La donnée synthétique s'impose comme réponse à la pénurie de données réelles et aux contraintes RGPD. Mais générer des données synthétiques entraînement modèle ML ne dispense ni d'une vigilance sur les biais amplifiés, ni d'une analyse juridique rigoureuse.
Le mouvement s'est accéléré depuis le rachat de Gretel par Nvidia, finalisé en mars 2025 pour un montant à neuf chiffres, supérieur à la valorisation de 320 millions de dollars de la startup. Nvidia a acquis Gretel, une entreprise spécialisée dans la donnée synthétique, pour un montant à neuf chiffres, alors que sa dernière valorisation s'élevait à 320 millions de dollars. L'opération confirme une tendance de fond : des géants technologiques comme Microsoft, Meta, OpenAI et Anthropic utilisent déjà des données synthétiques pour entraîner leurs modèles phares, à mesure qu'ils épuisent les sources de données réelles disponibles.
Cette bascule touche aussi les entreprises françaises, pour deux raisons concrètes. D'une part, les jeux de données réels se raréfient ou deviennent inexploitables pour l'entraînement à grande échelle. D'autre part, les données clients réelles sont désormais bloquées par le RGPD, HIPAA et 144 lois nationales sur la vie privée, ce qui pousse les équipes data à chercher des alternatives pour continuer à développer et tester leurs modèles sans enfreindre la réglementation.
La CNIL elle-même encourage cette voie dans ses fiches pratiques consacrées à l'IA, publiées entre 2024 et juillet 2025 : elle invite à vérifier que des méthodes moins intrusives, comme l'anonymisation ou les données synthétiques, ne peuvent pas atteindre les mêmes résultats que le traitement de données personnelles réelles. Elle recommande également, pour les phases de test, de mener une étude pilote à petite échelle en utilisant des données fictives, synthétiques ou anonymisées.
Trois familles d'outils se distinguent nettement en 2026, et le choix dépend moins de la "qualité" brute que du cas d'usage et des contraintes de souveraineté des données.
Mostly AI développe des solutions de données synthétiques dédiées depuis 2017, basée en Autriche avec une résidence des données conforme au RGPD en Europe — un point qui pèse lourd pour les acheteurs européens méfiants vis-à-vis des fournisseurs américains après l'arrêt Schrems II. La société a par ailleurs ouvert le code source de son SDK sous licence Apache 2.0 fin 2024, ce qui permet d'auditer ou d'auto-héberger la logique de génération plutôt que de dépendre d'une boîte noire.
Les références clients publiées illustrent des usages concrets : Swiss Post a rapporté avoir débloqué 89 % de données clients supplémentaires en remplaçant un accès restreint par un jumeau synthétique, et Erste Group utilise la donnée synthétique dans tous ses environnements de test non-production sur Databricks. Mostly AI a aussi obtenu un contrat de 196 800 dollars du Department of Homeland Security américain pour développer des capacités de préservation de la vie privée, une validation tierce rare dans ce secteur. Ses points forts tiennent à la synthèse relationnelle la plus mature du marché, avec des métriques de fidélité, d'utilité et de confidentialité publiées sur chaque job, qui ressemblent davantage à une piste d'audit qu'à un tableau de bord, ainsi qu'à l'intégrité référentielle sur des jeux de données multi-tables. En revanche, la tarification au crédit pénalise les régénérations fréquentes dans les pipelines CI, et la plateforme reste centrée sur les données structurées, tabulaires et temporelles plutôt que sur l'image ou la vidéo.
Depuis son intégration, Gretel et son équipe d'environ 80 salariés ont rejoint les services cloud pour développeurs IA de Nvidia, dans une logique d'« AI full-stack » qui associe GPU, logiciels et données. Gretel conserve une identité API-first, pensée pour les équipes d'ingénierie : c'est une plateforme orientée développeurs qui combine génération de données synthétiques, ingénierie de la confidentialité et jeux de données prêts pour l'IA, avec une approche API-first très appréciée des équipes d'ingénierie et des développeurs IA. Pour un cas d'usage ponctuel, une intégration CI/CD ou un pipeline de fine-tuning LLM, Gretel reste souvent le choix par défaut, pendant que Mostly AI s'impose sur les données relationnelles réglementées en Europe.
Pour les équipes qui veulent garder la main sur le pipeline sans dépendre d'un éditeur, SDV représente l'approche open source de la donnée synthétique : c'est un framework Python supportant plusieurs modèles génératifs, dont CTGAN, CopulaGAN et GaussianCopula. La bibliothèque Synthetic Data Vault (SDV) est le framework Python le plus utilisé en open source, avec des modèles GaussianCopula, CTGAN et TVAE pour les données tabulaires. Son principal avantage est l'absence de coût de licence et la transparence totale du code ; sa limite est l'absence des garde-fous de confidentialité et des métriques d'audit automatisées que proposent les plateformes commerciales — à la charge de l'équipe data de les construire elle-même.
La donnée synthétique n'est pas neutre par construction. Des travaux académiques récents documentent un phénomène préoccupant d'amplification des biais à travers les générations de modèles entraînés sur des données synthétiques. Une étude présentée à la conférence FAccT 2024 a introduit un cadre pour suivre ce phénomène sur plusieurs générations : elle montre que des systèmes de données induites par le modèle (MIDS) peuvent entraîner une perte de performance, d'équité et de représentation des groupes minorisés, même à partir de jeux de données initialement non biaisés. Plus précisément, les chaînes de modèles génératifs finissent par converger vers la majorité et amplifient les erreurs du modèle, qui finissent par dominer et dégrader la donnée jusqu'à ce qu'il ne reste presque plus d'information de la distribution d'origine, créant une disparité de représentation entre groupes sensibles.
Des travaux plus récents, publiés en 2026, confirment et affinent ce constat pour les modèles de langage. Une étude utilisant le corpus Bias in Bios a montré que l'entraînement récursif sur des données auto-générées peut créer une boucle de rétroaction auto-renforçante dans laquelle les associations biaisées deviennent progressivement plus fortes au fil des générations. Le résultat le plus opérationnel pour les équipes data : la dégradation de l'équité apparaît avant la dégradation sévère du modèle de langage, ce qui signifie qu'un modèle peut sembler performant sur les métriques standard tout en ayant déjà développé des biais discriminatoires significatifs. Autrement dit, surveiller uniquement la perplexité ou l'exactitude ne suffit pas pour détecter une dérive de fairness induite par la donnée synthétique.
Ce risque n'est pas qu'un problème académique : il concerne directement les processus de décision automatisés sur des personnes, typiquement en ressources humaines et en assurance.
En RH, la donnée synthétique sert à entraîner des modèles de tri de CV, de scoring de candidatures ou de prédiction d'attrition sans exposer les données personnelles des salariés. Le danger : si le jeu d'entraînement réel contenait des déséquilibres historiques — sous-représentation de certains profils aux postes à responsabilité, écarts salariaux genrés — un générateur synthétique fidèle reproduira statistiquement ces déséquilibres, et peut même les accentuer si le processus de génération est réitéré sur ses propres sorties. La bibliographie académique propose des pistes correctives : des approches dites d'« amélioration de l'équité en machine learning via la génération de données synthétiques » consistent à imposer des contraintes de fairness directement dans le processus de génération, plutôt que de corriger a posteriori le modèle entraîné. C'est une démarche que nos équipes détaillent dans le cadre de nos missions de conseil en gouvernance de la donnée et des modèles.
En assurance, la donnée synthétique permet de partager des jeux de sinistres ou de profils d'assurés entre équipes actuariat, data science et partenaires externes sans transférer de données personnelles réelles. Mostly AI s'est positionné explicitement sur ce secteur : la plateforme cible des secteurs incluant la finance, la santé et l'assurance, pour permettre aux entreprises d'exploiter leurs actifs de données pour le développement d'IA, l'analytique et le partage de données. Mais un point juridique reste mal compris par beaucoup d'équipes techniques : synthétique ne signifie pas anonyme au sens du RGPD. La CNIL rappelle que les données synthétiques ne sont pas systématiquement anonymes ; elle distingue l'anonymisation, qui rend l'identification impossible en pratique et de façon irréversible, de la pseudonymisation, qui laisse subsister des données personnelles. Pour évaluer le statut réel d'un jeu synthétique, la CNIL propose trois critères : individualisation, corrélation et inférence, et précise qu'une déclaration du fournisseur affirmant que le jeu est « synthétique » ne remplace pas cette évaluation.
La CNIL va plus loin sur la base légale du traitement : que les données de synthèse soient anonymes ou non, leur génération à partir de données réelles constitue toujours un traitement au sens du RGPD, qui doit disposer d'une base légale. Pour un assureur qui génère un jeu synthétique à partir de son portefeuille de sinistres réels, cela implique une analyse d'impact documentée avant même la phase de génération, et non une simple vérification du jeu final. Nos consultants accompagnent régulièrement les directions data des acteurs de l'assurance et de la banque sur ce point précis de qualification juridique.
La donnée synthétique n'est ni une solution miracle à la pénurie de données, ni un raccourci pour contourner le RGPD. C'est un outil puissant à condition d'être gouverné comme n'importe quel pipeline de données sensibles, avec une vigilance spécifique sur l'amplification des biais à chaque itération d'entraînement. Pour structurer cette démarche, consultez notre offre d'audit et de déploiement IA ou contactez nos équipes.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus