La entidad resultante de la fusión entre Fivetran y dbt Labs ha presentado dbt Core v2.0, la nueva versión mayor de la herramienta de transformación que incorpora el esperado motor Fusion, liberado bajo licencia Apache 2.0. Con la integración de ambas compañías ya completada, el proyecto avanza hacia una infraestructura de datos unificada que cubre desde la ingesta hasta la transformación.
El motor Fusion es una reescritura del núcleo de dbt orientada a rendimiento y a una comprensión más profunda del SQL. A diferencia del intérprete tradicional, Fusion analiza y entiende el código SQL de los modelos, lo que permite detectar errores antes de ejecutarlos, resolver dependencias con mayor precisión y acelerar la compilación de proyectos grandes. Que se distribuya como código abierto bajo Apache 2.0 es una señal relevante en un momento en el que buena parte del ecosistema de datos ha tensado sus licencias hacia modelos más restrictivos.
Alrededor del motor, la compañía ha mostrado dbt Wizard, un agente pensado específicamente para el trabajo de analytics engineering, y ha programado demostraciones en vivo de la plataforma y de la línea de comandos para las últimas semanas de julio. La estrategia conjunta con Fivetran apunta a ofrecer un recorrido continuo del dato —ingesta gestionada, transformación versionada y capa de confianza para alimentar agentes de IA— dentro de un mismo entorno.
Para los equipos que ya usan dbt como columna vertebral de sus transformaciones, la llegada de Fusion supone una mejora directa de rendimiento y de experiencia de desarrollo, especialmente en proyectos con cientos o miles de modelos donde los tiempos de compilación se habían convertido en un cuello de botella. La apuesta por Apache 2.0 reduce, además, la incertidumbre sobre el futuro de la licencia, un factor que pesa cada vez más al elegir herramientas base del stack.
El movimiento también consolida una tendencia de fondo: la integración vertical del stack de datos moderno. La combinación de ingesta (Fivetran) y transformación (dbt) en una sola casa reduce puntos de fricción, pero obliga a los responsables de plataforma a valorar hasta qué punto quieren depender de un único proveedor para dos etapas críticas del pipeline. Conviene seguir de cerca cómo evoluciona la parte abierta del proyecto frente a las funciones reservadas a la plataforma comercial.
Relacionado en Dataprix: las diferencias entre ETL y ELT y cuándo transformar en origen o en destino.
Fuente: dbt Labs