Una ruptura en la modern data stack
A mediados de septiembre de 2026, dos mil profesionales del dato se dieron cita en Las Vegas para el dbt Summit. Las novedades anunciadas por Fivetran y dbt Labs marcan un antes y un después en el data engineering: disponibilidad general de dbt v2, control activo de costes mediante ejecución selectiva, y dashboards versionables en Git.
Un motor Rust diez veces más rápido
dbt v2 abandona por completo la base Python del proyecto para adoptar un motor íntegramente reescrito en Rust. El salto es inmediato: un proyecto de diez mil modelos se parsea en tiempo real, con una aceleración anunciada de un factor diez respecto a la versión anterior.
Este avance transforma de raíz el ciclo de desarrollo. Errores, validaciones de columnas y linaje se detectan antes de cualquier ejecución en el almacén de datos, lo que reduce el tiempo de depuración de varios ciclos de minutos a una experiencia prácticamente instantánea. Los adaptadores en disponibilidad general cubren BigQuery, Databricks, DuckDB, Redshift y Snowflake; ClickHouse y Spark continúan en fase beta. Se cierra así la etapa de los dos motores paralelos —Core Python y Fusion Rust—. La versión open source se mantiene bajo licencia Apache 2.0.
Controlar los costes del almacén mediante ejecución selectiva
Al mismo tiempo, dbt State alcanza la disponibilidad general. Esta funcionalidad de orquestación identifica, antes de cada ejecución, qué modelos han sido realmente modificados —cruzando metadatos del almacén con el SQL fuente— y solo recomputa lo estrictamente necesario. Los resultados publicados son elocuentes: un 59 % de reducción de costes en los jobs planificados para un operador del sector sanitario, y un 25 % de ahorro en gastos de BigQuery y tiempos de procesamiento para un operador de telecomunicaciones europeo.
El contexto refuerza el alcance de estas cifras. Según la encuesta anual de dbt Labs, el 57 % de los equipos de datos reportan un incremento en sus gastos de almacén y cómputo, frente a solo el 36 % que ve crecer sus presupuestos en la misma proporción. La presión sobre la eficiencia operativa nunca ha sido tan intensa para las direcciones de datos.
Los dashboards por fin entran en el repositorio Git
La novedad con mayor calado estratégico a largo plazo es dbt Charts, lanzado en beta pública. Integra los cuadros de mando en el mismo repositorio Git que el código SQL: los dashboards se declaran en YAML, son versionables, testeables y quedan sujetos a las mismas revisiones de código que cualquier transformación de datos. La brecha tradicional entre los equipos de data engineering y las herramientas de BI —dos mundos con ciclos de vida y prácticas de gobierno distintas— empieza a cerrarse de forma estructural, no solo por convención organizativa.
En paralelo, la Fivetran Context Layer, disponible en acceso anticipado, propone una capa de infraestructura open source que estandariza la forma en que datos y metadatos se exponen a consumidores externos —herramientas de análisis o pipelines automatizados—.
Qué significa esto para los equipos de datos
Estas novedades comparten una misma lógica: un motor único, performante y libre; un control activo de los costes del almacén de datos; y una convergencia progresiva del código SQL, las pruebas y los dashboards en un pipeline unificado bajo control de versiones. Para las organizaciones que luchan por alinear el gasto en infraestructura con el valor generado, este giro técnico llega en el momento oportuno.