AI生成的PPT往往结构完整、语言流畅、图表也很漂亮，但这并不代表其中的数字和结论可靠。最常见的问题包括来源链接不存在、把预测写成实际结果、将不同年份的数据放在一起比较、把相关性说成因果，以及图表标题与原始数据不一致。要让PPT能用于决策，必须把“写得像真的”变成“可以追溯和复核”。

一、先建立一张结论—来源表

每个关键结论都单独占一行，记录原句、来源名称、原始链接、发布日期、数据对应的时间范围、数字单位、计算方法和使用的幻灯片页码。不要只把参考链接放在最后一页，因为读者很难知道哪条来源支持哪一个数字。

把来源分为官方原始数据、研究报告、媒体报道和二手评论。二手文章可以帮助发现线索，但关键数据应尽可能回到原始报告或官方页面。若原始来源找不到，就把结论标为待核实，而不是让AI补出一个看似合理的链接。

二、核对发布日期、统计范围和单位

同一个数字可能分别指自然年、财年、季度、累计值或某一天的快照。下载量、活跃用户、注册账户和付费用户也不是可以互换的指标。核查时要记录地区、样本、产品范围、货币和单位，并确认两组数据是否真的可比。

如果AI将两份报告中的数字拼在一起，要求它说明是否采用相同定义。来源没有披露口径时，应在PPT中注明限制，不要通过简单计算制造虚假的精确性。

三、重新计算图表中的每个结果

对增长率、市场份额、同比和环比，保留原始数值与公式。抽查几个关键数字，用表格或计算器独立重算。注意百分比变化和百分点变化的区别，也要检查分母是否改变。图表若使用截断坐标轴，应在视觉上清楚标记，避免放大细小差异。

对AI生成的图表，检查数据标签、图例、时间顺序、单位和缺失值处理。图表的标题应表达实际测量内容，而不是把一组相关数据直接命名为“证明某策略有效”。

四、区分事实、推断和建议

把幻灯片内容标成三类：来源直接支持的事实、基于事实的分析推断、需要业务判断的建议。事实需要原始来源；推断需要解释逻辑和不确定性；建议则应说明目标、约束和适用条件。三者混在一起时，管理者很容易把模型生成的建议误当成已被证实的事实。

NIST的生成式AI风险管理资料强调对生成系统进行评估和风险管理。用于PPT时，可以将它转化为工作习惯：重要结论有证据，推断有逻辑，建议有边界，未验证的内容明确标注。

五、检查反例和过度概括

不要只寻找支持结论的来源。若PPT声称某市场快速增长，也应检查是否有不同地区、不同统计口径或相反趋势。若只引用一个案例，不能直接推导整个行业都如此。让AI列出结论成立所需的假设和可能的反例，再由人决定是否保留。

对时间敏感的事实，在交付前重新打开原始页面，确认报告没有更新、链接仍然有效、引用的数据没有被修订。保存访问日期，方便后续复查。

六、用分级验收提高效率

不是每一页都需要同等强度的审核。涉及收入、用户规模、法律义务、投资建议或产品安全的页面应优先核查；装饰性引言和非关键示意图可以采用较轻流程。可以设置红黄绿状态：红色为来源缺失或数字冲突，黄色为口径不完全清楚，绿色为来源和计算已复核。

最终交付前，让另一位同事只看结论—来源表和图表数据，尝试在几分钟内复现关键结果。如果无法复现，说明证据链还不够清楚。把核查清单保存为模板，下一次AI生成PPT时就能直接复用。

七、交付前做一次反向核查

核查时不要只问“这页有没有来源”，还要反过来问“这个来源是否真的支持这句话”。把标题中的结论拆成可验证的子句，逐项回到原文查找。若来源只支持相关性，就不要写成因果；若报告只覆盖部分地区，就不要扩展成全球结论。对于无法复核的内容，删除、降级表述或明确标注假设。将结论—来源表随PPT一起保存，下一位同事就能在不重新猜测AI意图的情况下复查关键数字，减少汇报后才发现错误的风险。

Sources

• NIST：生成式人工智能风险管理框架（2024年7月26日发布）。
• NIST AI RMF Playbook（访问于2026年10月28日）。