В опубликованном на Хабре материале руководитель проектов по автоматизации бизнеса и преподаватель Karpov.Courses Игорь Зуриев представил обзор инструментов на базе ИИ для визуализации данных. Автор разбирает, как выбрать нейросеть для построения графиков, диаграмм, дашбордов и схем, и на каком этапе подключать человека для проверки результата. Публикация вышла в потоке «Разработка» и основана на документации сервисов по состоянию на октябрь 2026 года, а не на сквозном сравнительном прогоне всех упомянутых продуктов. Отправной точкой обзора стала типичная ошибка: нейросеть строит график продаж и сообщает о падении выручки в конце сентября, хотя причина может быть в том, что выгрузка закончилась 28-го числа, а последнюю неделю сравнили с полной. Автор подчёркивает, что возвраты могут попасть в продажи, товарные позиции — превратиться в отдельные заказы, а дубли — создать рекордную неделю. Поэтому ключевой критерий выбора — возможность проверить расчёт и повторить его на новых данных, а не красота итоговой картинки. Для расчётов автор использует ChatGPT или Claude с исполнением кода, для схем — Mermaid или PlantUML, а кейс в статье назван учебным примером.

По мнению автора, выбор инструмента следует начинать с желаемого результата: таблица для проверки расчёта, картинка для презентации и обновляемый дашборд требуют разных возможностей. Для графика нужен понятный расчёт — например, какая дата используется: заказа, оплаты или доставки. Любой ИИ для создания дашбордов требует проверки фильтров и обновления после замены файла: Mermaid и PlantUML позволяют хранить схему как текст, но корректный код может содержать неверные связи, поэтому смысл всё равно проверяет человек. Перед оплатой автор советует пройти весь сценарий целиком — загрузку, расчёт, правки и экспорт, поскольку бесплатный план может ограничивать последние шаги.

В обзоре перечислены конкретные продукты с описанием их сильных сторон. ChatGPT работает с распространёнными табличными форматами и для части аналитических задач пишет и исполняет Python-код; автор просит сохранять код расчёта, чтобы видеть, какие строки вошли в сумму и как обработаны исключения. Claude поддерживает исполнение кода и создание файлов, а Artifacts позволяют собирать интерактивные интерфейсы и дашборды, при этом важно различать демонстрационный интерфейс на встроенных данных и полноценный дашборд с автоматически обновляемым источником. Gemini в Google Sheets помогает создавать формулы, сводные и графики, но в документации Google есть существенная деталь: вставленный сгенерированный график связан с данными на новой вкладке и не реагирует на изменения исходного набора автоматически. Julius AI принимает Excel, CSV и другие источники, поддерживает несколько листов и такие типы визуализаций, как линейные и столбчатые графики, гистограммы, boxplot и тепловые карты. Graphy позволяет загружать CSV и Excel, подключать Google Sheets и оформлять графики в фирменном стиле с экспортом и встраиванием, а GraphMaker ориентирован на быстрые базовые диаграммы по запросу на естественном языке.

Отдельный блок обзора посвящён инструментам для схем и приложений. Plotly Studio — настольное приложение, которое использует ИИ для исследования данных, отчётов и интерактивных приложений и генерирует код с публикацией в Plotly Cloud или Dash Enterprise; это отдельный продукт, а не сама библиотека Plotly. Napkin AI превращает текст в визуальные представления для документов и презентаций с экспортом в PNG, SVG, PPT и PDF в зависимости от плана, и автор рекомендует его для процессов и иерархий, проверяя, что исключения не исчезли, а последовательность не превратилась в причинную связь. Eraser и DiagramGPT создают диаграммы, которые можно править в Eraser с помощью собственного синтаксиса diagram-as-code, и его не следует автоматически считать Mermaid-кодом. Общий вывод по этой группе: по запросу вроде «Архитектура магазина» модель будет дополнять описание предположениями, поэтому передавать ей стоит только подтверждённые компоненты и связи.

Контекст публикации показывает, что рынок инструментов визуализации на базе ИИ быстро растёт, но зрелость продуктов различается: одни сервисы ограничиваются генерацией картинки, другие дают доступ к коду и данным. Автор намеренно не проводит сравнительный прогон всех инструментов, а отбирает их по документации, что задаёт рамки применимости выводов. В том же потоке «Разработка» опубликован материал о боте для поиска туров на Python, где языковая модель разбирает запрос, а API туроператоров преподносят сюрпризы; там автор также отказывается от регулярных выражений в пользу LLM со схемой. Оба текста иллюстрируют общий сдвиг: нейросети всё чаще встраиваются в прикладные сценарии, где цена ошибки измеряется не качеством текста, а корректностью данных и воспроизводимостью результата.

Для российского рынка практическая ценность обзора связана с доступностью и условиями использования перечисленных сервисов: часть из них требует платной подписки Google Workspace или Google AI, часть ограничивает экспорт на бесплатном плане. Автор не даёт рекомендаций по обходу ограничений и не оценивает юридические аспекты работы с зарубежными сервисами, сосредоточиваясь на методике проверки. Отраслевая реакция на подобные материалы обычно сводится к спросу на воспроизводимые пайплайны: специалисты хотят видеть, какие строки вошли в расчёт, как обработаны исключения и что произойдёт при замене исходного файла. В этом смысле обзор выполняет роль чек-листа для команд, которые внедряют ИИ в аналитику и отчётность.

Сравнение с альтернативами в тексте выстроено вокруг сценариев, а не вокруг рейтинга. ChatGPT и Claude выигрывают там, где нужен контроль над кодом расчёта и возможность собрать прототип; Gemini удобен внутри Google Таблиц, но требует внимания к цепочке обновления; Julius AI и GraphMaker подходят для быстрого исследования и базовых диаграмм; Graphy ориентирован на презентационное оформление; Plotly Studio — на интерактивные приложения; Napkin, Eraser и DiagramGPT закрывают задачи схем и объяснения идей. Такой подход позволяет сопоставлять инструменты по типу результата, а не по набору функций, и снижает риск выбрать сервис, который красиво рисует, но неверно считает. Открытыми остаются вопросы о том, как поведут себя сервисы при росте объёмов данных, насколько стабильно они обновляют источники и какие гарантии дают при экспорте и совместной работе. Автор обещает проверять результат на новых данных и сохранять бизнес-правила в инструкциях проекта, что фактически переносит ответственность за корректность на человека и процесс. Дальнейшее развитие темы, вероятно, будет связано с появлением полноценных дашбордов с автоматическим обновлением и с более прозрачной трассировкой расчётов, без которой доверие к ИИ-визуализации останется ограниченным.