Une rupture dans la modern data stack
Mi-septembre 2026, deux mille professionnels de la donnée se retrouvaient à Las Vegas pour le dbt Summit. Les annonces de Fivetran et dbt Labs qui en ressortent dessinent un tournant dans l'évolution du data engineering : passage en disponibilité générale de dbt v2, maîtrise des coûts d'entrepôt par l'exécution sélective, et tableaux de bord versionnables dans Git.
Un moteur Rust dix fois plus rapide
dbt v2 abandonne complètement la base Python de l'outil au profit d'un moteur entièrement réécrit en Rust. La différence est immédiate : un projet de dix mille modèles se parse désormais en temps réel, avec une accélération annoncée d'un facteur dix par rapport à la version précédente.
Ce gain transforme concrètement la boucle de développement. Erreurs, vérifications de colonnes et lignage sont détectés avant toute exécution en entrepôt, ce qui ramène le débogage de plusieurs cycles de minutes à une expérience quasi-immédiate. Les adaptateurs en disponibilité générale couvrent BigQuery, Databricks, DuckDB, Redshift et Snowflake ; ClickHouse et Spark suivent en bêta. L'ère des deux moteurs parallèles — Core Python et Fusion Rust — est révolue. La version open source reste publiée sous licence Apache 2.0.
Maîtriser les coûts d'entrepôt par l'exécution sélective
Simultanément, dbt State passe en disponibilité générale. Cette fonctionnalité d'orchestration identifie, avant chaque exécution, les modèles réellement modifiés — en croisant métadonnées de l'entrepôt et SQL source — et ne recompute que le strict nécessaire. Les résultats client publiés sont significatifs : 59 % de réduction des coûts sur les jobs planifiés pour un acteur des services de santé, et 25 % d'économies sur les dépenses BigQuery et les temps de traitement pour un opérateur télécoms européen.
Le contexte donne du relief à ces chiffres. Selon l'enquête annuelle de dbt Labs, 57 % des équipes data signalent une hausse de leurs dépenses d'entrepôt et de calcul — contre seulement 36 % qui voient leurs budgets progresser dans la même proportion. La pression sur l'efficacité opérationnelle n'a jamais été aussi forte pour les directions data.
Les dashboards rejoignent enfin le dépôt Git
L'annonce sans doute la plus structurante à long terme est dbt Charts, lancé en bêta publique. Elle intègre les tableaux de bord dans le même dépôt Git que le code SQL : les dashboards sont déclarés en YAML, versionnables, testables et soumis aux mêmes revues de code que n'importe quelle transformation de données. Le fossé traditionnel entre les équipes data engineering et les outils BI — deux mondes aux cycles de vie et aux pratiques de gouvernance distincts — commence à se combler de façon structurelle plutôt que par simple convention organisationnelle.
En parallèle, la Fivetran Context Layer, disponible en accès anticipé, propose une couche d'infrastructure open source standardisant la manière dont données et métadonnées sont exposées à des consommateurs extérieurs — outils d'analyse ou pipelines automatisés.
Ce que cela change pour les équipes data
Ces annonces partagent une logique commune : un moteur unique, performant et libre ; une maîtrise active des coûts d'entrepôt ; et une convergence progressive du code SQL, des tests et des tableaux de bord dans un pipeline unifié sous contrôle de version. Pour les organisations qui peinent à aligner dépenses d'infrastructure et valeur produite, ce virage technique arrive à point nommé.