«Использовать AI» — фраза слишком общая. Под ней прячутся три разных способа взаимодействия с моделью, и путать их невыгодно: задача, которая идеально решается чатом за три минуты, в виде API-интеграции займёт две недели разработки. И наоборот — ручная категоризация 1000 заявок в окне ChatGPT — это путь в бессмысленный ад.
Разберём, чем эти режимы отличаются на практике и как выбрать нужный.
Режим 1: Чат
Что это
Окно с диалогом. ChatGPT, Claude, Gemini, любой web-интерфейс или десктоп-клиент. Ты пишешь сообщение — модель отвечает — ты уточняешь — она переписывает. Цикл такой же, как в мессенджере с коллегой, только коллега очень быстрый и ничего не знает про твою компанию.
Когда применять. Разовая задача, которую проще объяснить словами, чем формализовать в код. Экспертиза по незнакомой теме. Мозговой штурм. Перевод. Объяснение чужого SQL/DAX. Черновик письма. Проверка собственной логики — «вот мой план, что упустил».
Сильные стороны. Порог входа нулевой — открыл вкладку, начал печатать. Не нужна разработка, не нужны API-ключи, не нужно ничего настраивать. Итерация — секунды: написал, увидел, поправил. Всё что не нравится, можно тут же переписать или откатить.
Слабые стороны. Любая повторяемость превращается в ручной труд. 50 однотипных классификаций в чате — это 50 раз вставить текст и скопировать ответ. Контекст в длинных диалогах постепенно теряется — модель начинает забывать, что ты обсуждал в начале, и начинает противоречить сама себе. Никакой автоматизации, никакой интеграции с другими системами.
Реальные примеры аналитика.
- «Помоги собрать выводы для презентации по дашборду продаж» — скармливаешь набор фактов, получаешь черновик нарратива.
- «Объясни этот SQL, который написал предыдущий разработчик» — вставляешь 200 строк, получаешь разбор по блокам.
- «Придумай 5 гипотез, почему упала выручка в марте» — даёшь контекст, получаешь набор для проверки.
- «Напиши DAX-меру для running total с ресетом по году» — одноразовая мера, которую ты всё равно перепроверишь руками.
- «Переведи описание задачи на английский для тикета в jira» — одно сообщение, один ответ.
Режим 2: Агент
Что это
AI с инструментами. К модели подключены поиск в интернете, чтение и запись файлов, выполнение кода, обращение к БД, вызов внешних API. Ты ставишь задачу один раз — модель сама планирует последовательность шагов, дёргает нужные инструменты, читает результаты, корректирует план и идёт дальше. Это уже не собеседник, а исполнитель.
Когда применять. Многошаговая задача с ветвлением. Исследование данных, где нужно посмотреть в несколько мест и сравнить. Любая работа, где следующий шаг зависит от результата предыдущего. Разбор инцидента: посмотреть логи, найти аномалию, проверить смежные таблицы, собрать гипотезу.
Примеры из индустрии. Claude Code (агент в терминале с доступом к файловой системе и bash), ChatGPT с Code Interpreter, Cursor, агенты на Anthropic SDK с tool use, OpenAI Assistants API. У каждой платформы свой набор встроенных инструментов и возможность подключить свои через MCP или аналоги.
Что меняет режим агента. До агентов AI отвечал на вопрос. Агент решает задачу. Разница на практике: вместо «как написать SQL для поиска дублей в dim_product» агент сам подключается к БД, смотрит схему, находит дубли, считает их, кладёт результат в файл. Без перекладывания результатов туда-сюда руками.
Грабли. Контроль становится сложнее. Агент может пойти не по тому пути и потратить десяток шагов на ветку, которую ты бы отбросил с ходу. Каждый вызов инструмента и каждое размышление — токены, и счёт за длинную сессию агента бывает ощутимым. Отлаживать тоже сложнее: если что-то пошло не так, нужно листать всю цепочку решений и понимать, на каком шаге модель свернула не туда.
Когда агент уместен у аналитика.
- Исследовать датасет, которого ты раньше не видел: посмотреть таблицы, посчитать базовую статистику, найти аномалии в нескольких разрезах.
- Подготовить разбор инцидента с переходом по логам, метрикам и связанным таблицам.
- Прогнать рефакторинг группы DAX-мер с замерами до/после.
- Собрать ad-hoc отчёт: вытащить данные из двух источников, склеить, оформить.
Режим 3: API в коде
Что это
Программный вызов модели. В твоём Python-скрипте, в Power Automate, в C#-сервисе — стоит вызов client.messages.create(...), который посылает запрос к API и получает ответ в виде строки или структурированного JSON. Модель встроена в твою систему как ещё одна функция.
Когда применять. Производственный пайплайн. Повторяющаяся задача, которая прогоняется автоматически по расписанию или на каждое событие. Любая интеграция в продукт, где конечный пользователь не общается с моделью напрямую, а получает результат её работы.
Реальные сценарии.
- Автоматическая категоризация входящих заявок по типу обращения и приоритету.
- Извлечение полей из PDF-договоров: стороны, суммы, сроки, номера — в структурированный JSON.
- Перевод массива описаний товаров с русского на английский для экспортного каталога.
- Классификация отзывов клиентов на позитив/негатив с разбором причин.
- Генерация саммари длинных переписок саппорта для дашборда.
Стек. Anthropic SDK (Python, TypeScript, Java), OpenAI SDK, Yandex GPT API, GigaChat API, либо прямые REST-запросы. У большинства провайдеров SDK покрывает то же самое, что REST — просто удобнее.
Грабли.
- Prompt engineering. Промпт, работающий на трёх примерах в чате, может развалиться на 1000-м объекте. Нужны тесты на репрезентативной выборке и edge-кейсы.
- Обработка ошибок. Сеть моргнула, провайдер вернул 429, модель ответила невалидным JSON — всё это случается. Нужны ретраи с backoff, валидация ответа, fallback.
- Контроль качества. В чате ты видишь каждый ответ. В пайплайне — только агрегаты. Нужны метрики: доля «не уверен», доля непрошедших валидацию, периодический ручной сэмпл-аудит.
- Стоимость. 1000 PDF в сутки×30 дней — это уже считаемая сумма в месяц. Считай заранее, держи кэш промптов и следи за размером контекста.
Сравнительная таблица
| Параметр | Чат | Агент | API в коде |
|---|---|---|---|
| Порог входа | низкий | средний | высокий |
| Скорость одной итерации | секунды | минуты | минуты-часы |
| Повторяемость на тысяче объектов | плохо | средне | отлично |
| Контроль вывода | в реальном времени | пост-проверка | тесты и метрики |
| Цена за задачу | подписка/free | токены | токены |
| Когда выбирать | разовая | несколько шагов | повторяющийся процесс |
Как выбирать на практике
Когда сомневаешься, какой режим брать — прогони задачу через короткий чек-лист.
- Задача разовая или повторяющаяся? Один раз — скорее всего чат. Каждую неделю — подумай об агенте. Каждый час по тысяче объектов — только API.
- Сколько шагов? Один шаг (вход → выход) — чат или API. Несколько шагов с ветвлением, где второй шаг зависит от результата первого — агент.
- Нужна автоматизация? Если результат должен попадать в систему сам, без участия человека — только API (или агент, запускаемый по расписанию).
- Есть разработка в команде? Если нет — чат и готовые агентские инструменты. API без программистов не запустить.
- Какие требования к контролю? Если каждый ответ нужно глазами проверить — чат. Если приемлема выборочная проверка и метрики — API. Агент — посередине.
Примеры из работы аналитика
Чтобы выбор стал нагляднее, прокатим несколько типовых задач через эти три режима.
| Задача | Режим | Почему |
|---|---|---|
| Понять, что не так с дашбордом, который медленно открывается | чат | Один диалог, нужны экспертиза и разбор, не тысяча повторов |
| Прогнать 200 заявок и проставить категорию + приоритет | API | Одинаковая операция повторяется, удобнее автоматизировать |
| Исследовать датасет и найти аномалии в нескольких разрезах | агент | Многошаговое исследование, шаги зависят от промежуточных результатов |
| Написать DAX-меру для разового отчёта | чат | Одноразовая задача, проверишь руками |
| Извлечь поля из 1000 PDF-договоров | API | Большой объём, повторяющийся шаблон, нужна автоматизация |
| Подготовить разбор инцидента: пройти по логам и связанным таблицам | агент | Цепочка шагов, переходы между источниками, гипотезы по ходу |
| Перевести описание тикета на английский | чат | Одно сообщение — один ответ |
| Размечать тональность отзывов в продакшен-витрине | API | Каждый день новые отзывы, ручная разметка не потянет |
Грабли каждого режима
Чат. На длинной сессии теряется контекст. Через сорок сообщений модель может уже не помнить договорённости первых десяти. Лечится переоткрытием диалога с кратким брифом или сменой модели на ту, что держит длинный контекст. Ещё одна типичная ошибка — использовать чат там, где объём задачи перевалил за десяток повторов: 30-я ручная категоризация в чате — сигнал, что пора писать пять строк на Python с API.
Агент. Может закопаться в неправильную ветку. Если поставить задачу слишком общо («разберись с медленным отчётом») — агент уйдёт в дебри, потратит токены и вернётся с неполным результатом. Лечится сужением рамок: ограничь, какие инструменты доступны, дай чёткий критерий завершения, попроси отчитываться промежуточно. Внимательно смотри лог действий — когда что-то идёт не так, обычно видно сразу.
API. Промпт, который красиво работал на трёх примерах, разваливается на 1000-м. Поэтому — тестовая выборка с ground truth, метрики качества (accuracy, доля refusal, доля невалидных ответов), регулярный сэмпл-аудит. И мониторинг: алерт, если доля «не знаю» подскочила вдвое — значит, в потоке появились новые типы данных, на которые промпт не рассчитан.
Гибридные подходы
На практике режимы часто комбинируются.
- Чат для прототипа, API для продакшена. Сначала отрабатываешь промпт и логику в диалоге, потом переносишь готовое в скрипт.
- Агент с вызовом API внутри. Агент исследует данные, а для массовой операции (например, разметить 5000 строк) дёргает заранее настроенный API-вызов как инструмент.
- API + ручной чат-фолбэк. Объекты, по которым модель не уверена, складываем в очередь на ручной разбор аналитика — и там он уже работает в чате.
Что выбирать аналитику в 2026 году
Если задача на один раз — чат. Дёшево, быстро, под контролем. Если задача исследовательская и многошаговая — попробуй агента, благо инструментов вокруг становится всё больше. Если задача повторяется — рано или поздно её стоит вынести в API, даже если стартовый порог высокий.
Главный признак, что пора переходить из чата в API — ты ловишь себя на том, что копируешь в окно одинаковые промпты с разными данными несколько раз в неделю. С агентом признак другой: задача стабильно требует от тебя 5+ ручных переключений между окнами и инструментами.
Связанные материалы
- Гайд по визуализации — как готовить данные так, чтобы потом было удобно подавать их в любую модель.
- 15 DAX-формул для управленцев — набор разовых задач, на которых удобно тренировать промпты для чата.
- Рефакторинг Power BI в 10 раз — классическая задача под агента: исследование модели и замеры до/после.
- SSIS + Python: параметризованный ETL — пример встраивания внешнего кода в пайплайн, по аналогии с тем, как туда же встраивается вызов API модели.
Чат, агент и API — не конкуренты, а слои одного и того же инструмента. Чат — чтобы понять, что модель в принципе умеет на твоей задаче. Агент — чтобы переложить на неё многошаговое исследование. API — чтобы поставить решение на поток. Аналитик, который владеет всеми тремя, в следующие пару лет будет конкурентоспособнее того, кто умеет только переписываться в окне.