Die Schätzung individueller Behandlungseffekte (Individualized Treatment Effects, ITE) ist eine anspruchsvolle Aufgabe, da die potenziellen Ergebnisse eines Individuums aus verzerrten Daten gelernt werden müssen, ohne Zugriff auf die Gegenfakten. Wir stellen eine neuartige Methode zur Inferenz von ITE basierend auf dem Generative Adversarial Networks (GANs)-Framework vor. Unsere Methode, genannt Generative Adversarial Nets for inference of Individualized Treatment Effects (GANITE), beruht auf der Idee, dass die Unsicherheit in den Gegenfaktendistributionen durch den Versuch, diese mittels eines GAN zu lernen, erfasst werden kann. Wir erzeugen Proxy-Werte für die Gegenfaktenergebnisse mithilfe eines Gegenfaktengenerators, G, und leiten diese Proxy-Werte anschließend an einen ITE-Generator, I, weiter, um diesen zu trainieren. Durch die Modellierung beider Komponenten im GAN-Rahmen können wir auf Basis der faktischen Daten schließen, während dennoch die nicht beobachtbaren Gegenfakten berücksichtigt werden. Wir testen unsere Methode an drei realen Datensätzen (mit binären und mehrfachen Behandlungen) und zeigen, dass GANITE state-of-the-art-Methoden übertrifft.