让 AI 生成一张图，第一眼可能还不错。但你很快会开始修改：标签的位置不对，实际和预算没有区分，金额单位不统一，差异没有突出。你让它调整配色，它顺便改了布局；你让它增加一个指标，原本已经确认的格式又变了。

几轮下来，时间花在了反复纠正细节上。

我们常把这种情况理解为“AI 不懂我的审美”。但如果仔细看那些需要返工的地方，会发现很多问题早已超出了审美。你在纠正的是计算方式、分析逻辑、表达规则，以及修改之后应该保留下来的东西。

数据没有改变。右图减少重复图例和网格干扰，用排序、直接标签和单一重点帮助阅读。

选图之前，先确定分析关系

假设预算是 100 万元，实际是 80 万元。

这两个数字可以得出差额 -20 万元、完成率 80%、偏差率 -20%。三个结果都正确，但它们回答的问题不同。

你想突出缺口，图表就需要让人看到少了多少；你想评价目标完成情况，完成率可能更直接。如果读者还要比较多个部门，就需要考虑部门规模不同会怎样影响判断。

这些决定发生在画图之前。

颜色、线条、标签只是最后呈现出来的部分。图表是否有用，首先取决于前面的分析是否成立。

这也是为什么，“帮我画一个柱状图”即使执行得很准确，最后也未必解决问题。图形已经选定，业务问题却可能还没有转化成合适的比较关系。

左图并没有算错；当任务是定位预算缺口时，右图直接展示差额，减少读者的心算。

让整份报告使用一致的表达

实际、预算、预测分别怎么表示？正负差异如何区分？相同指标跨页面比较时，单位和尺度是否一致？颜色到底代表类别、状态，还是好坏？

单看一张图，临时做一个选择似乎没有问题。但当这些图进入同一份报告，选择之间的冲突就会显现出来。

上一页红色表示未达标，下一页红色只是某个产品的分类色。上一张图用万元，下一张图换成元。每张图都能解释，读者却需要不断重新学习它的含义。

一份报告里的图表应该共享表达习惯。读者熟悉规则后，才能把注意力放在数据变化上。

如果每次生成都重新决定这些细节，结果就很难保持一致。

两侧数据等价。右侧统一万元口径与坐标尺度，并固定“实际实心、预算空心”的表达规则。

把这套规则用于月度预算分析，可以同时放入实际、预算和预测。下面这张 IBCS 差异柱图，把金额、差额和偏差率安排在同一时间轴上，便于对照阅读。

ΔPL 表示实际或预测相对预算的差额，ΔPL% 表示该差额除以预算。预测段使用斜纹，与已经发生的实际数据区分。

把图表要求整理成可复用的规则

可以从一张你认可的图开始，但不要只把它当作风格参考。

把它拆开看：它回答什么问题，数据怎样计算，比较基准是什么，颜色分别表示什么，标签显示哪些内容。再明确哪些部分可以自由调整，哪些部分必须保持一致。

例如，一张预算差异图，可以约定：

差额始终按“实际－预算”计算，单位与原指标一致。

实际、预算和差异各自使用固定的表达方式。

修改字体、间距和配色时，保留计算口径与字段映射。

换入新数据后，仍然能正确处理负数、零值、长名称和缺失项。

这样，AI 接到的任务就有了可执行的边界。它可以帮助组织数据、选择表达和调整细节，已经确定的业务含义则需要被保留下来。

同一份预算分析，还可以用 IBCS 瀑布图展示从预算到实际的差额组成。起点、各项增减和终点之间存在明确的计算关系，各区域差额相加必须与总差额一致。

连接线表示每一步增减后的累计位置。图形的排列、标签与数值共同说明，1,000 万元的预算如何变化为 900 万元的实际。

这套规则最有价值的地方，在第二次使用时才会体现出来。

本月数据更新了，你不必重新描述一遍审美偏好；增加一个区域，已有的格式不应该随之改变；从汇报页面换到网页展示，指标定义和比较关系仍然成立。

换一份数据，检验图表是否可靠

一份数据画得好看，只能说明它在这份数据上表现不错。

所有区域都未达预算时，差异还能看清吗？出现负数时，坐标和标签是否正确？某个指标缺失时，会不会被当成零？类目从五个增加到二十个，信息是否还读得懂？

这些检查能帮助我们区分：眼前得到的是一次恰好合适的生成结果，还是一种可以继续使用的图表表达。

需求说明当然有用。但专业图表中反复出现的要求，值得被整理成规则、模板和检查项，逐渐积累下来。

下一次遇到一张“不对劲”的 AI 图表，可以先把问题说具体：是分析关系不对，计算口径不对，表达不一致，还是换一份数据就失效？

然后把这次修正留下来，成为下一次生成必须遵守的规则。每一次修改，才有机会减少以后的返工。