En el Databricks Data + AI Summit 2026, dbt Labs —ya bajo el paraguas de Fivetran— presentó la primera versión alpha de dbt Core v2.0, la nueva generación de su herramienta open source de transformación de datos. La novedad central es que v2.0 se reconstruye sobre los mismos cimientos que el motor dbt Fusion, con un runtime escrito en Rust que promete tiempos de compilación y ejecución sensiblemente más rápidos que la versión actual basada en Python.
Más allá del rendimiento, v2.0 introduce una especificación de lenguaje formal y acotada. Hasta ahora, quien quería integrarse con el ecosistema dbt trabajaba contra una implementación de referencia; con la nueva spec, herramientas, agentes e integradores disponen de una interfaz estable contra la que construir. dbt Core v2.0 mantiene su licencia Apache 2.0, de modo que sigue siendo la base abierta sobre la que se apoya el motor comercial Fusion.
El cambio toca también la operativa diaria. Los artefactos del proyecto pasan a generarse en formato Parquet —una alternativa de alto rendimiento a los voluminosos ficheros JSON— que puede consultarse directamente desde un agente o una herramienta de análisis. La documentación local se ha rehecho sobre esos artefactos para escalar mejor, la creación de adaptadores se simplifica apoyándose en ADBC (Arrow Database Connectivity) y el ecosistema Arrow, y la instalación deja de depender de la habitual pelea con los entornos virtuales de Python. En paralelo, dbt Labs presentó dbt Wizard, un agente para analytics engineers que conoce el contexto del proyecto y funciona tanto en la CLI como en la plataforma dbt.
Para los equipos de datos en España que han estandarizado sus transformaciones sobre dbt, v2.0 marca la dirección de los próximos años: un núcleo más rápido, una frontera más clara entre lo abierto (Core) y lo comercial (Fusion), y un diseño pensado para que los agentes de IA operen sobre el proyecto. Al tratarse de una alpha no es para producción todavía, pero conviene empezar a planificar la evaluación del nuevo runtime en cargas reales.
Relacionado en Dataprix: herramientas de integración de datos.
Fuente: dbt Labs