Därför kan syntetisk data bli nästa stora teknikråvara

Data har länge kallats den nya oljan, men det finns en avgörande skillnad: verklig data är begränsad, dyr att samla in och ofta inlåst bakom integritetslagar och företagshemligheter. Nu växer ett alternativ fram som kan förändra spelplanen. Syntetisk data – artificiellt genererad information som statistiskt efterliknar verkligheten utan att avslöja den – används redan för att träna allt från självkörande bilar till medicinska diagnossystem. Fördelarna är uppenbara: obegränsad tillgång, ingen risk för dataintrång och möjligheten att skapa exakt de scenarier man behöver testa. Frågan är inte längre om syntetisk data kommer att spela en central roll, utan hur snabbt den blir teknikbranschens nästa stora råvara.

Oljan som aldrig tar slut

Traditionell datainsamling har alltid varit förenad med begränsningar. Företag måste samla in verklig information från verkliga människor, vilket tar tid, kostar pengar och ofta kräver komplicerade tillstånd. Syntetisk data vänder på det förhållandet fullständigt. Genom avancerade algoritmer och maskininlärningsmodeller kan man generera obegränsade mängder data som statistiskt liknar verklig information, utan att någonsin behöva samla in en enda riktig datapunkt. Det innebär att företag inte längre är beroende av hur mycket verklig data som faktiskt existerar eller går att få tag på, utan istället kan skapa exakt den volym de behöver.

Från brist till överflöd

Den här förskjutningen har enorma konsekvenser för branscher där data historiskt sett varit en bristvara. Inom till exempel sällsynta medicinska tillstånd finns det ofta för lite patientdata för att träna pålitliga AI-modeller. Med syntetisk data kan forskare simulera tusentals fiktiva patientfall som ändå fångar de statistiska mönster som är relevanta för diagnostik. Samma logik gäller för autonoma fordon, där man behöver träna system på extremt sällsynta men farliga trafiksituationer, sådana som knappt går att fånga i verklig kördata utan att sätta människor i fara.

En resurs som skalar med efterfrågan

Till skillnad från olja, som är en ändlig fysisk resurs, skalar syntetisk data i princip obegränsat med tillgänglig beräkningskraft. Det öppnar för en helt ny ekonomisk logik. Företag som tidigare varit låsta vid vad de kunnat samla in kan nu:

• Generera exakt de datamängder en specifik AI-modell behöver
• Simulera extrema eller sällsynta scenarier utan att vänta på att de inträffar naturligt
• Testa nya produkter i syntetiska miljöer innan de lanseras skarpt
• Justera datans egenskaper i realtid för att motverka snedvridningar
• Skala upp eller ner produktionen beroende på projektets behov

Frågan är dock om denna nya form av överflöd verkligen är gratis i praktiken, eller om den bara flyttar kostnaderna någon annanstans.

Integritet utan kompromisser

En av de starkaste drivkrafterna bakom syntetisk data handlar om integritet. Verklig data, särskilt inom sjukvård, bank och telekom, innehåller ofta känslig information om enskilda individer. Att dela, lagra eller ens analysera sådan data medför juridiska risker och kräver omfattande skyddsåtgärder enligt regelverk som GDPR. Syntetisk data erbjuder ett elegant sätt att kringgå det problemet. Eftersom informationen är artificiellt genererad och inte kopplad till någon verklig person, kan den i teorin delas och användas fritt utan samma integritetsrisker som verklig persondata medför.

Ett verktyg för säkrare delning

Detta gör syntetisk data särskilt attraktiv för organisationer som vill samarbeta kring dataanalys utan att exponera känslig information. Sjukhus kan till exempel dela syntetiska versioner av patientjournaler med forskare på andra institutioner, utan att röja identifierbara uppgifter om enskilda patienter.

Banker kan testa system för att upptäcka bedrägerier med hjälp av syntetiska transaktionsmönster, istället för att exponera riktiga kunders finansiella historik. På så sätt blir det möjligt att bygga och förbättra AI-system utan att kompromissa med den grundläggande rätten till personlig integritet.

Risken för att data ändå kan spåras

Trots dessa fördelar finns det kritiker som varnar för att syntetisk data inte är en universallösning på integritetsproblemen. Om modellerna som genererar datan har tränats på verklig känslig information finns en risk att mönster från originaldatan ändå läcker igenom i den syntetiska versionen. Forskning har visat att det under vissa omständigheter går att återskapa delar av den ursprungliga träningsdatan genom att analysera den syntetiska datan tillräckligt noggrant. Det innebär att integritetsskyddet inte är absolut, utan beror helt på hur noggrant modellerna har designats och testats innan de tas i bruk kommersiellt.

Vem äger den nya råvaran?

När data kan skapas istället för att samlas in förändras också maktbalansen inom techbranschen. Historiskt sett har de företag som samlat in mest verklig data, som stora sociala medieplattformar och sökmotorer, haft en enorm konkurrensfördel. Den fördelen bygger delvis på att verklig data är svår att replikera. Men om syntetisk data kan generera likvärdiga eller till och med bättre träningsresultat, minskar betydelsen av att äga stora mängder verklig användardata. Det öppnar potentiellt upp fältet för mindre aktörer som annars aldrig skulle kunna konkurrera med datajättarna.

Nya aktörer kliver in på marknaden

Just nu ser vi en våg av startupbolag som specialiserar sig enbart på att generera syntetisk data för specifika branscher, allt från fordonsindustrin till finanssektorn. Dessa företag säljer inte längre bara mjukvara, utan själva råvaran som mjukvaran behöver för att fungera.

Det skapar en helt ny marknad där värdet inte ligger i att äga data, utan i att kunna generera den mest träffsäkra och användbara versionen av den. Techjättarna investerar samtidigt stort i egna verktyg för att inte tappa greppet om denna framväxande marknad.

Maktkoncentrationen kan bestå ändå

Trots denna demokratiseringspotential finns det skäl att tro att maktkoncentrationen kan bestå i en ny form. Att bygga de mest avancerade modellerna för att generera syntetisk data kräver fortfarande enorma mängder beräkningskraft, kompetens och kapital, resurser som redan är koncentrerade till ett fåtal stora aktörer. Det finns därför en risk att de företag som redan dominerar AI-utvecklingen helt enkelt flyttar sitt övertag från att handla om datainsamling till att handla om datagenerering. Den grundläggande frågan om vem som kontrollerar tillgången till kritisk teknikinfrastruktur kvarstår, bara i en ny skepnad.