Données synthétiques : entraîner l'IA quand les vraies données manquent

Une voiture autonome doit apprendre à réagir à un enfant qui surgit entre deux véhicules par temps de brouillard. Un modèle de détection de fraude doit reconnaître un schéma d'attaque qui ne se produit que quelques fois sur des millions de transactions. Un système d'aide au diagnostic doit s'entraîner sur des dossiers médicaux sans jamais exposer l'identité d'un seul patient. Dans ces trois situations, un même obstacle se dresse : les vraies données existent trop peu, sont trop sensibles, ou coûtent trop cher à collecter. Et dans ces trois situations, une même réponse émerge, discrète mais de plus en plus centrale dans la manière dont on construit l'intelligence artificielle : les données synthétiques.

Le principe tient en une phrase : plutôt que de récolter des exemples dans le monde réel, on en fabrique. Un algorithme génère des données artificielles qui imitent les propriétés statistiques de vraies données, sans en être la copie. Ces données inventées servent ensuite à entraîner, tester ou compléter des modèles. L'idée peut sembler paradoxale — apprendre à partir de ce qui n'a jamais existé — mais elle repose sur un socle solide et elle occupe désormais une place que peu d'observateurs auraient anticipée il y a seulement quelques années.

Cet article propose un panorama accessible et honnête de ce qu'on appelle les données synthétiques. Nous verrons d'où vient l'engouement, comment ces données se fabriquent, ce qu'elles apportent réellement — combler les manques, protéger la vie privée, équilibrer les jeux d'apprentissage — et surtout où se situent leurs limites, à commencer par le phénomène troublant du model collapse, cet appauvrissement qui guette les modèles nourris de leur propre production. L'objectif n'est pas de survendre une technologie, mais de donner les clés pour comprendre quand elle est pertinente et quand elle ne l'est pas.

Qu'est-ce qu'une donnée synthétique, au juste ?

Commençons par poser les mots. Une donnée synthétique est une donnée produite artificiellement par un algorithme, plutôt que mesurée ou observée dans le monde réel. Elle peut prendre toutes les formes : des lignes d'un tableau (transactions, dossiers clients, mesures de capteurs), des images (visages, scènes urbaines, radiographies), du texte, du son, des séquences temporelles. Ce qui la distingue d'une donnée quelconque inventée au hasard, c'est son ambition : reproduire fidèlement la structure statistique d'un jeu de données réel, ses distributions, ses corrélations, ses régularités — sans reproduire les enregistrements individuels d'origine.

Il faut tout de suite dissiper une confusion fréquente. La donnée synthétique n'est pas une simple donnée anonymisée. Anonymiser, c'est prendre de vrais dossiers et en retirer ou en masquer les identifiants. Générer, c'est créer de nouveaux dossiers qui n'appartiennent à personne, mais qui ressemblent collectivement aux vrais. La nuance est capitale : dans le premier cas, chaque ligne correspond à une personne réelle dont on a maquillé le nom ; dans le second, aucune ligne ne correspond à qui que ce soit en particulier. Cette différence, nous le verrons, change beaucoup de choses du point de vue de la vie privée.

À retenir. Synthétique ≠ anonymisé. Anonymiser, c'est masquer l'identité d'un dossier réel ; générer, c'est créer un dossier qui n'appartient à personne. C'est cette seconde voie qui peut permettre de partager des données en limitant fortement l'exposition des individus — à condition de mesurer le risque de réidentification.

Une idée plus ancienne qu'on ne le croit

On pourrait penser que les données synthétiques sont nées avec l'IA générative moderne. C'est inexact. Les statisticiens fabriquent des jeux de données artificiels depuis des décennies, notamment pour tester des méthodes ou pour partager des recensements sans exposer les répondants. Ce qui a changé, c'est l'échelle et la fidélité. Les modèles génératifs contemporains — réseaux antagonistes, modèles de diffusion, grands modèles de langage — savent produire des données d'une richesse et d'un réalisme sans commune mesure avec les techniques d'autrefois. La donnée synthétique est passée d'un artifice de laboratoire à un outil industriel.

Une donnée synthétique n'est pas un mensonge : bien générée, c'est une donnée qui dit la vérité sur une population sans viser un individu. Sa valeur ne tient pas à ce qu'elle copie, mais à ce qu'elle préserve — les régularités du réel, pas les personnes.

Pourquoi ce sujet monte-t-il aussi vite ?

L'intérêt pour les données synthétiques n'est pas une lubie passagère. Il répond à des contraintes concrètes qui pèsent de plus en plus lourd sur ceux qui construisent des systèmes d'IA. On peut en distinguer trois principales, que nous détaillerons ensuite : la rareté des données réelles, leur sensibilité, et leur déséquilibre.

Le cabinet d'analystes Gartner a résumé la trajectoire par un chiffre saisissant : en 2021, à peine 1 % des données servant à entraîner des modèles d'IA étaient synthétiques ; Gartner prévoyait en 2021 que cette part atteindrait 60 % en 2024 — une prévision, pas une mesure publiée depuis. Que l'on prenne cette estimation pour une prévision ferme ou pour une tendance de fond, le message est clair : la fabrication de données a cessé d'être marginale pour devenir un pilier de la chaîne de production. Gartner projette même que les données synthétiques dépasseront les données réelles dans l'entraînement des modèles d'ici 2030.

La contrainte des données qui s'épuisent

Le premier moteur de cet essor tient à un constat qui a surpris beaucoup de monde : l'humanité pourrait manquer de texte de qualité pour continuer à entraîner ses plus grands modèles. Les chercheurs d'Epoch AI ont estimé le stock de texte public généré par les humains à environ 300 000 milliards de tokens — les briques élémentaires que les modèles consomment. Selon leurs projections, ce stock pourrait être pleinement exploité quelque part entre 2026 et 2032, la date dépendant de l'agressivité avec laquelle les modèles sont entraînés. Autrement dit, la source d'apprentissage la plus fondamentale de l'IA moderne n'est pas inépuisable.

Face à ce plafond, deux voies s'ouvrent. Soit on se résigne à ralentir, soit on trouve d'autres sources de données. Les données synthétiques constituent l'une des réponses les plus prometteuses : si les humains n'écrivent pas assez vite, on peut demander à des modèles de produire des exemples d'entraînement supplémentaires, calibrés, variés, et souvent d'une qualité pédagogique supérieure à la moyenne du web. Nous verrons plus loin, avec l'exemple des modèles Phi de Microsoft, que cette idée dépasse largement la théorie.

La contrainte de la vie privée

Le deuxième moteur est réglementaire et éthique. Des pans entiers de données précieuses restent verrouillés parce qu'ils touchent à l'intime : dossiers médicaux, historiques bancaires, données de mobilité, correspondances. Le Règlement général sur la protection des données (RGPD) encadre strictement leur usage, et à juste titre. Or ces données seraient d'une immense valeur pour la recherche et pour l'amélioration des services. Les données synthétiques offrent une échappatoire élégante : générer un jumeau statistique d'un jeu de données sensible, que l'on peut, avec les garanties adéquates, partager ou utiliser pour entraîner des modèles en limitant l'exposition des personnes concernées.

La contrainte du déséquilibre

Le troisième moteur est plus technique, mais tout aussi décisif. Beaucoup de problèmes réels sont profondément déséquilibrés. Dans un flux de transactions bancaires, les fraudes représentent une fraction infime du total. Dans une base d'images médicales, les cas pathologiques rares se comptent parfois sur les doigts d'une main. Or un modèle apprend mal ce qu'il voit peu. En fabriquant des exemples supplémentaires de ces cas minoritaires, les données synthétiques rééquilibrent le jeu d'apprentissage et aident le modèle à reconnaître ce qui compte le plus, même quand c'est ce qui arrive le moins souvent.

Comment fabrique-t-on des données synthétiques ?

Il n'existe pas une méthode unique, mais une famille de techniques, du plus simple au plus sophistiqué. Comprendre leurs grandes lignes aide à saisir ce qu'on peut en attendre — et ce qu'on ne peut pas.

Les méthodes fondées sur des règles et des simulations

La forme la plus directe consiste à écrire des règles ou à construire une simulation. Pour tester un logiciel, on peut générer des profils clients fictifs en tirant des noms, des âges et des adresses dans des listes plausibles. Pour entraîner une voiture autonome, on peut construire un monde virtuel — un moteur graphique et physique — dans lequel on fait rouler des véhicules dans des conditions maîtrisées. Cette approche par simulation brille lorsqu'on comprend bien le phénomène à reproduire et qu'on veut contrôler précisément les scénarios, y compris ceux qui seraient rares à observer dans la réalité.

Les réseaux antagonistes génératifs (GAN)

Une révolution est venue des réseaux antagonistes génératifs, ou GAN. Le principe, aussi ingénieux qu'élégant, met en scène deux réseaux de neurones en compétition. Un premier réseau, le générateur, tente de produire des données crédibles. Un second, le discriminateur, tente de distinguer les données réelles des données fabriquées. Les deux s'entraînent en duel : le générateur s'améliore pour tromper le discriminateur, qui s'affine pour ne pas se laisser tromper. Au terme de cette joute, le générateur produit des données si convaincantes qu'elles deviennent difficiles à séparer des vraies.

À chaque cycle, le discriminateur renvoie un signal qui affine le générateur — jusqu'à ce que ses données deviennent indiscernables des réelles.

Pour les données tabulaires — les tableaux de lignes et de colonnes qui structurent l'essentiel des systèmes d'information — des variantes spécialisées ont vu le jour. Le CTGAN (Conditional Tabular GAN) et le CTAB-GAN ont été conçus spécifiquement pour gérer les particularités de ces données : mélange de variables continues et catégorielles, distributions complexes, catégories rares. Ces outils emploient des mécanismes d'échantillonnage conditionnel qui garantissent que les catégories peu fréquentes reçoivent malgré tout un signal d'apprentissage suffisant, au lieu d'être noyées par les catégories dominantes.

Les modèles de diffusion et les grands modèles de langage

Plus récemment, les modèles de diffusion — la technologie derrière les générateurs d'images photoréalistes — et les grands modèles de langage ont enrichi l'arsenal. Un grand modèle de langage peut produire des milliers de variantes d'un même type de document, des exemples de dialogue, des énoncés de problèmes avec leurs solutions. Cette capacité ouvre la voie à une génération de données à la fois massive et dirigée, où l'on peut orienter finement la nature et la difficulté des exemples produits. C'est précisément cette approche qui alimente certaines des avancées les plus commentées de ces dernières années.

Le triangle fidélité, utilité, protection

Toute donnée synthétique navigue entre trois exigences qui tirent parfois dans des directions opposées. Bien les comprendre, c'est comprendre pourquoi il n'existe pas de solution universelle.

Les trois objectifs tirent dans des sens opposés : aucun équilibre universel, seulement un compromis à négocier cas par cas.

La fidélité : dans quelle mesure les données synthétiques reproduisent-elles les propriétés statistiques des données réelles ? Une fidélité trop faible produit des données inutiles ; une fidélité parfaite reviendrait à recopier les originaux, ce qui ruinerait la protection.
L'utilité : un modèle entraîné sur les données synthétiques se comporte-t-il aussi bien qu'un modèle entraîné sur les vraies ? C'est le critère qui compte in fine, car des données statistiquement ressemblantes peuvent malgré tout mal servir une tâche précise.
La protection : les données synthétiques évitent-elles de révéler des informations sur les individus du jeu d'origine ? Un générateur qui « mémorise » trop ses exemples d'entraînement risque de recracher des enregistrements réels déguisés.

Le nœud du problème, c'est que ces trois objectifs sont en tension. Pousser la fidélité au maximum rapproche à l'excès des données réelles et fragilise la protection. Renforcer la protection en ajoutant du bruit dégrade la fidélité et, souvent, l'utilité. L'art de la génération consiste à trouver, pour chaque usage, le point d'équilibre qui convient. Un jeu synthétique destiné à tester un logiciel n'a pas les mêmes exigences qu'un jeu destiné à entraîner un modèle de diagnostic médical.

À retenir. Pas de réglage universel. On part toujours du besoin — quelle tâche, quel niveau de protection requis, quelle propriété à préserver — puis on ajuste le curseur fidélité / utilité / protection. Appliquer une recette sans l'interroger mène soit à des données inutiles, soit à une fuite de vie privée.

La question n'est jamais « les données synthétiques sont-elles bonnes ? » mais « bonnes pour quoi ? ». Une même méthode de génération peut exceller pour rééquilibrer un jeu de détection de fraude et se révéler inadaptée pour une étude épidémiologique fine.

Protéger la vie privée : la promesse et ses conditions

Le volet vie privée mérite qu'on s'y attarde, car c'est là que les données synthétiques suscitent à la fois les plus grands espoirs et les plus sérieux malentendus.

Pourquoi la génération ne suffit pas à elle seule

Il serait tentant de croire qu'une donnée fabriquée est par nature anonyme. Ce raccourci est trompeur. Comme le rappellent plusieurs analyses juridiques, l'anonymisation est une notion légale, pas seulement statistique : le simple fait de produire des enregistrements artificiels ne fait pas automatiquement disparaître le risque d'identifier une personne. Si un générateur a trop bien retenu ses exemples d'apprentissage, il peut produire des données si proches d'un individu réel qu'on pourrait le retrouver. La génération, à elle seule, n'offre donc aucune garantie formelle.

La confidentialité différentielle, le garde-fou mathématique

C'est ici qu'intervient un concept aussi rigoureux qu'important : la confidentialité différentielle (differential privacy). Il s'agit d'un cadre mathématique qui garantit que la présence ou l'absence d'un individu dans le jeu de données d'origine ne change pas significativement le résultat produit. Concrètement, on ajoute pendant la génération une quantité de bruit soigneusement calibrée, de sorte qu'aucun enregistrement synthétique ne puisse être rattaché de manière fiable à une personne réelle. La force de cette approche tient à sa nature démontrable : elle offre une garantie chiffrée, et non une simple intuition rassurante.

Des variantes de GAN ont été spécialement conçues pour intégrer cette protection dès la conception : le DPGAN (Differentially-Private GAN), le PATE-GAN ou encore l'ADSGAN visent tous à produire des données synthétiques assorties de garanties formelles, particulièrement recherchées dans les jeux de données médicaux. Une étude publiée dans Scientific Reports a ainsi montré qu'on pouvait entraîner des modèles de prédiction de risque clinique sur des données synthétiques respectueuses de la vie privée, tout en préservant leur pouvoir prédictif — un exemple concret du compromis fidélité-utilité-protection réussi.

Ce que dit le cadre européen

Le RGPD ne mentionne pas les données synthétiques par leur nom, ce qui laisse une zone d'appréciation. Le consensus qui se dégage est nuancé : les données synthétiques ne sont pas automatiquement hors du champ du règlement, mais elles peuvent le devenir lorsqu'elles sont générées avec des protections adéquates, la confidentialité différentielle en tête. Combinées à d'autres techniques — informatique confidentielle, apprentissage fédéré — elles deviennent un maillon crédible d'une stratégie de conformité. La bonne posture n'est donc ni le rejet ni la confiance aveugle, mais l'évaluation rigoureuse du risque de réidentification résiduel.

Des cas d'usage qui parlent

Rien ne vaut des exemples concrets pour saisir ce que les données synthétiques rendent possible. En voici trois, choisis dans des domaines très différents.

La conduite autonome, championne de la simulation

Le secteur des véhicules autonomes est sans doute celui qui a poussé la logique le plus loin. Waymo, la filiale de conduite autonome issue de Google, a parcouru plus de 220 millions de miles en conduite entièrement autonome sur routes publiques — au printemps 2026, selon les données de sécurité publiées par Waymo, un chiffre déjà considérable et en progression constante (plus de 4 millions de miles supplémentaires chaque semaine). Mais ce total est éclipsé par les plus de 20 milliards de miles parcourus en simulation, un ordre de grandeur revendiqué de longue date par l'entreprise. La raison est simple : sur la route, on ne rencontre presque jamais les situations les plus délicates. Un piéton qui traverse en dehors des clous par temps de pluie, un objet inhabituel tombé sur la chaussée, une manœuvre imprévisible d'un autre conducteur restent statistiquement rares.

La simulation permet de fabriquer à volonté ces cas de la « longue traîne » — ces événements peu fréquents mais critiques pour la sécurité. Waymo a développé des outils comme SurfelGAN pour générer des données de caméra très réalistes, et plus récemment un « modèle du monde » capable de produire des scénarios de conduite incluant conditions météorologiques extrêmes, objets rares et situations qui ne se sont jamais produites, en générant simultanément vidéo caméra et données lidar en trois dimensions. L'avantage stratégique tient à cette capacité de préparation : entraîner un système à des situations qu'aucune quantité de kilomètres réels ne suffirait à réunir.

La détection de fraude et le fléau du déséquilibre

Dans le secteur financier, la fraude par carte bancaire illustre parfaitement le problème du déséquilibre. Les transactions frauduleuses sont noyées dans une masse écrasante de transactions légitimes, et certaines catégories associées à la fraude — un code de commerçant particulier, un type d'appareil inhabituel — ne représentent qu'une fraction infime des données. Un classifieur entraîné sur ce déséquilibre a tendance à tout considérer comme légitime, puisque c'est presque toujours vrai.

Les recherches sur le sujet montrent que le suréchantillonnage par GAN — la génération d'exemples synthétiques de la classe minoritaire — s'est imposé comme une stratégie efficace pour rééquilibrer la distribution et améliorer l'entraînement des classifieurs. En fabriquant des transactions frauduleuses plausibles mais fictives, on donne au modèle davantage d'occasions d'apprendre ce à quoi ressemble une attaque, sans avoir à attendre qu'elles se produisent réellement. C'est un cas où les données synthétiques ne remplacent pas les vraies mais les complètent, en gonflant ce que le réel fournit trop chichement.

La santé, entre valeur et confidentialité

Le domaine médical concentre tous les enjeux à la fois. Les dossiers de santé sont d'une valeur inestimable pour la recherche, mais parmi les plus sensibles qui soient. Générer des cohortes synthétiques de patients — respectant les corrélations entre âge, antécédents, biomarqueurs et diagnostics — permet aux chercheurs de partager et d'explorer des données sans jamais manipuler de vrais dossiers. Associées à la confidentialité différentielle, ces cohortes ouvrent la voie à des études de population tout en gardant confidentielles les informations médicales individuelles. C'est peut-être le terrain où l'équation vie privée et progrès trouve, grâce aux données synthétiques, sa réponse la plus prometteuse.

Quand la donnée fabriquée surpasse la donnée collectée

Un contre-pied éclairant mérite une section à lui seul, car il renverse une intuition tenace. On imagine volontiers que les données synthétiques sont un pis-aller, une béquille utilisée faute de mieux. L'histoire des modèles Phi de Microsoft raconte l'inverse : dans certaines conditions, la donnée fabriquée peut être meilleure que la donnée récoltée.

L'article de recherche fondateur portait un titre volontairement provocateur : Textbooks Are All You Need — « les manuels scolaires suffisent ». L'idée directrice : plutôt que d'entraîner un modèle sur des milliers de milliards de tokens tirés d'un web bruité et inégal, on l'entraîne sur des données web filtrées et des données synthétiques d'une qualité « de manuel scolaire », caractérisée par une exposition claire, une structure logique et une progression pédagogique. Les résultats ont surpris la communauté : des modèles nettement plus petits ont égalé ou dépassé des modèles bien plus gros sur des tâches de code et de raisonnement.

La leçon dépasse le cas particulier. Elle suggère que la qualité des données peut compenser leur quantité, et que la génération dirigée permet de sculpter un jeu d'apprentissage idéal — sans les redondances, les erreurs et le bruit d'un corpus collecté au hasard. Loin d'être un simple bouche-trou, la donnée synthétique devient alors un instrument de précision pour façonner ce qu'un modèle apprend. C'est probablement l'une des raisons pour lesquelles cette approche occupe une place croissante dans la construction des modèles récents.

À retenir. La donnée fabriquée peut surpasser la donnée récoltée. Mieux vaut un corpus synthétique petit, clair et bien structuré qu'un déluge de données bruitées : la qualité peut compenser la quantité — à condition d'une génération dirigée et d'un contrôle qualité exigeant.

La limite majeure : le model collapse

Il serait malhonnête de célébrer les données synthétiques sans regarder en face leur talon d'Achille. Ce risque porte un nom devenu célèbre dans la communauté : le model collapse, ou effondrement du modèle. C'est la limite qu'il faut comprendre avant d'adopter ces techniques les yeux fermés.

Un mécanisme d'appauvrissement progressif

En 2024, une étude de Shumailov et ses coauteurs, publiée dans Nature, a formalisé un phénomène préoccupant : lorsqu'on entraîne de façon répétée un modèle génératif sur des données produites par des modèles antérieurs, ses performances se dégradent. À chaque génération, le modèle perd un peu de l'information sur la distribution réelle des données. Les événements rares disparaissent en premier, puis la diversité se réduit, et le modèle finit par ne plus produire qu'une caricature appauvrie de ce qu'il connaissait au départ.

Les auteurs illustrent le mécanisme par un exemple mathématique parlant. Si l'on estime de façon répétée une distribution à partir des échantillons de l'estimation précédente, la variance rétrécit inexorablement jusqu'à s'effondrer vers zéro, tandis que la moyenne dérive. Intuitivement : le modèle se met à croire de plus en plus fermement en un monde de plus en plus étroit. Les nuances, les cas atypiques, la richesse de la queue de distribution s'évaporent au fil des cycles. C'est un cercle vicieux où l'erreur se compose sur elle-même, itération après itération.

En remplaçant le réel à chaque cycle (courbe rouge), la variance s'effondre vers zéro. En accumulant le synthétique sur un socle réel conservé (courbe verte), elle reste bornée. Modèle illustratif.

Le model collapse est à l'IA ce que la photocopie de photocopie est à l'image : chaque copie paraît acceptable prise isolément, mais la répétition en boucle finit par effacer les détails, puis la structure, puis le sens lui-même.

Pourquoi cette alerte compte au-delà du laboratoire

Ce résultat prend un relief particulier à un moment où le web se remplit de contenus produits par des modèles. Si les prochaines générations de modèles sont entraînées sur un internet lui-même de plus en plus synthétique, sans discernement, le risque d'un appauvrissement diffus reste bien réel. C'est l'une des raisons pour lesquelles la provenance des données et la traçabilité de ce qui est humain ou fabriqué deviennent des sujets stratégiques. On ne peut pas se contenter d'empiler de la donnée générée sans réfléchir à la boucle de rétroaction que l'on crée.

La bonne nouvelle : ce n'est pas une fatalité

Heureusement, l'histoire ne s'arrête pas au constat préoccupant qui a fait les gros titres. Des travaux ultérieurs ont apporté une nuance décisive et rassurante. Une étude de Gerstgrasser et ses coauteurs, à l'intitulé éloquent — Is Model Collapse Inevitable? —, a montré que l'effondrement dépend étroitement de la manière dont on gère les données. La distinction clé porte sur deux stratégies opposées.

Si l'on remplace à chaque cycle les données réelles par des données synthétiques, l'erreur diverge et le modèle s'effondre — c'est le scénario défavorable de l'étude originale.
Si l'on accumule les données, c'est-à-dire qu'on ajoute les données synthétiques par-dessus un socle de données réelles qu'on ne jette jamais, l'erreur reste bornée : elle plafonne à une valeur finie, indépendamment du nombre d'itérations.

La conclusion pratique est limpide et libératrice : le model collapse n'est pas une malédiction inhérente aux données synthétiques, mais la conséquence d'un mauvais usage — remplacer le réel au lieu de le compléter. Tant qu'on conserve une ancre solide de données authentiques et qu'on mélange intelligemment le synthétique par-dessus, on capte les bénéfices sans tomber dans le piège. C'est une reformulation élégante d'un principe de bon sens : la donnée fabriquée est un complément, pas un substitut intégral.

À retenir. Le model collapse n'est pas une fatalité. Remplacer le réel par du synthétique à chaque cycle mène à l'effondrement ; conserver un socle de données réelles et y ajouter le synthétique maintient l'erreur bornée, indéfiniment. La règle : compléter, jamais substituer entièrement.

Simulateur — remplacement ou accumulation ?

Faites varier le nombre de générations successives et la taille de l'échantillon réestimé à chaque cycle. Observez comment évolue la variance des données selon la stratégie. La courbe rouge illustre le remplacement pur (modèle nourri de sa propre production), la verte l'accumulation (socle réel conservé). Modèle illustratif, fidèle à la dynamique décrite par Shumailov et al. puis Gerstgrasser et al.

Générations successives : 10 Échantillon estimé par génération (N) : 50

Remplacer (synthétique seul) Accumuler (réel + synthétique)

Bonnes pratiques : tirer parti sans se piéger

De tout ce qui précède se dégagent quelques principes directeurs, valables quel que soit le secteur. Ils tiennent moins de la recette que de la discipline.

Garder une ancre de données réelles

C'est la leçon centrale du débat sur le model collapse : ne jamais couper le lien avec le réel. Les données synthétiques enrichissent, augmentent, rééquilibrent, mais un socle de données authentiques doit rester présent pour ancrer le modèle dans la vérité du terrain. La proportion idéale varie selon les cas, mais le principe ne varie pas : le synthétique complète, il ne se substitue pas entièrement.

Évaluer sur des données réelles, toujours

Un modèle entraîné avec l'aide de données synthétiques doit impérativement être évalué sur de vraies données. C'est le seul juge de paix crédible. Un modèle qui brille sur des données fabriquées mais trébuche sur le réel n'a rien accompli d'utile. L'utilité — la performance sur la tâche réelle — prime toujours sur la ressemblance statistique. Cette vigilance permet de détecter les cas où les données synthétiques ont introduit des biais ou des artefacts subtils.

Mesurer le risque de réidentification

Quand la vie privée est en jeu, il ne suffit pas de générer et d'espérer. Il faut mesurer. Des tests empiriques du risque de réidentification, idéalement adossés à des garanties formelles comme la confidentialité différentielle, doivent accompagner tout usage sensible. La question à se poser n'est pas « ces données semblent-elles anonymes ? » mais « quelle est la probabilité démontrable qu'on retrouve un individu ? ». La différence entre ces deux questions sépare une pratique responsable d'une illusion de sécurité.

Choisir la méthode selon le besoin

Enfin, il n'y a pas de méthode reine. Une simulation basée sur des règles suffit souvent pour peupler un environnement de test. Un GAN tabulaire s'impose pour rééquilibrer un jeu de détection de fraude. Un grand modèle de langage convient pour fabriquer des exemples pédagogiques de haute qualité. Le bon réflexe consiste à partir du besoin — quelle propriété doit être préservée, quel niveau de protection, quelle tâche en aval — et à remonter vers la technique adaptée, plutôt que d'adopter par mode l'outil le plus récent.

Enjeu	Apport des données synthétiques	Limite ou condition
Rareté des données	Compléter un stock de texte humain estimé à ~300 000 milliards de tokens et bientôt saturé	Garder une ancre de données réelles (risque de model collapse)
Vie privée	Générer un jumeau statistique partageable sans exposer les individus	Nécessite la confidentialité différentielle pour une garantie formelle
Déséquilibre des classes	Fabriquer des exemples de cas rares (fraude, pathologies) via GAN/CTGAN	Évaluer sur données réelles pour éviter les artefacts
Situations critiques rares	Simuler des scénarios extrêmes (conduite autonome : 20+ milliards de miles virtuels)	Le réalisme de la simulation conditionne le transfert au réel
Qualité d'apprentissage	Sculpter des données « de manuel » (approche Phi de Microsoft)	Suppose une génération dirigée et un contrôle qualité exigeant

Sources : Gartner, Epoch AI, Nature (Shumailov et al.), Waymo, Microsoft Research.

Un outil qui redéfinit le rapport à la donnée

Au terme de ce parcours, une image se dessine. Les données synthétiques ne sont ni la solution miracle que certains discours promettent, ni le mirage que d'autres redoutent. Elles sont un outil puissant, doté d'un domaine de pertinence précis et de conditions d'emploi claires. Là où le réel manque, coûte trop cher ou touche à l'intime, elles offrent une alternative crédible ; là où l'on croit pouvoir se passer entièrement du réel, elles montrent leurs limites.

Ce qui rend le sujet passionnant, c'est qu'il déplace une conviction longtemps tenue pour acquise : que l'IA se nourrit exclusivement de traces du monde réel. On découvre qu'une part croissante de son alimentation peut être fabriquée, à condition de le faire avec méthode et lucidité. Cette bascule change la manière de penser la donnée : elle cesse d'être une ressource qu'on extrait pour devenir, en partie, une ressource qu'on conçoit.

Les prochaines années verront probablement se professionnaliser cette discipline naissante : standards de qualité, protocoles de mesure du risque de réidentification, cadres réglementaires plus explicites. Le fil conducteur restera le même que celui qui traverse cet article — un équilibre à trouver entre trois exigences, une ancre à ne jamais couper avec le réel, et une évaluation honnête de ce que la donnée fabriquée apporte vraiment. Comprise ainsi, la donnée synthétique n'appauvrit pas l'intelligence artificielle : elle lui donne les moyens de continuer à apprendre là où le monde ne lui fournit pas assez.