Moderne Anonymisierung, besonders mit Privacy-Enhancing Technologies (PETs), geht weit über einfaches Maskieren hinaus. Sie erhält die statistischen Verteilungen, die Beziehungen zwischen Datensätzen und die fachlichen Muster der Originaldaten. Die Struktur bleibt echt. Die Personen verschwinden.

Entscheidend ist: Anonymisierte Daten übernehmen die Komplexität des Quellsystems. Hat Ihre produktive SAP-Umgebung Tausende verknüpfte Tabellen mit kundeneigenen Feldern und Abhängigkeiten zwischen Modulen, spiegeln die anonymisierten Daten genau das wider, weil sie daraus entstanden sind.

Was sind synthetische Daten?

Synthetische Daten werden algorithmisch erzeugt. Ein Modell, oft ein generatives KI-Modell, lernt die statistischen Eigenschaften eines echten Datensatzes und erzeugt daraus völlig neue Datenpunkte mit ähnlichen Mustern, die von keiner bestimmten Person stammen.

In der Theorie bieten synthetische Daten einen Neuanfang: Im Ergebnis stecken keine personenbezogenen Daten, der Datenschutz ist also eingebaut. In der Praxis bringen synthetische Daten im Unternehmensumfeld einige Herausforderungen mit, die oft unterschätzt werden.

Fünf entscheidende Unterschiede für KI im Unternehmen

1. Datentreue und Sonderfälle

Anonymisierte Daten erhalten die volle Vielfalt realer Daten, einschließlich seltener Ereignisse, Ausreißer und Sonderfälle, die für die Genauigkeit von KI-Modellen entscheidend sind. Ein KI-Modell im Gesundheitswesen muss aus seltenen Diagnosen lernen. Ein System zur Betrugserkennung braucht ungewöhnliche Transaktionsmuster.

Generatoren für synthetische Daten lernen aus statistischen Verteilungen. Ereignisse, die in den Trainingsdaten selten vorkommen, können sie naturgemäß schlecht nachbilden. Gerade die Sonderfälle, auf die es für die KI am meisten ankommt, gelingen ihnen am wenigsten.

2. Systemkomplexität und referenzielle Integrität

Unternehmenssysteme bestehen nicht aus flachen Tabellen. Eine SAP-S/4HANA-Umgebung umfasst Tausende Tabellen mit komplexen Verknüpfungen: Kunden hängen an Aufträgen, Aufträge an Rechnungen, Rechnungen an Zahlungen, quer über mehrere Module.

Anonymisierte Daten erhalten diese Beziehungen automatisch, weil die Umwandlung auf echte Daten in der echten Systemstruktur angewendet wird. Synthetische Generatoren müssen diese Beziehungen von Grund auf nachbauen. Branchenanalysen zeigen, dass ihnen die Konsistenz über komplexe Tabellenbeziehungen oft nicht gelingt, ohne Widersprüche zu erzeugen.

Für Unternehmen mit komplexen ERP-Landschaften ist das ein sehr konkretes Problem. Gebrochene referenzielle Integrität bedeutet gescheiterte Integrationstests, unzuverlässige QA-Ergebnisse und KI-Modelle, die mit Daten trainiert wurden, die das echte Systemverhalten nicht abbilden. Wie die Anonymisierung mit referenzieller Integrität in SAP funktioniert, zeigt unser Leitfaden SAP-Testdaten anonymisieren.

3. Rechtliche Klarheit

Anonymisierte Daten haben unter der DSGVO eine gefestigte Rechtsstellung. Erwägungsgrund 26 stellt ausdrücklich klar, dass die DSGVO nicht für Daten gilt, die wirklich anonymisiert wurden. Das gibt Unternehmen eine klare und belastbare Grundlage für KI-Training mit anonymisierten Daten.

Bei synthetischen Daten ist die Lage weniger eindeutig. Zwar stammen sie nicht direkt von Personen, für die Erzeugung braucht es aber unter Umständen Zugriff auf personenbezogene Daten. Hinzu kommen sogenannte Membership-Inference-Angriffe: Ausgefeilte Analysen könnten zeigen, ob die Daten einer bestimmten Person zum Training des Generators verwendet wurden. Ob synthetische Daten als vollständig anonym gelten, haben die Aufsichtsbehörden noch nicht abschließend beantwortet.

4. Nachvollziehbarkeit und Prüfbarkeit

Der EU AI Act verlangt in Artikel 10 nachvollziehbare und dokumentierte Prozesse für die Datenaufbereitung. Anonymisierte Daten bieten eine direkte, prüfbare Herkunftskette: Quelldaten, Anonymisierungsregeln, Ergebnisdaten. Jeder Schritt ist deterministisch und reproduzierbar.

Die Erzeugung synthetischer Daten ist dagegen vom Zufall geprägt. Zwei Durchläufe desselben Generators können unterschiedliche Ergebnisse liefern. Genau zu erklären, wie ein synthetischer Datensatz entstanden ist und warum er repräsentativ ist, erfordert eine Interpretierbarkeit, die viele Generatoren nicht bieten.

5. Umsetzungsgeschwindigkeit und Kosten

Anonymisierung, besonders direkt im System, arbeitet mit vorhandenen Daten in vorhandenen Systemen. Es muss kein generatives Modell gebaut und trainiert, auf statistische Treue geprüft oder von synthetischen Artefakten befreit werden.

In Unternehmen mit gewachsenen Datenlandschaften liefert Anonymisierung KI-Trainingsdaten in Produktionsqualität innerhalb von Tagen oder Wochen. Projekte mit synthetischen Daten brauchen meist erhebliche Vorleistungen für Modellentwicklung, Kalibrierung und Validierung, bevor der erste brauchbare Datensatz entsteht.

Wann sind synthetische Daten sinnvoll?

Synthetische Daten haben durchaus ihre Berechtigung. Sie eignen sich, um kleine Datensätze in der Forschung zu ergänzen, Tabellendaten für einfache Analysemodelle zu erzeugen oder Trainingsdaten für Szenarien zu schaffen, für die es gar keine echten Daten gibt, etwa die Simulation seltener Ereignisse für autonome Fahrzeuge.

Für KI im Unternehmen, die auf komplexen Produktionsdaten aus mehreren Systemen aufbaut, und besonders in regulierten Branchen, in denen Nachvollziehbarkeit und Datentreue unverzichtbar sind, sind anonymisierte Daten der verlässlichere, schnellere und rechtlich klarere Weg.

Fazit

Die Wahl zwischen anonymisierten und synthetischen Daten hat direkte Folgen für die Qualität der KI-Modelle, die Compliance und die Zeit bis zum Nutzen.

Unternehmen, die bereits reichhaltige und komplexe Produktionsdaten besitzen, kommen am schnellsten und verlässlichsten zu KI-tauglichen Datensätzen, wenn sie die vorhandenen Daten umwandeln: Tiefe und Komplexität bleiben erhalten, das Datenschutzrisiko verschwindet.

Dafür sind Privacy-Enhancing Technologies wie die Anonymisierung direkt im System gebaut, etwa mit AppSafe™. Mit den Vorgaben des EU AI Act zur Daten-Governance liefert dieser Ansatz Compliance-Teams außerdem die Dokumentation, mit der sie belegen können, dass ihre KI-Systeme verantwortungsvoll entstanden sind.

Sie möchten sehen, wie anonymisierte Unternehmensdaten in KI-Pipelines funktionieren? Demo buchen

Häufige Fragen zu anonymisierten und synthetischen Daten

Was ist der Unterschied zwischen anonymisierten und synthetischen Daten?

Anonymisierte Daten entstehen aus echten Daten, aus denen der Personenbezug unumkehrbar entfernt wird. Struktur, Sonderfälle und Beziehungen bleiben erhalten. Synthetische Daten erzeugt ein Modell neu, auf Basis der statistischen Eigenschaften eines echten Datensatzes.

Fallen anonymisierte Daten unter die DSGVO?

Nein. Nach Erwägungsgrund 26 gilt die DSGVO nicht für Daten, die so anonymisiert sind, dass Personen nicht mehr identifiziert werden können.

Sind synthetische Daten automatisch anonym?

Nicht zwingend. Für die Erzeugung braucht es oft Zugriff auf personenbezogene Daten, und Membership-Inference-Angriffe können unter Umständen zeigen, ob die Daten einer Person ins Training eingeflossen sind. Eine abschließende Leitlinie der Aufsichtsbehörden gibt es dazu noch nicht.

Welcher Ansatz eignet sich für SAP und andere ERP-Systeme?

Für komplexe ERP-Landschaften eignen sich anonymisierte Produktionsdaten besser, weil sie die referenzielle Integrität über Tausende Tabellen und mehrere Module automatisch erhalten. Synthetische Generatoren müssen diese Beziehungen nachbauen und erzeugen dabei häufig Widersprüche.

Wann sind synthetische Daten die bessere Wahl?

Wenn keine echten Daten existieren, etwa bei der Simulation seltener Ereignisse, oder wenn kleine Datensätze für Forschung und einfache Analysemodelle ergänzt werden sollen.