В начале 2026 года в сообществе разработчиков вновь обострился интерес к тому, как именно люди применяют большие языковые модели в повседневной работе и быту. Толчком послужила старая ветка Reddit, где пользователи делились нестандартными сценариями использования ChatGPT, а также личный опыт автора одной из публикаций. Выяснилось, что спектр применения LLM давно вышел за рамки простого чата: от загрузки Excel-файлов до запуска Python-скриптов прямо в веб-интерфейсе. Многие из этих приёмов доступны обычным пользователям без единой строчки кода, но требуют понимания того, какие режимы работы предлагает конкретная модель. При этом важно различать три принципиально разных уровня взаимодействия с LLM: обычный веб-чат с базовыми агентскими навыками, расширенный режим с анализом данных и API для разработчиков. Каждый из них открывает свой набор возможностей и предъявляет свои требования к пользователю.

Ключевое отличие современных LLM — наличие расширенных режимов работы с данными. Например, в ChatGPT это функция «Анализ данных», которая позволяет загружать файлы форматов txt, doc, xls, pdf и даже ссылки на внешние ресурсы. Модель не просто отвечает на вопросы по содержимому, но и выполняет вычисления, строит сводные таблицы, диаграммы и статистические отчёты. Согласно документации OpenAI, ChatGPT помогает формировать сводную информацию по строкам, столбцам, тенденциям и выбросам, создавать таблицы для построчного просмотра, генерировать диаграммы на основе загруженных данных, выполнять вычисления, преобразования и статистический анализ на основе Python, а также объяснять предположения, результаты и возможные дальнейшие шаги. Внутри запускается полноценное окружение Jupyter Notebook с интерпретатором Python, где модель пишет код, исполняет его на серверах OpenAI и возвращает результат в виде интерактивных таблиц или графиков. Аналогичные возможности есть у Claude, который справляется с анализом данных как минимум не хуже. По сути, это превращает чат-бот в мощный офисный инструмент, доступный прямо из браузера.

Техническая реализация такого режима опирается на несколько компонентов. Во-первых, модель умеет распознавать структуру загруженных данных и самостоятельно выбирать подходящие библиотеки Python — pandas, matplotlib, numpy. Во-первых, она сохраняет состояние сессии, поэтому может последовательно обрабатывать несколько запросов, ссылаясь на ранее созданные объекты. В-третьих, встроенный веб-поиск позволяет дополнять анализ актуальными внешними данными: например, можно попросить найти среднюю продолжительность жизни в Латинской Америке за 2024 год, а затем вычислить произвольное выражение с этой цифрой. Модель найдёт значение (75,81791 года по данным Всемирного банка), запустит код `42 * math.pi / 75.81791` и выдаст ответ ~1,74. Этот пример показывает, как LLM комбинирует поиск, вычисления и генерацию ответа в одном потоке. Другой сценарий — попросить Claude найти в интернете динамику цен на нефть за последние пять лет и нарисовать график по неделям, а затем добавить на него отметки о начале военных конфликтов между Россией и Украиной, США и Ираном. Модель самостоятельно соберёт данные, построит визуализацию и внесёт нужные правки.

Контекст развития таких возможностей уходит корнями в 2023–2024 годы, когда появились первые плагины и интерпретаторы кода. Тогда же сформировалось разделение на три уровня использования: обычный веб-чат с базовыми агентскими навыками, расширенный режим с анализом данных и API для разработчиков. К базовым агентским навыкам относится, например, отправка фотографии, скриншота, документа или ссылки и постановка вопросов по ним, а также веб-поиск и глубокие исследования. API позволяет отправлять запросы в сыром виде и самостоятельно обрабатывать ответы, что открывает путь к пакетной обработке документов, переводу, суммаризации, извлечению сущностей и построению систем RAG для смыслового поиска. Конкуренция между OpenAI, Anthropic и другими игроками привела к тому, что аналогичные функции быстро становятся стандартом: если ChatGPT запускает Python под капотом, то Claude отвечает тем же, а разрыв в качестве между ними сокращается. Именно этот расширенный режим, который автор называет «Python под капотом», расширяет возможности использования ChatGPT практически до бесконечности.

Для российского рынка эти возможности имеют двойственное значение. С одной стороны, доступ к зарубежным сервисам может быть ограничен, что вынуждает разработчиков искать локальные аналоги или использовать API через посредников. С другой стороны, сами принципы работы с LLM универсальны: аналитики, бухгалтеры, маркетологи и инженеры могут применять похожие сценарии в отечественных решениях, таких как YandexGPT или GigaChat. Реакция отрасли уже заметна: на профильных конференциях всё чаще обсуждают не «магию» ИИ, а конкретные пайплайны — загрузку таблиц, построение отчётов, автоматизацию рутины. Пользователи, освоившие расширенные режимы, отмечают, что один такой инструмент заменяет несколько специализированных программ для визуализации и статистики. Показателен пример, когда сам xls-файл с личными расходами за период с 1 января по 31 августа 2026 года был создан по промпту: модель написала Python-скрипт, сгенерировала три колонки — дата, категория расходов (авто, дом, еда, лечение, развлечения, путешествия) и сумма — и заполнила около ста строк случайными значениями, близкими к реальным тратам обычного человека.

Если сравнивать с альтернативами, то классические BI-системы и Excel-надстройки требуют ручной настройки и не понимают естественный язык. LLM же позволяют сформулировать задачу словами: «подсчитай расходы по каждой категории за каждый месяц и построй график с разбивкой». Модель сама сгенерирует код, выполнит его и покажет результат. Агентные системы идут ещё дальше: OpenAI Codex или Claude Code способны не только анализировать данные, но и писать код, тестировать его, отлаживать и доводить до релиза. Они могут парсить документы, заходить на сайты, оформлять заказы — то есть выполнять цепочки действий без постоянного участия человека. Это уже не просто чат, а автономный исполнитель, которому можно делегировать целые процессы. В режиме API к этому добавляются ИИ-помощники в службе поддержки и пакетная обработка документов, что делает такие системы пригодными для корпоративных задач.

Перспективы дальнейшего развития связаны с двумя направлениями. Первое — углубление интеграции LLM в офисные и корпоративные системы, когда анализ данных становится фоновой функцией, доступной из любого приложения. Второе — рост автономности агентов, которые смогут самостоятельно ставить подзадачи, проверять результаты и учиться на ошибках. Открытыми остаются вопросы безопасности: если агент получает доступ к файлам и внешним сервисам, кто несёт ответственность за его действия. Также неясно, насколько быстро локальные модели догонят зарубежные по качеству анализа данных и насколько устойчивыми окажутся обходные пути доступа к зарубежным API. Но уже сейчас очевидно: вариантов применения LLM сотни и тысячи, и ограничиваются они только фантазией пользователя и доступностью инструментов.