LLM применение на практике: графики, бюджет и отчёты без единой строчки кода

Ещё пару лет назад для анализа таблицы расходов нужен был Excel и хотя бы базовое знание формул. Сейчас достаточно загрузить файл в ChatGPT или Claude и описать задачу словами. Ниже разберём конкретные шаги: от простого расчёта семейного бюджета до визуализации рыночных данных.

Что понадобится?

• Доступ к LLM с режимом анализа данных. ChatGPT (платная подписка Plus или Team) либо Claude с включённым режимом обработки файлов. Из доступных в РФ вариантов подойдут YandexGPT или GigaChat, но функции работы с файлами и Python-средой у них пока ограничены
• Файл с данными. Таблица .xls/.csv с расходами, продажами или любыми числами. Нет готового файла? Попросите саму LLM сгенерировать тестовый
• Промпт (запрос к модели) на русском языке. Все примеры ниже работают на русском
• Время: 15 минут на первый результат, ещё 10 на доработку

Как применить LLM для анализа данных: пошаговая инструкция

1. Подготовьте или сгенерируйте таблицу. Если реальных данных под рукой нет, попросите модель создать тестовый файл. Пример промпта:

Напиши Python-скрипт, чтобы создать xls с личными расходами
за период 1 января 2026 — 31 августа 2026.
Три колонки: дата, категория (авто, дом, еда, лечение, развлечения,
путешествия), сумма.
Около 100 строк, случайные значения, близкие к реальным расходам
обычного человека.

Модель напишет код на Python, выполнит его на сервере и вернёт готовый файл для скачивания.

1. Загрузите файл в чат и задайте вопрос. Не нужно указывать формулы или столбцы вручную. Промпт:

Подсчитай расходы по каждой категории за каждый месяц,
составь график с разбивкой по месяцам.

Модель сама определит структуру таблицы, напишет Python-код, выполнит его и выведет диаграмму прямо в окне чата.

1. Уточняйте и дополняйте в том же диалоге. LLM сохраняет контекст сессии. Можно попросить:
2. «Покажи только категории, где расходы выросли»
3. «Добавь линию среднего значения»

4. «Переведи суммы в доллары по курсу ЦБ на сегодня»

5. Используйте веб-поиск внутри чата для внешних данных. Модель умеет находить информацию в интернете и тут же визуализировать её. Пример промпта для Claude:

Посмотри в интернете данные по динамике цен на нефть
за последние 5 лет и нарисуй график по неделям.

После получения графика можно добавить слой: «Добавь к графику отметки, когда начались значимые геополитические события».

1. Скачайте результат. Графики сохраняются как изображения, таблицы как .xls или .csv. Готово для презентации или отчёта.

Расчёты «на лету» без таблиц

LLM применение не требует обязательного файла. Модель справляется с произвольными вычислениями, комбинируя поиск данных и Python. Вот реальный пример из источника: пользователь попросил ChatGPT «подсчитать, сколько будет 42 умножить на число Пи и разделить на среднюю продолжительность жизни в Латинской Америке».

Модель нашла данные Всемирного банка (75,82 года за 2024 год), запустила Python-код 42 * math.pi / 75.81791 и вернула ответ: примерно 1,74. Два действия, поиск и вычисление, выполнены за секунды без единого клика за пределами чата.

Для российского контекста это работает так же: «Найди средний курс доллара ЦБ за июнь 2025 и пересчитай мои расходы из рублей».

Четыре режима работы с LLM: от простого к сложному

Не все задачи требуют одного и того же подхода. Вот как устроены уровни:

• Обычный чат в браузере. Отправляете текст, фото, документ или ссылку, получаете ответ. Базовые агентные навыки: модель умеет «читать» загруженные файлы и отвечать по ним
• Расширенный режим с Python. То, что описано выше. Модель пишет и выполняет код в изолированной среде (Jupyter Notebook), обрабатывает данные, строит графики. Доступен в ChatGPT и Claude
• Работа через API (для разработчиков). Запросы отправляются программно, без веб-интерфейса. Это основа для ИИ-помощников в поддержке, пакетной обработки документов, систем смыслового поиска RAG (Retrieval-Augmented Generation, когда модель ищет ответ в вашей базе знаний, а не выдумывает)
• Агентные системы. Готовые инструменты вроде OpenAI Codex или Claude Code. ИИ-агент (программа, которая сама планирует и выполняет цепочку действий) может написать код, протестировать его, исправить ошибки и выдать готовый результат

Для автора Дзена или маркетолога первые два режима закрывают большинство задач. API и агенты нужны тем, кто строит продукты или автоматизирует бизнес-процессы.

Что делать с этим прямо сейчас?

Автору Дзена. Загрузите статистику канала в CSV и попросите модель найти, какие темы дали рост дочитываний. Это быстрее, чем разбирать таблицу глазами, и даёт конкретные выводы для контент-плана.

Маркетологу. Сведите расходы на рекламу из нескольких кабинетов в один файл и попросите LLM визуализировать стоимость лида по каналам. Готовый график для отчёта клиенту за минуту.

Предпринимателю в РФ. Начните с простого: загрузите выписку расходов и попросите разбивку по категориям. Из доступных в России инструментов с веб-интерфейсом работают YandexGPT и GigaChat, но режим Python-обработки файлов у них пока реализован не полностью. ChatGPT и Claude доступны через VPN.

Начните с одной задачи: загрузите любую таблицу с числами в ChatGPT или Claude и попросите «посчитай и покажи график». Пятнадцать секунд от промпта до результата убедительнее любой статьи о возможностях LLM.