Bir Excel dosyanız var, yüzlerce satır. Ya da ham bir veri setini yorumlayıp rapor çıkarmanız gerekiyor. Yapay zeka araçlarına başvuruyorsunuz, ama hangisine? ChatGPT mi, Claude mu, Gemini mi?
Bu üçü aynı “AI asistan” etiketini taşıyor. Ama veri analizi söz konusu olduğunda farkları belirgin. Hangisi kodu çalıştırır, hangisi tabloyu daha iyi okur, hangisi büyük dosyaları yönetir, hangisi daha hesaplıdır? Gerçek analiz senaryolarını temel alarak karşılaştırdık.
Neden Bu Üç Araç?
Veri analizi dünyasında onlarca AI aracı mevcut, ama ChatGPT, Claude ve Gemini üçüncü parti kütüphanelere bağlı kalmadan doğrudan sohbet arayüzünden analiz yapabildiği için ayrı bir kategori oluşturuyor. Üçü de hem ücretsiz hem ücretli katman sunuyor; Python kodu üretip yorumlayabiliyor, CSV okuyabiliyor ve doğal dil soruları yanıtlayabiliyor.
Bu karşılaştırmada odaklandığımız görev türleri:
- CSV ve Excel yükleme, tablo okuma
- Python kodu üretme ve hata ayıklama
- Grafik ve görsel yorumlama
- Büyük veri setleri ile bağlam kapasitesi
- API maliyeti ve ölçeklenebilirlik
Bir Bakışta Farklar
| Özellik | ChatGPT (Plus) | Claude (Pro) | Gemini (Advanced) |
|---|---|---|---|
| Yerleşik Python çalıştırma | ✅ Advanced Data Analysis | ❌ (kod üretir, çalıştırmaz) | ✅ Sınırlı destek |
| CSV/Excel yükleme | ✅ | ✅ | ✅ |
| Bağlam penceresi | 128K token | 200K token | 1M token |
| Grafik yorumlama | ✅ | ✅ | ✅ |
| Google Sheets entegrasyonu | ❌ | ❌ | ✅ |
| Aylık ücret (Pro/Plus/Advanced) | $20 | $20 | $21.99 |
Kaynak: OpenAI, Anthropic ve Google Ağustos 2026 fiyatlandırma sayfaları.
CSV ve Tablo Analizi
Veri analistlerinin temel ihtiyacı şu: bir CSV veya Excel dosyası yükleyip “bu veriyi özetle, trend nedir, hangi ürün en çok satılmış?” gibi doğal dil sorularını sormak.
ChatGPT bu görevde en köklü deneyime sahip. Advanced Data Analysis özelliği, GPT-4o ile çalışır. Bir CSV yüklediğinizde ChatGPT arka planda Python kodu yazar, kodu sandbox ortamında çalıştırır ve sonucu doğrudan yanıtlar. Sadece özet vermez: pivot tablo üretir, sütun bazlı filtreler uygular, istatistiksel dağılım hesaplar. Teknik bilgisi olmayan kullanıcılar için bu bütünleşik akış büyük kolaylık.
Bir örnek vermek gerekirse: “Bu satış verisinde en düşük performanslı 5 bölgeyi bul ve geçen yıla göre düşüşü yüzde olarak hesapla” gibi bir sorgu, ChatGPT’de sadece birkaç saniye içinde çalışıp sonuçlanıyor. Grafiği de isteğe göre oluşturabiliyor.
Claude CSV dosyalarını okur ve metinsel yorumlama yapar. Ancak kodu “çalıştırmaz”: ürettiği Python veya pandas kodunu kopyalayıp yerel ortamınızda çalıştırmanız gerekir. Bağlam penceresi geniş olduğu için büyük tablolar yanıt kalitesini düşürmez; ama hesaplama tarafı tamamen kullanıcıda kalır. Bu durum geliştiriciler için avantaj (kodu gözden geçirebilirsiniz), teknik olmayan kullanıcılar için dezavantaj.
Claude’un güçlü tarafı tablo yapısını anlama derinliğinde. Karmaşık ilişkisel bir tablo yüklediğinizde hangi sütunların birbirine bağlı olduğunu, hangi kayıt tipinin tutarsız göründüğünü ve nelerin eksik olduğunu diğer araçlara kıyasla daha kapsamlı raporluyor.
Gemini CSV analizi için üç kanaldan çalışır: doğrudan dosya yükleme, Google Drive bağlantısı veya Google Sheets entegrasyonu. Google ekosistemine kilitliyseniz Gemini burada öne geçiyor. Sheets’teki bir tabloyu Gemini ile komutla temizleyip formüllere çevirebilir, pivot tablolar oluşturabilirsiniz. Google Workspace kullanan ekipler için bu entegrasyon iş akışını belirgin biçimde hızlandırıyor.
Python Kodu Üretme ve Hata Ayıklama
Veri bilimcilerin sık karşılaştığı senaryo: “Bu pandas kodumda neden KeyError çıkıyor?” ya da “Şu analizi yapan bir script yazar mısın?”
Tüm üç araç da Python kodu üretmede yeterince güçlü, ama yaklaşımları farklı.
ChatGPT’nin belirgin avantajı kodu sandbox’ta çalıştırmasından geliyor. Hata aldığında otomatik olarak düzeltiyor ve tekrar çalıştırıyor. Bu kendi kendini düzeltme döngüsü çoğu zaman herhangi bir müdahale gerektirmeden sonuca ulaşıyor. Ancak sandbox’ın dışarıya erişimi yok; yerel dosya sisteminize dokunamaz veya özel kütüphane yükleyemez. Prompt mühendisliği açısından da dikkat edilmesi gereken bir nokta var: veri şemasını ve beklenen çıktıyı ne kadar net tanımlarsanız, ChatGPT’nin ürettiği kod o kadar isabetli oluyor.
Claude, karmaşık refaktör ve çok dosyalı kod düzenleme konusunda diğerlerinden daha güçlü. 200K token bağlamı büyük kod tabanlarını tek sohbette tutmanıza olanak tanıyor. Kodun neden çalıştığını ve neden çalışmadığını ayrıntılı açıklıyor; bu özellik öğrenme amaçlı veya kod incelemesi yapılan bağlamlarda değerli. Bir pandas DataFrame üzerinde karmaşık grup işlemleri yapılırken hangi adımda ne olduğunu satır satır açıklayan Claude, kodu anlamak isteyen analistler için iyi bir seçenek.
Gemini ise Google Colab altyapısıyla entegre çalışıyor. Colab notebook’unda Gemini’yi yardımcı olarak çağırabilirsiniz: kod önerisi orada çalışır, sonucu geri alırsınız. Google Colab kullanan ekipler için bu akış pratik. Öte yandan Gemini’nin ürettiği kodun hata durumunda açıklaması zaman zaman diğerlerine kıyasla daha yüzeysel kalabiliyor.
Hata ayıklama kalitesi açısından yapılan bağımsız testlerde Claude, uzun hata mesajlarını daha isabetli yorumluyor ve çözümü daha az adımda buluyor. ChatGPT ise daha kısa, uygulamalı yanıtlar üretiyor ve kendi kendini düzeltme kapasitesiyle fark yaratıyor.
Grafik ve Görsel Yorumlama
Bir grafik ekran görüntüsü yükleyip “Bu grafikte anomali var mı, trend ne yönde, hangi veriyi gösteriyor?” gibi sorular sorabilirsiniz. Üçü de bu özelliği sunuyor ama kaliteleri farklı.
ChatGPT, grafik tipini ve eksen değerlerini tanımlamada oldukça güçlü. Bar chart, scatter plot, heatmap gibi standart görselleştirmelerde yüksek doğruluk sunuyor. Çubuğun değerini bile yaklaşık hesaplayabiliyor. Öte yandan grafik üzerinden yorum yaparken sayısal kesinlik zaman zaman sallantılı olabiliyor.
Claude görsel yorumlamada benzer bir doğruluğa sahip ama farkı açıklamanın derinliğinde. Sadece anomaliyi bulmakla kalmıyor, bu anomalinin hangi koşullar altında oluşmuş olabileceğini olasılıkları sıralayarak açıklıyor. Araştırma raporlarını veya karmaşık veri görselleştirmelerini yorumlamak için bu derinlik önemli.
Gemini görsel analizde Google Lens mirasından yararlanıyor. Grafiğin kaynağını tahmin etmede veya benzer grafik türleri arasındaki nüansları ayırt etmede zaman zaman diğerlerine göre avantajlı olabiliyor.
Bağlam Kapasitesi ve Büyük Dosyalar
Bir veri analistinin çalıştığı dosyalar sıklıkla on binlerce satır içeriyor. Büyük dil modelleri, tüm veriyi “belleğe” alarak işlemiyor: bağlam penceresi olarak bilinen bir token limiti içinde çalışıyorlar. Bu limit aşıldığında araç ya önceki bilgileri “unutuyor” ya da dosyanın bir bölümünü işlemiyor.
Bu kısıtı en rahat aşan araç Gemini. 1 milyon token bağlam penceresiyle birkaç yüz sayfadan oluşan bir PDF veya 50.000+ satırlık bir CSV’yi tek sohbette işleyebiliyor. Bu konuda daha fazla teknik detay için uzun bağlam LLM modelleri yazımıza bakabilirsiniz.
Claude’un 200K tokenı orta boyuttaki kurumsal veri çalışmaları için fazlasıyla yeterli. Çoğu raporlama senaryosunu ve makul büyüklükteki log dosyalarını rahatlıkla kapsıyor.
ChatGPT’nin 128K token sınırı standart çalışmalar için yeterli olsa da gerçekten büyük dosyalarda bölümleme gerektirebiliyor. Ancak Advanced Data Analysis burada da avantaj sağlıyor: veriyi kendi içinde parçalara bölerek işleyebiliyor, kullanıcı müdahalesi gerektirmiyor.
API Maliyeti ve Ölçeklenebilirlik
Veri analizini otomatize etmek isteyen ekipler için API maliyeti belirleyici. Ayrıntılı token fiyatlarını API fiyat karşılaştırmamızda ele aldık; veri analizi bağlamındaki özet:
- GPT-4o: $2,50 input / $10 output (milyon token başına). Kod çalıştırma sandbox dahil.
- Claude Opus 4.7: $15 input / $75 output. Kalite yüksek ama en pahalı seçenek.
- Gemini 2.5 Pro: $1,25-3,50 input / $10-15 output (token miktarına göre kademeli).
Kaynak: OpenAI, Anthropic ve Google Developer portalları, Ağustos 2026.
Toplu analiz işleri için Gemini veya GPT-4o daha ekonomik. Claude’u bütçe kısıtlaması olmayan veya analiz derinliğini ön planda tutan ekipler tercih ediyor. Yapılandırılmış veri çıktısı (JSON veya tablo formatı) gereken senaryolar için Structured Outputs ve LLM yazımız ek rehber niteliği taşıyor.
Otomasyon Senaryoları
Tekrarlayan veri analizi görevlerini otomatize etmek isteyen ekipler ChatGPT ve Gemini’nin API’lerini n8n veya Make ile birleştiriyor. Örneğin haftalık satış raporlarını otomatik olarak analiz edip özetler çıkaran iş akışları artık yaygın. Yapay zeka otomasyon araçlarını karşılaştırdığımız yazımız bu entegrasyonları adım adım inceliyor.
Daha gelişmiş senaryolarda akıl yürüten AI modelleri veri analizi zincirlerini yönlendirmek için kullanılmaya başlandı. Özellikle çok adımlı analiz görevlerinde o3 ve DeepSeek-R1 gibi modellerin hesaplamalı adımları yönetmesi dikkat çekiyor.
Hangi Araç, Hangi Senaryo?
Kullanım senaryosuna göre net bir özet:
ChatGPT seçin eğer:
- Teknik bilgi olmadan doğrudan CSV analizi istiyorsanız
- Kodun çalıştırılmasını ve görselleştirilmesini tek arayüzde istiyorsanız
- Hızlı veri keşfi ve prototipleme yapıyorsanız
Claude seçin eğer:
- Büyük kod tabanlarını veya uzun belgeleri analiz ediyorsanız
- Açıklamanın derinliği ve kalitesi sizin için kodu çalıştırmaktan önce geliyor
- Araştırma, akademik veya stratejik rapor üretimi yapıyorsanız
Gemini seçin eğer:
- Google Workspace (Sheets, Drive, Colab) kullanıcısıysanız
- Çok büyük dosyalar veya uzun belge zincirleriyle çalışıyorsanız
- API maliyetini minimize etmek istiyorsanız
Pratikte birçok veri analistinin tek araçla sınırlı kalmadığını görüyoruz: rutin analizler için ChatGPT, derinlemesine yorumlama için Claude, büyük dosyalar veya Google ekosistemine bağlı işler için Gemini bir arada kullanılıyor. Hangi abonelik planının bu kullanım örüntülerine uyduğunu değerlendirmek için ChatGPT Plus, Claude Pro ve Gemini Advanced karşılaştırmamıza da göz atabilirsiniz.
Tek bir araç seçmek zorundaysanız: veri analizi için 2026’da en dengeli seçenek hâlâ ChatGPT. Ancak büyük bağlam ve açıklama derinliği önceliğinizse Claude, Google ekosistemiyle entegrasyon veya maliyet önceliğinizse Gemini yerini koruyor.
