Professionelle Grafiken per Prompt statt Excel

Warum die Chat-KI plötzlich Grafiken kann

Alle großen KI-Chatanwendungen haben inzwischen eine Python-Engine im Hintergrund, oft „Code Interpreter” oder „Advanced Data Analysis” genannt. Beschreibst du eine Grafik, schreibt die KI im Hintergrund echten Python-Code, rechnet auf deinen Daten und führt den Code aus. Heraus kommt keine gemalte Illustration, sondern ein reproduzierbares Diagramm. Genau das ist der Unterschied zu reinen Bildgeneratoren: Das Ergebnis ist exakt, wiederholbar und beliebig anpassbar. Du musst nur noch beschreiben, was du sehen möchtest.

Für alle, die bisher Diagramme mühsam in Excel zusammengeklickt haben, ist das ein Sprung. Nicht, weil die KI zaubert, sondern weil sie dir die Programmierarbeit abnimmt und du dich auf die eigentliche Frage konzentrieren kannst: Was soll die Grafik zeigen?

Wie beschreibst du deine Daten richtig?

Die Qualität des Ergebnisses hängt fast vollständig davon ab, wie klar du deine Daten und deine Absicht beschreibst. Nach dem Hochladen erklärst du, welche Informationen in welchen Spalten stecken und wie sie dargestellt werden sollen:

• Was kommt auf die X-Achse, was auf die Y-Achse?
• Welche Gruppierungen sollen hervorgehoben werden?
• Braucht es zusätzliche horizontale oder vertikale Linien, etwa einen Mittelwert?
• Welche Farben passen, und gibt es Hausfarben?

Je präziser die Beschreibung, desto weniger Korrekturrunden brauchst du. Ein guter Prompt ist hier kein Zauberspruch, sondern schlicht eine klare Auftragsbeschreibung, so wie du sie einem Menschen geben würdest.

Wie korrigierst du, bis das Ergebnis passt?

Der erste Entwurf sitzt selten perfekt, und das ist kein Problem. Lass dir den Plot zeigen und verfeinere ihn im Dialog: Sind die Beschriftungen groß genug? Passt die Skalierung? Stimmt die Anordnung der Gruppen? Fehlt noch etwas? Jede Rückmeldung bringt dich einen Schritt näher an das gewünschte Ergebnis. Weil die KI mit echtem Code arbeitet, sind auch feine Anpassungen möglich, die in einem Klick-Tool umständlich wären.

Typische Korrekturen im Gespräch sind zum Beispiel: „Dreh die Achsenbeschriftung um 45 Grad”, „Sortiere die Balken absteigend nach Wert”, „Mach die Schrift größer und die Legende an den oberen Rand” oder „Zeig zusätzlich den Median als Punkt”. Du musst diese Änderungen nicht programmieren, sondern nur benennen. Oft sind es zwei, drei solcher Runden, bis eine Grafik sitzt, und weil der zugrunde liegende Code jedes Mal sauber weiterentwickelt wird, geht dabei nichts kaputt.

Was ist der Grammar-of-Graphics-Ansatz?

In Python lassen sich Grafiken auf verschiedene Arten erstellen. Die Standard-Antworten der Chats greifen oft auf das Basis-Modul matplotlib zurück, dabei gibt es einen eleganteren Weg.

Die Grammar of Graphics ist ein Konzept, das der Statistiker Leland Wilkinson in seinem gleichnamigen Buch beschrieben hat.⁶ Die Grundidee: Eine Grafik ist nicht ein fertiges Bild, sondern die Kombination weniger Bausteine, nämlich der Daten, der Zuordnung von Variablen zu optischen Eigenschaften (den Aesthetics), geometrischer Objekte wie Punkten oder Balken, der Skalen und schließlich der Themes für das Aussehen. Hadley Wickham übertrug dieses Konzept in die enorm erfolgreiche R-Bibliothek ggplot2 und beschrieb es 2010 in „A Layered Grammar of Graphics”.⁵

Für Python gibt es die passende Umsetzung: plotnine, entwickelt von Hassan Kibirige.³ Die Syntax ist bewusst an ggplot2 angelehnt, du baust die Grafik in Schichten über den +-Operator auf. Der entscheidende Vorteil: Darstellung und Daten sind sauber getrennt. Genau das macht den nächsten Schritt so mächtig.

Konkret entsteht eine Grafik hier wie ein Satz aus Wörtern. Zuerst nennst du die Daten, dann die Zuordnung (welche Spalte auf welche Achse, welche Gruppe in welche Farbe), dann die Geometrie (Punkte, Balken, Linien), danach die Skalen und zuletzt das Theme. Jede Schicht liegt sichtbar über der vorigen, und jede lässt sich einzeln austauschen. Willst du aus einem Balkendiagramm ein Punktdiagramm machen, tauschst du nur die Geometrie-Schicht, alles andere bleibt. In matplotlib müsstest du dafür oft das halbe Skript umschreiben. Für die KI ist dieser Baukasten ideal, weil sie deine Änderungswünsche gezielt einer einzelnen Schicht zuordnen kann, statt die ganze Grafik neu zu erzeugen.

Wie änderst du das Aussehen in Sekunden?

Hier liegt der eigentliche Hebel, und er wird oft übersehen: Themes. Weil im Grammar-of-Graphics-Ansatz Inhalt und Aussehen getrennt sind, kannst du den Look einer Grafik komplett austauschen, ohne die Daten oder den Diagrammtyp anzufassen.

Komplett-Themes erledigen das mit einer einzigen Zeile. plotnine bringt fertige Themes wie theme_minimal(), theme_bw(), theme_classic() oder theme_538() mit; ggplot2 liefert acht mitgelieferte Themes von theme_grey() bis theme_void().² Ein einziger Zusatz genügt:

So probierst du in Sekunden mehrere Looks durch und entscheidest am fertigen Bild, statt vorab zu grübeln.

Wenn du einzelne Details steuern willst, kommt die Funktion theme() ins Spiel. Sie regelt alle Nicht-Daten-Elemente, also Titel, Schriften, Hintergrund, Gitterlinien und Legende. Konfiguriert wird über kleine Bausteine: element_text() für Schrift, element_line() für Linien, element_rect() für Flächen und element_blank(), um ein Element ganz zu entfernen.² Ein Beispiel als Auftrag an die KI:

Der wichtigste Schritt für Unternehmen ist der letzte: ein eigenes, wiederverwendbares Theme. Du kannst eine theme()-Konfiguration einmal definieren, unter einem Namen speichern und dann auf beliebig viele Grafiken anwenden, oder ein bestehendes Theme ableiten.¹ Das Ergebnis ist ein einheitliches Corporate Design über alle Diagramme hinweg: gleiche Hausfarben, gleiche Schrift, gleiche Abstände. Ändert sich die Vorgabe, passt du sie an einer einzigen Stelle an, und alle Grafiken ziehen mit. Aus vielen zufällig aussehenden Charts wird so eine erkennbare, professionelle Bildsprache.

Stell dir das an einem Alltagsfall vor. Eine Abteilung erstellt für einen Monatsbericht zwölf Diagramme, jedes von einer anderen Person, jedes in leicht anderen Farben und Schriftgrößen. Der Bericht wirkt unruhig, und vor der Veröffentlichung muss jemand alle zwölf per Hand angleichen. Mit einem gemeinsamen Haus-Theme entfällt diese Arbeit vollständig: Alle Grafiken tragen dasselbe Gewand, und wenn das Marketing im nächsten Quartal die Hausfarbe ändert, genügt eine einzige Anpassung im Theme. Diese Trennung von Inhalt und Form ist kein kosmetisches Detail, sondern spart bei wiederkehrenden Reports echte Zeit und macht Ergebnisse sofort als deine erkennbar.

Wie sieht so ein Ergebnis aus?

Das folgende Beispiel zeigt, was mit diesem Ansatz möglich ist: ein sogenannter Raincloud-Plot, der Umfragedaten zur KI-Nutzung nach Anwendungsbereichen darstellt. Er kombiniert mehrere Darstellungsformen in einer Grafik, Rohwerte als Punkte, die Verteilung als Fläche und Kennzahlen wie den Gruppenmittelwert als gestrichelte Linie, und bleibt dabei aufgeräumt und lesbar. Genau solche mehrschichtigen Grafiken sind die Stärke des Grammar-of-Graphics-Ansatzes.

Beispiel für eine per Prompt erzeugte, mehrschichtige Grafik. Erstellt aus simulierten Umfragedaten.

Ein ausführlicher Prompt, der eine solche Grafik anstößt, kann etwa so aussehen:

Musst du dafür R oder Python können?

Die kurze Antwort: nein. Der Grammar-of-Graphics-Ansatz stammt aus der R-Welt, wo ggplot2 seit Jahren der Standard für anspruchsvolle Grafiken ist. Dass es ihn mit plotnine nahezu wortgleich auch in Python gibt, ist praktisch, weil sich Wissen zwischen beiden Sprachen überträgt.⁴ Für dich als Anwenderin oder Anwender ist die Sprache aber zweitrangig: Du beschreibst, was du sehen willst, und die KI schreibt den Code. Wichtig ist nur, dass du den passenden Ansatz benennst, also plotnine oder ggplot statt der Standardausgabe, und die richtigen Fachbegriffe für Themes verwendest. Genau dafür ist es hilfreich, die Bausteine einmal verstanden zu haben, auch wenn du selbst keine Zeile Code schreibst.

Wie erstellst du interaktive Grafiken?

Nicht jede Grafik muss ein statisches Bild sein. Für Diagramme, in die man hineinzoomen und mit denen man interagieren kann, bittest du um plotly:

So entstehen Diagramme, die sich besonders für Präsentationen und Dashboards eignen, weil die Betrachter selbst Details erkunden können.

Was du beim Arbeiten beachten solltest

Drei Punkte machen aus einer netten Spielerei ein verlässliches Werkzeug:

• Datenschutz zuerst. Lade keine sensiblen Originaldaten in eine Chat-Anwendung. Arbeite mit simulierten Daten, lass dir den fertigen Code zeigen und führe ihn lokal auf den echten Daten aus.
• Code behalten, nicht nur das Bild. Der eigentliche Wert liegt im Code. Kopiere ihn, damit du die Grafik später exakt reproduzieren, aktualisieren oder in eigene Projekte einbetten kannst.
• Prüfen bleibt Pflicht. KI-generierter Code kann Fehler oder falsche Annahmen enthalten. Vergleiche das Ergebnis mit deinen Daten, bevor du es weiterverwendest.

Wer diese drei Regeln beherzigt, bekommt aus wenigen klaren Sätzen professionelle, markenkonforme Grafiken, und behält zugleich die volle Kontrolle über Daten und Ergebnis.

Am Ende verschiebt sich damit deine Rolle. Du klickst nicht mehr Diagramme zusammen, sondern beschreibst präzise, was du zeigen willst, wählst den richtigen Ansatz und das passende Theme und prüfst das Ergebnis mit fachlichem Blick. Die mühsame Handarbeit übernimmt die KI, die inhaltliche Verantwortung bleibt bei dir. Das ist ein gutes Bild für den sinnvollen Einsatz von KI insgesamt: nicht als Ersatz für dein Urteil, sondern als schneller, unermüdlicher Werkzeugkasten, der dir die Wege zu einem sauberen Ergebnis abkürzt. Wer einmal erlebt hat, wie aus drei Sätzen eine publikationsreife Grafik entsteht, will nicht zurück zur Tabellenkalkulation.