Warum KI schlechte Diagramme noch nicht erkennt

KI kann Texte zusammenfassen, Formeln erklären und Daten analysieren. Aber erkennt sie auch, wenn ein Diagramm seine Betrachter in die Irre führt?

Die kurze Antwort lautet: noch nicht zuverlässig.

Das ist problematisch. Denn ein Diagramm kann rechnerisch korrekte Werte zeigen und trotzdem eine falsche Geschichte erzählen. Eine abgeschnittene Achse lässt einen kleinen Unterschied plötzlich riesig erscheinen. Eine unpassende Skalierung versteckt eine Entwicklung. Und ein 3D-Effekt verzerrt Größen so stark, dass ein sauberer Vergleich kaum noch möglich ist.

Wer Excel, Power BI oder ein anderes Visualisierungstool nutzt, darf die Qualitätsprüfung deshalb nicht einfach an eine KI abgeben.

Was die Misviz-Studie untersucht hat

Auf der ACL 2026 wurde die Studie „Is this chart lying to me?“ vorgestellt. Die Forschenden entwickelten dafür den Benchmark Misviz mit 2.604 echten Visualisierungen aus dem Internet. Diese wurden auf 12 verschiedene Arten irreführender Gestaltung untersucht.

Dazu zählen unter anderem:

• abgeschnittene oder manipulierte Achsen
• unpassende logarithmische Skalen
• verzerrende 3D-Darstellungen
• falsch dargestellte Größenverhältnisse
• ungeeignete visuelle Kodierungen

Getestet wurden multimodale Sprachmodelle, regelbasierte Prüfsysteme und speziell trainierte Klassifikationsmodelle.

Das Ergebnis ist ernüchternd: Selbst leistungsfähige KI-Modelle tun sich mit echten, irreführenden Diagrammen schwer. Die Modelle schnitten bei realen Visualisierungen zwar besser ab als andere geprüfte Ansätze. Die automatische Erkennung bleibt laut den Forschenden trotzdem eine große Herausforderung.

Besonders fehleranfällig ist die maschinelle Rekonstruktion der Achsen. Genau dort verstecken sich aber viele der häufigsten Probleme.

Merke: Eine KI kann Dir Hinweise geben. Sie ist aber noch kein verlässlicher Chart-Prüfer.

Warum ein korrektes Diagramm trotzdem täuschen kann

Vielleicht fragst Du Dich an dieser Stelle: Wenn die Zahlen stimmen, wie kann das Diagramm dann falsch sein?

Ganz einfach: Die Daten können korrekt sein, während ihre visuelle Darstellung einen falschen Eindruck erzeugt.

Nehmen wir ein einfaches Beispiel aus Excel. Der Umsatz sinkt von € 100.000 auf € 94.000. Das entspricht einem Rückgang von 6 %.

In einem Säulendiagramm beginnt die y-Achse aber nicht bei null, sondern bei € 90.000. Die letzte Säule ist dadurch nur noch halb so hoch wie die erste. Visuell wirkt der Rückgang dramatisch, obwohl sich die Werte vergleichsweise wenig verändert haben.

Fragt man eine KI nur nach der Botschaft dieses Diagramms, kann sie den dargestellten Einbruch übernehmen und sprachlich sogar noch verstärken. Sie sieht dann möglicherweise eine „massive Verschlechterung“, weil das Diagramm genau diesen Eindruck vermittelt.

Das Problem liegt also nicht in der Rechnung. Es liegt in der Sprache der Daten.

Die Verantwortung bleibt beim Menschen

KI kann Dich bei der Datenanalyse unterstützen. Sie kann Auffälligkeiten suchen, DAX-Measures erklären oder eine erste Zusammenfassung formulieren. Das spart Zeit.

Die entscheidenden Fragen musst Du trotzdem selbst beantworten:

• Passt der Diagrammtyp zur zentralen Botschaft?
• Sind Achsen und Skalen korrekt gewählt?
• Fehlt wichtiger Kontext?
• Werden Größenverhältnisse richtig dargestellt?
• Lenkt die Gestaltung den Fokus auf das Wichtige oder manipuliert sie den Eindruck?

Data Storytelling bedeutet nicht, Daten möglichst spektakulär zu präsentieren. Es bedeutet, Erkenntnisse verständlich und ehrlich zu kommunizieren.

So prüfst Du Diagramme in Excel und Power BI

Ich empfehle Dir einen kurzen Chart-Check, bevor Du eine Visualisierung versendest oder präsentierst. Die folgenden sieben Schritte funktionieren unabhängig davon, ob Du mit Excel, Power BI oder einem anderen Tool arbeitest.

1. Formuliere zuerst die EIN-SATZ-STORY

Was soll Dein Publikum aus dem Diagramm mitnehmen?

Formuliere die zentrale Botschaft in einem einfachen Satz. Wenn Dir das nicht gelingt, ist wahrscheinlich auch die Visualisierung noch nicht klar genug.

Ohne zentrale Botschaft keine Visualisierung!

2. Prüfe den Diagrammtyp

Willst Du Kategorien vergleichen? Dann ist häufig ein Balken- oder Säulendiagramm geeignet.

Willst Du eine Entwicklung über die Zeit zeigen? Dann denke zuerst an ein Liniendiagramm.

Willst Du erklären, woher eine Plan-Ist-Abweichung kommt? Dafür kann ein Wasserfall-Diagramm sinnvoll sein.

Und bitte: keine 3D-Diagramme. Sie sehen vielleicht interessant aus, erschweren aber den Vergleich und können Größenverhältnisse verzerren.

3. Kontrolliere Achsen und Skalen

Bei Balken- und Säulendiagrammen sollte die Wertachse grundsätzlich bei null beginnen. Andernfalls werden Unterschiede optisch übertrieben.

Prüfe außerdem:

• Sind die Intervalle gleichmäßig?
• Ist ein Achsenbruch klar gekennzeichnet?
• Wird eine logarithmische Skala verwendet und ist diese notwendig?
• Sind Einheiten und Bezugsgrößen sofort verständlich?

4. Vergleiche die Grafik mit den Rohdaten

Öffne die zugrunde liegende Tabelle und kontrolliere einige Werte stichprobenartig.

Stimmen Richtung, Größenverhältnis und Reihenfolge? Wurde vielleicht nur ein bestimmter Zeitraum ausgewählt, der eine Entwicklung dramatischer erscheinen lässt?

Ein Diagramm zeigt immer nur einen Ausschnitt. Dieser Ausschnitt braucht Kontext.

5. Entstöre das Diagramm

Standarddiagramme sind meist schlecht und für die unmittelbare Verwendung ungeeignet.

Entferne alles, was keinen Mehrwert für die Informationsvermittlung liefert:

• unnötige Gitternetzlinien
• Diagrammrahmen
• redundante Legenden
• überflüssige Datenbeschriftungen
• dekorative Effekte
• zu viele Farben

Weniger ist mehr. Nach der Entstörung stehen die Daten und die zentrale Botschaft im Vordergrund.

6. Setze Farbe nur mit Absicht ein

Farbe lenkt den Fokus. Deshalb sollte sie nicht zufällig oder rein dekorativ verwendet werden.

Wenn alles bunt ist, ist nichts wichtig.

Bringe Unwichtiges in den Hintergrund und hebe nur jene Datenpunkte hervor, welche die EIN-SATZ-STORY unterstützen. Achte aber darauf, dass die Hervorhebung nicht stärker wirkt, als es die tatsächlichen Daten rechtfertigen.

7. Lass einen Menschen gegenlesen

Zeige das fertige Diagramm einer Person, welche die Daten nicht im Detail kennt.

Frage sie nach 10 bis 20 Sekunden:

• Worum geht es?
• Was ist die wichtigste Aussage?
• Welche Entscheidung oder Handlung ergibt sich daraus?

Kommt eine andere Botschaft an als beabsichtigt, musst Du nacharbeiten.

Wie Du KI trotzdem sinnvoll einsetzt

Die Studie bedeutet nicht, dass KI bei Datenvisualisierung nutzlos ist. Du solltest ihr nur nicht blind die Rolle des Prüfers überlassen.

Nutze sie besser als Sparringspartner. Gib ihr neben dem Diagramm auch die Rohdaten, die Zielgruppe und Deine EIN-SATZ-STORY. Lass Dir anschließend konkrete Rückfragen stellen:

Prüfe, ob Diagrammtyp, Achsen, Skalierung und Beschriftung zu meiner EIN-SATZ-STORY passen. Nenne mögliche Fehlinterpretationen und begründe jeden Hinweis. Triff keine endgültige Freigabeentscheidung.

Danach kontrollierst Du jeden Hinweis selbst.

Eine solche Prüfung ist hilfreicher als die pauschale Frage: „Ist dieses Diagramm gut?“ Je mehr Kontext die KI bekommt, desto brauchbarer wird ihre Rückmeldung. Die Verantwortung bleibt trotzdem bei Dir.

Häufige Missverständnisse

„Die KI hat das Diagramm erstellt, also wird es schon stimmen.“

Nein. KI kann ebenso unpassende Diagrammtypen, verzerrte Skalen oder falsche Hervorhebungen erzeugen.

„Wenn die Zahlen korrekt sind, kann die Visualisierung nicht irreführend sein.“

Doch. Auswahl, Skalierung, Achsen und Gestaltung beeinflussen die Wahrnehmung erheblich.

„Ein schöneres Diagramm ist automatisch ein besseres Diagramm.“

Auch das stimmt nicht. Eine gute Datenvisualisierung muss zuerst verständlich und korrekt sein. Dekoration hilft dabei selten.

Fazit: KI unterstützt – Du entscheidest

KI wird bei der Analyse und Kommunikation von Daten immer wichtiger. Aber sie nimmt uns das Handwerk der Datenvisualisierung nicht ab.

Prüfe vor der Veröffentlichung deshalb immer:

• Ist die EIN-SATZ-STORY klar?
• Passt der Diagrammtyp zur Aussage?
• Sind Achsen, Skalen und Größenverhältnisse korrekt?
• Ist ausreichend Kontext vorhanden?
• Wurde das Diagramm konsequent entstört?
• Lenkt die Gestaltung den Fokus ehrlich auf das Wichtige?
• Hat ein Mensch die Visualisierung gegengelesen?

Wenn Du diese Punkte beachtest, machst Du aus einem Standarddiagramm eine verständliche und glaubwürdige Visualisierung. So kannst Du Deine Daten zum Leben erwecken, ohne Deinem Publikum eine Geschichte vorzugaukeln, die in den Zahlen gar nicht steckt.

Du möchtest den gesamten Prozess von der zentralen Botschaft bis zum fertigen Storydiagramm kennenlernen? Dann findest Du auf meiner Kursübersicht zu Datenvisualisierung und Data Storytelling den passenden Einstieg.

FAQ

Kann KI irreführende Diagramme erkennen?

Teilweise. Aktuelle KI-Modelle können manche Probleme benennen, erkennen irreführende Diagramme aber noch nicht zuverlässig genug für eine automatische Freigabe.

Welche Diagrammfehler übersieht KI häufig?

Probleme mit Achsen, Skalen, Größenverhältnissen und ungeeigneten visuellen Kodierungen bereiten automatischen Systemen Schwierigkeiten – besonders bei echten Diagrammen aus dem Alltag.

Darf eine y-Achse abgeschnitten werden?

Bei Balken- und Säulendiagrammen sollte die Wertachse grundsätzlich bei null beginnen. Bei anderen Diagrammtypen kann ein engerer Ausschnitt sinnvoll sein, muss aber klar erkennbar und fachlich begründet sein.

Sind 3D-Diagramme grundsätzlich schlecht?

Für die verständliche Kommunikation von Daten sind sie immer ungeeignet. Die Perspektive verzerrt Größenverhältnisse und erschwert einen korrekten visuellen Vergleich.

Wie kann KI bei der Datenvisualisierung sinnvoll helfen?

Sie kann Ideen für Diagrammtypen liefern, Formeln oder DAX erklären, Beschriftungen verbessern und mögliche Fehlinterpretationen aufzeigen. Die fachliche und visuelle Endkontrolle sollte immer ein Mensch übernehmen.

Quelle

• Jonathan Tonglet, Jan Zimny, Tinne Tuytelaars und Iryna Gurevych: „Is this chart lying to me? Automating the detection of misleading visualizations“, ACL 2026.

Transparenzhinweis: Dieser Beitrag enthält KI-generierte Textpassagen und Bilder im Sinne der EU‑KI-Verordnung (AI Act).