Vorgestellt werden: dbt v2 und dbt State sowie Fivetran Context Layer, dbt Charts und eine neue Vision für ein offenes Lakehouse, das mehr Flexibilität bei Storage und Rechenleistung bietet

München, 17. September 2026 – Fivetran (https://www.fivetran.com/de)+ dbt Labs (http://getdbt.com/) präsentiert dbt v2 und dbt State. Die Lösungen bieten ein neues Maß an Geschwindigkeit und Kostenoptimierung. Beide sind ab sofort verfügbar. Zudem stellt die jüngst aus der Fusion von Fivetran und dbt Labs entstandene Firma Fivetran Context Layer, neue dbt-Wizard-Funktionen, dbt Charts sowie eine offene „Lakehouse“-Vision für mehr Flexibilität bei Storage und Rechenleistung vor.

Wenn Unternehmen KI-Agenten einsetzen, benötigen diese vertrauenswürdige Daten, einen vom Unternehmen kontrollierten Kontext sowie die Flexibilität, plattform-, modell- und toolübergreifend mit den bereits vorhandenen Lösungen zu agieren. Um diese Anforderungen zu erfüllen, treibt Fivetran + dbt Labs die Vision einer offenen Dateninfrastruktur voran: Es geht um die Realisierung einer herstellerneutralen und interoperable Architektur. Unternehmen sollen ihre Technologien für Storage, Rechenleistung, Datenübertragung, -transformation und -visualisierung auf jeder Ebene unabhängig auswählen und weiterentwickeln können. Dadurch wiederum können KI-Systeme plattformübergreifend arbeiten und dabei auf Daten und Kontext zurückgreifen, die dem Unternehmen selbst gehören – und nicht einem einzelnen Anbieter.

„Jedes Modell, das unsere Kunden erstellt haben, jeder Test, den sie durchgeführt haben, jede Metrik, die sie definiert haben – all das erfasst bereits den Kontext, den KI-Agenten benötigen, um sinnvolle Arbeit zu leisten“, so Anjan Kundavaram, Chief Product Officer bei Fivetran + dbt Labs. „Wir bieten jetzt eine offene Infrastruktur, um diesen Kontext systemübergreifend nutzbar zu machen. Und gleichzeitig geben wir Unternehmen die Freiheit, selbst zu entscheiden, wie ihre Daten gespeichert, übertragen, transformiert und genutzt werden, während sich die KI weiterentwickelt.“

Eine schnellere, effizientere Engine mit tieferem SQL-Verständnis

dbt v2 (https://docs.getdbt.com/blog/dbt-v2-is-ga) ist eine vollständige Neuprogrammierung der dbt-Engine in Rust. Sie wurde für die heutige Skalierung von Teams sowie für die Art und Weise, wie Agenten SQL schreiben, entwickelt. Es analysiert ein Projekt mit 10.000 Modellen bis zu 10-mal schneller als v1. Zudem gibt es Teams und Agenten präzises Echtzeit-Feedback, indem sie Fehler, Spaltenprüfungen und die Datenherkunft anzeigt, bevor eine Aktion ausgeführt wird. Mit dieser Version endet die Ära der zwei Engines („Core“ und „Fusion“). dbt besteht künftig aus einer einzigen Engine mit zwei Versionen: dbt Core v1 (Python-Implementierung) heißt jetzt dbt v1 und Fusion (Rust-Implementierung) dbt v2. Beide Versionen unterliegen weiterhin der Apache-2.0-Lizenz und werden in Bezug auf Security unterstützt.

dbt State (https://www.getdbt.com/blog/dbt-state-is-ga) ermittelt Veränderungen anhand der Metadaten des Data Warehouses und der SQL-Modelldateien. Darauf basierend führt es jeden Run entsprechend durch, überspringt ihn, klont ihn oder verschiebt ihn. Dies vereinfacht die Orchestrierung. Data Engineers können ohne komplexe Entwicklungsabläufe schneller iterieren, während gleichzeitig unnötige Rechenlast im Data Warehouse reduziert wird.

„dbt State hat unsere Arbeitsweise grundlegend verändert“, sagt Gordon Curzon, Leiter des Bereichs Analytics Engineering bei Virgin Media O2. „Dank der kodifizierten Aktualität, der einfacheren Orchestrierung und der Entlastung bei Entwicklerkapazitäten können wir mehr Zeit auf Initiativen verwenden, die unserem Unternehmen einen Mehrwert bieten. Das alles zusätzlich zu den Einsparungen von 25 % sowohl bei der Ausführungszeit der Jobs als auch bei den Kosten für BigQuery-Berechnungen.“

Mehr Flexibilität bei Speicher und Rechenleistung

Im Mittelpunkt der Open Data Infrastructure steht ein kundeneigener Daten-Layer, der auf offenen Formaten basiert. Dadurch wird eine Anbieterabhängigkeit bei Speicher und Rechenleistung vermieden. Unternehmen müssen Daten nur einmal speichern und können über verschiedene Engines für unterschiedliche Anwendungsfälle darauf zugreifen.

Der bereits allgemein verfügbare „Managed Data Lake Service“ von Fivetran organisiert, strukturiert und verwaltet Daten als verwaltete Apache Iceberg™-Tabellen im eigenen Cloud-Speicher der Kunden. „Lake Compute“ - derzeit noch in einer Private Beta-Phase - ist eine auf DuckDB basierende SQL-Einzelinstanz-Engine, die dbt-Modelle direkt auf Apache Iceberg™-Tabellen ausführt. Sie wurde nicht für allgemeine Rechenaufgaben ausgelegt, sondern speziell für die Datenumwandlung entwickelt. Zusammen bieten die beiden Lösungen Data-Teams die Flexibilität, jede Arbeitslast auf der jeweils am besten geeigneten Engine auszuführen. So können diese Kosten optimieren, ohne die Plattform wechseln zu müssen.

Ein offener Standard für den Agentenkontext

Agenten sind nur so vertrauenswürdig wie der Kontext, auf den sie zugreifen können. Fivetran Context Layer (Private Beta) vereint die Daten und Metadaten, die erforderlich sind, um LLMs und KI-Agenten relevanten Kontext zu liefern. Dabei baut der Dienst auf dem strukturierten Kontext von dbt auf und ergänzt diesen um unstrukturiertes Wissen wie Dokumente und Slack-Threads. Dieser Dienst nutzt „Agents Schema“. Das ist ein Open-Source-Standard, der den Kontext in einem strukturierten, erweiterbaren Format direkt im Data Warehouse zentralisiert. Der Kontext ist für User über ihre bevorzugten MCP- oder KI-Tools zugänglich, einschließlich allgemein verfügbarer Integrationen über KI-Marktplätze wie Anthropic und ein Plugin in ChatGPT.

Ein Agent, der fest im individuellen dbt-Projekt verankert ist – egal wo man arbeitet

Coding Agents können mittlerweile genauso gut SQL schreiben wie die meisten Data Engineers. Doch das Schreiben von Code ist nicht dasselbe wie das Verständnis eines geregelten dbt-Projekts, einschließlich seines Ursprungs, seiner Tests, seiner rechtlichen Rahmenbedingungen und der Frage, was bei Änderungen nicht mehr funktioniert. Der dbt Wizard in der dbt-Plattform (Public Preview) wurde entwickelt, um diese Lücke zu schließen. Er ist nativ mit dem Projekt verbunden, weiß, welches Tool aufgerufen werden muss, ruft automatisch den richtigen Kontext ab und validiert Änderungen proaktiv, bevor diese veröffentlicht werden.

Wizard erstreckt sich mit Wizard CLI (öffentliche Beta) zudem über die dbt-Plattform hinaus. Damit wird der projektbasierte Agent direkt in das Terminal integriert und mit Wizard Desktop (geschlossene Beta) steht ein dedizierter lokaler Arbeitsbereich für längere, komplexere Aufgaben zur Verfügung.

Der Wizard Explore-Modus (öffentliche Vorschau) macht dialogbasierte Analysen für Business-User zugänglich: So können sie Fragen in einfacher Sprache stellen und Antworten erhalten, die auf demselben dbt-Projekt basieren, das das Datenteam pflegt. Wenn eine Antwort nicht ausreicht, können diese Fragen auch Aufschluss darüber geben, was das Datenteam als Nächstes verbessern sollte.

Eine gemeinsame Sprache für BI, entwickelt für Menschen und Agenten

dbt Charts (https://docs.dbtcharts.com/) (öffentliche Beta-Version) vereint geregelte BI mit den Modellen, auf denen es basiert. Anstatt die Governance in einem separaten, geschlossenen Tool zu verwalten, werden die Regeln als YAML definiert und zusammen mit den dbt-Modellen, auf die sie verweisen, versionsverwaltet. So entsteht ein gemeinsames, deklaratives Format, das sowohl Menschen als auch KI-Agenten lesen, schreiben und überprüfen können.

Stimmen von Kunden, die mit Fivetran und dbt Labs arbeiten

„Seit der Einführung von dbt State haben wir die Warehouse-Kosten für geplante Jobs auf der dbt-Plattform um 59 % gesenkt“, so Chris Shepherd, Principal Data Engineer bei RxBenefits. „Das sind allein in den ersten 60 Tagen 8.173,23 US-Dollar zusätzlich zu einem adaptiven Snowflake-Warehouse. Wir haben 716.000 Modelle wiederverwendet, anstatt sie neu zu erstellen, wodurch sich die Abfrageausführungszeit im gleichen Zeitraum um insgesamt 14 Tage, 11 Stunden und 15 Minuten verkürzt hat.“

„Wir sind beeindruckt von der Flexibilität, die uns Lake Compute bietet. Jetzt können wir entscheiden, wo die einzelnen dbt-Workloads ausgeführt werden, und die Engine nutzen, die für die jeweilige Aufgabe am besten geeignet ist“, so Tyson Doberneck, Senior Data Engineer bei Obie.

„Der dbt Wizard verändert unsere Arbeitsweise. Anstatt alles von Hand zu programmieren, entwerfen wir die Logik mit einem Agenten, der bereits den vollständigen Kontext unserer Jobs und unserer Codebasis kennt. Ich muss nicht mehr erst eine Manifestdatei suchen und hochladen, nur um meine Vorgehensweise zu erklären. Dieser Schritt hat früher jede Anfrage verlangsamt. Jetzt nutzen wir den Assistenten auch für Vertriebs- und Marketingdaten. Analysten erhalten selbst Antworten und müssen so nicht mehr auf mein Team warten“, sagt Farin Fukunaga, Leiter der Datenentwicklung bei Paylocity.

Mehr Informationen zu den auf dem dbt Summit vorgestellten Produktinnovationen gibt es in einer Zusammenfassung (https://www.getdbt.com/blog/dbt-summit-2026-product-announcements)oder in der Keynote in voller Länge: https://www.getdbt.com/dbt-summit/registration/online