Synthetische data zijn kunstmatig gegenereerde gegevens die patronen van echte data kunnen nabootsen. Ze kunnen een AI-pilot veiliger maken, maar zijn niet automatisch anoniem, AVG-proof of bruikbaar voor ieder doel. Toets daarom altijd of personen nog herleidbaar zijn, of de dataset de taak goed genoeg weerspiegelt en of je de gegevens werkelijk nodig hebt.
Een synthetische dataset is geen privacytoverstaf. Het is een ontwerpkeuze: soms een verstandige manier om te oefenen zonder echte klant- of medewerkersgegevens, soms een onvoldoende alternatief voor een vraag die echte, actuele gegevens vereist.
Wat zijn synthetische data?
Synthetische data zijn gegevens die door een model, regels of een simulator worden gemaakt en kenmerken van een bronset proberen na te bootsen. De afzonderlijke records zijn dus niet simpelweg gekopieerd uit een bestaande database.
Stel dat een organisatie wil testen of AI inkomende meldingen goed kan indelen. Een synthetische dataset kan dan bijvoorbeeld duizenden fictieve meldingen bevatten, met realistische onderwerpen, prioriteiten, doorlooptijden en combinaties van velden. Het doel is niet om echte meldingen te reproduceren, maar om een oefensituatie te maken die voldoende lijkt op het werkproces.
Synthetische data kunnen worden gemaakt uit patronen in echte data, maar ook uit vooraf bepaalde regels of een combinatie daarvan. Juist die herkomst is belangrijk voor je beoordeling:
- Op regels gebaseerde data volgen zelfgekozen scenario’s, zoals fictieve adressen, verzonnen klantvragen of testorders.
- Modelgegenereerde data proberen statistische patronen uit een bronset na te bootsen.
- Gemengde data combineren fictieve basisgegevens met een beperkt aantal realistische kenmerken of uitzonderingen.
Hoe realistischer een dataset moet zijn, hoe meer aandacht nodig is voor privacy, representativiteit en mogelijke herleidbaarheid.
Kort antwoord: synthetische data zijn kunstmatig gegenereerde gegevens die patronen van echte data kunnen nabootsen. Ze zijn niet automatisch anoniem, veilig of geschikt voor ieder doel.
Wat is het verschil tussen echte, geanonimiseerde en synthetische data?
Deze begrippen worden vaak door elkaar gehaald, terwijl ze verschillende vragen beantwoorden. Echte data gaan over de herkomst. Anonimisering gaat over herleidbaarheid. Synthetische data gaan over de manier waarop een dataset is gemaakt.
| Soort data | Wat is het? | Belangrijkste risico | Praktische vraag |
|---|---|---|---|
| Echte data | Records uit een werkelijk proces, bijvoorbeeld klantcontacten of dossiers | Persoonsgegevens, vertrouwelijkheid, te brede toegang | Is deze informatie noodzakelijk voor de test? |
| Geanonimiseerde data | Echte data die zo zijn bewerkt dat personen niet redelijkerwijs identificeerbaar zijn | Onvoldoende anonimisering of koppeling met andere gegevens | Kan iemand toch opnieuw worden herkend? |
| Synthetische data | Kunstmatig gegenereerde records die patronen of scenario’s nabootsen | Herleidbare nabootsing, lekken uit brondata, onrealistische patronen | Lijkt de dataset genoeg op de taak, zonder personen bloot te leggen? |
Een veelgemaakte fout is denken dat synthetisch automatisch anoniem betekent. Dat hoeft niet zo te zijn. Als een generator te dicht tegen zeldzame gevallen uit de brondata aanleunt, of als je de uitkomst kunt combineren met andere informatie, kan er nog steeds een privacyrisico bestaan.
Ook pseudonimisering is iets anders. Een naam vervangen door een nummer betekent niet automatisch dat gegevens anoniem zijn. Als een organisatie de sleutel, aanvullende gegevens of andere koppelingen heeft waarmee iemand weer te identificeren is, blijven het doorgaans persoonsgegevens.
De AVG definieert persoonsgegevens breed en verlangt onder meer doelbinding, dataminimalisatie, juistheid, opslagbeperking en passende beveiliging. Een andere datasetvorm verandert die basisprincipes niet. Zie de AVG op EUR-Lex, met name artikel 4 en artikel 5.
Zijn synthetische data AVG-proof?
Niet automatisch. Synthetische data zijn alleen buiten het bereik van de AVG als personen niet identificeerbaar zijn, ook niet met redelijkerwijs beschikbare aanvullende informatie. Of dat zo is, hangt af van de gebruikte methode, de brondata, de zeldzaamheid van kenmerken en de context waarin de dataset wordt gebruikt of gedeeld.
Gebruik daarom niet de vraag: “Is deze synthetische dataset AVG-proof?” als eindpunt. Stel liever deze vragen:
- Zijn persoonsgegevens gebruikt om de dataset te maken? Dan is de ontwikkelstap zelf al een verwerking die je moet kunnen uitleggen en beveiligen.
- Kan een record een werkelijk persoon te dicht benaderen? Kijk extra kritisch naar unieke combinaties, kleine groepen en uitzonderlijke situaties.
- Kan iemand de dataset koppelen aan andere informatie? Een dataset kan op zichzelf onschuldig lijken, maar in combinatie met openbare of interne gegevens toch herleidbaar worden.
- Past het doel bij de gegevens? Ook als een pilot met beperkte gegevens kan, is een grote of gedetailleerde bronset niet vanzelfsprekend nodig.
- Wie heeft toegang, waar staat de dataset en hoe lang blijft hij beschikbaar? Privacy gaat niet alleen over het genereren, maar ook over opslag, delen, logging en verwijderen.
De Autoriteit Persoonsgegevens benadrukt dat de AVG bescherming biedt wanneer AI-systemen persoonsgegevens verwerken. De AI-verordening komt daar aanvullend bij en werkt risicogebaseerd. Voor hoogrisicosystemen noemt de AP onder meer datamanagement, logging, representatieve inputdata en menselijk toezicht als belangrijke onderwerpen. Lees de actuele uitleg van de Autoriteit Persoonsgegevens over de AI-verordening.
Wanneer kun je synthetische data gebruiken voor een AI-pilot?
Gebruik synthetische data vooral voor een afgebakende pilot wanneer echte persoonsgegevens niet nodig zijn om de eerste vraag te beantwoorden. Ze zijn bijzonder bruikbaar om een proces, prompt, classificatie, interface of controleslag te testen voordat je toegang tot productiedata overweegt.
Een veilige eerste pilot draait niet om de vraag of AI “alles kan”. Hij beantwoordt één concrete werkvraag, bijvoorbeeld:
- Kan AI fictieve meldingen indelen in vaste categorieën?
- Kan een assistent een intern conceptantwoord maken op basis van vooraf goedgekeurde voorbeeldvragen?
- Kan een workflow uitzonderingen herkennen in gesimuleerde bestellingen?
- Kan een team een reviewproces oefenen met een synthetische dataset en duidelijke goedkeuringsstappen?
Wanneer zijn synthetische data geen goed alternatief?
Synthetische data zijn minder geschikt wanneer het doel juist afhangt van de echte, actuele of zeldzame kenmerken van de werkelijkheid. Bijvoorbeeld wanneer je wilt vaststellen hoe goed een model presteert voor een kleine, kwetsbare groep, wanneer actuele uitzonderingen cruciaal zijn of wanneer je een bestaande bias in productiegegevens wilt onderzoeken.
Dan bestaat het risico dat een synthetische dataset de werkelijkheid te glad maakt. Een model kan dan uitstekend scoren op oefendata, maar tekortschieten zodra het echte werk rommelig, onvolledig of afwijkend blijkt.
De oplossing is niet automatisch alsnog alle productiedata gebruiken. Onderzoek liever of je het doel kleiner maakt, de bronset verder beperkt, een veilige testomgeving gebruikt of aanvullende menselijke beoordeling inricht.
Een veilige oefenomgeving, geen vrijbrief
Synthetische data verlagen soms het risico, maar nemen de verantwoordelijkheid voor een goede AI-inrichting niet weg. Een pilot is pas beheersbaar als de taak, data, toegang, controle en eigenaar duidelijk zijn.
Bij AIMAZE kijken we daarom niet alleen naar de dataset, maar ook naar de omgeving eromheen. Vraag bij een AI-toepassing onder meer naar verwerking, opslag, leveranciers, toegang, logging, menselijke controle en het eventuele gebruik van data voor training. Dit zijn geen losse technische details: samen bepalen ze of een proef uitlegbaar en beheersbaar blijft.
Beperk toegang, ook in een test
Een synthetische dataset is geen reden om onbeperkt toegang te geven. Houd de pilot klein:
- geef alleen toegang aan de mensen die de test uitvoeren of beoordelen;
- gebruik een afgebakende testomgeving in plaats van een gedeelde productiemap;
- geef de AI alleen leesrechten als schrijven niet nodig is;
- leg vast waar de dataset staat, wie hem mag exporteren en wanneer hij wordt verwijderd;
- controleer of een leverancier de invoer bewaart of voor training gebruikt.
Dezelfde regel geldt voor tools en koppelingen: als een nieuwe functie meer kan zien of doen, moet iemand opnieuw besluiten of dat ook mag. Lees ook: Wanneer moet je AI-beleid veranderen als een tool nieuwe functies krijgt?.
Laat AI voorbereiden, niet beslissen
Een synthetische pilot is een goede plek om menselijke regie zichtbaar te maken. Laat AI bijvoorbeeld signaleren, classificeren of een concept voorbereiden. Laat een bevoegde medewerker besluiten over externe communicatie, wijzigingen, toekenningen, betalingen of oordelen over personen.
Dat is niet alleen voorzichtig; het levert ook betere leerpunten op. Je ziet namelijk precies waar de AI waarde toevoegt en waar context, uitzonderingen of menselijk oordeel nodig blijven.
Veelgestelde vragen over synthetische data
Wat zijn synthetische data?
Synthetische data zijn kunstmatig gegenereerde gegevens die patronen van echte data of vooraf ontworpen scenario’s kunnen nabootsen. Ze worden bijvoorbeeld gebruikt om een AI-model, workflow of interface te testen zonder direct met productiedata te werken. Synthetisch betekent niet automatisch anoniem of risicovrij.
Zijn synthetische data anoniem?
Niet per definitie. Of synthetische data anoniem zijn, hangt af van de manier waarop ze zijn gemaakt, de mate waarin zij echte records kunnen benaderen en de mogelijkheid om ze met andere informatie te koppelen. Beoordeel herleidbaarheid altijd in de concrete context.
Zijn synthetische data veilig voor een AI-pilot?
Synthetische data kunnen een AI-pilot veiliger maken wanneer echte persoonsgegevens niet nodig zijn. Beoordeel wel herleidbaarheid, datakwaliteit, toegang, opslag en het doel van de verwerking. Een kleine pilot met minimale rechten en menselijke review is meestal een beter startpunt dan brede toegang tot productiedata.
Wanneer zijn synthetische data een goed alternatief voor echte data?
Ze zijn een goed alternatief wanneer je een afgebakende taak, processtap of kwaliteitscontrole wilt testen en echte persoonsgegevens daarvoor niet noodzakelijk zijn. Denk aan het oefenen met classificatie, conceptantwoorden, simulaties en workflowtests. Ze zijn minder geschikt wanneer actuele, zeldzame of zeer specifieke praktijkkenmerken bepalend zijn voor je vraag.
Moet ik de AVG toepassen op synthetische data?
Wanneer persoonsgegevens worden gebruikt om de synthetische dataset te maken, is die stap een verwerking waarop de AVG van toepassing kan zijn. Ook de uiteindelijke dataset kan onder de AVG vallen als personen nog identificeerbaar zijn. Laat bij twijfel een privacydeskundige beoordelen wat in jouw situatie nodig is.
Kan ik met synthetische data testen zonder echte klantgegevens te gebruiken?
Ja, vaak wel. Maak de pilot klein en kies één taak die je met fictieve of nagebootste scenario’s kunt beoordelen. Leg vast welke kenmerken nodig zijn, controleer of de dataset de relevante uitzonderingen bevat en laat medewerkers de output beoordelen. Gebruik echte klantgegevens pas als dat aantoonbaar nodig is en passend is ingericht.
Bronnen
- EUR-Lex: Algemene verordening gegevensbescherming (AVG), Verordening (EU) 2016/679, geraadpleegd op 23 oktober 2026. Zie onder meer artikel 4 voor definities en artikel 5 voor beginselen van verwerking.
- Autoriteit Persoonsgegevens: AI-verordening, bijgewerkt op 17 augustus 2026, geraadpleegd op 23 oktober 2026.
- AIMAZE Operations, interne bedrijfsinformatie: aandachtspunten voor dataveiligheid en begeleiding bij verantwoord AI-gebruik, geraadpleegd op 23 oktober 2026.
