Syntetisk data är träningsdata som genererats artificiellt, ofta av en AI-modell själv, i stället för att samlas in från verkligheten. Den används för att fylla luckor där äkta data är knapp, känslig eller dyr, och för att styra vad en modell lär sig, till exempel genom att en starkare modell skapar exempel åt en svagare. Syntetisk data har blivit allt viktigare i takt med att lättillgänglig mänsklig text på nätet börjat ta slut som resurs.

Fördelarna är kontroll och skalbarhet samt möjligheten att undvika personuppgifter, vilket är intressant ur ett dataskyddsperspektiv. Riskerna är att fel och snedvridningar förstärks, och att modeller som tränas för mycket på egen output kan tappa kvalitet (modellkollaps). Kvaliteten och blandningen med äkta data avgör om syntetisk data hjälper eller skadar.