Jobbet dbt gör – utan hela stacken som krävs
dbt löste ett verkligt problem. Men det var aldrig tänkt som hela lösningen.
februari 2026 · 4 min läs · Perspektiv
Problemet som dbt löste
Rådata är rörig. Varje företag vet detta. Kundregister lever i CRM, finansiella data i ERP, marknadsföring mått över ett halvt dussin plattformar. Innan något av det blir användbart måste någon rengöra det, gå med det och förvandla det till något som företaget faktiskt kan lita på.
Det är transformationsskiktet. I åratal hölls den tillsammans med skript, kalkylblad och stamkunskap. dbt ändrade det. Det gav datateam en ordentlig ram: versionsstyrd SQL, beroende grafer, tester, dokumentation. Företagslogik levde slutligen i kod, inte i någons huvud. Det var ett riktigt steg framåt.
Men dbt är bara en av många delar
dbt använder inte data. Du behöver Fivetran eller Airbyte för det. Det lagrar inte det. Du behöver Snowflake eller BigQuery. Och det hjälper inte någon utanför datateamet att ställa frågor. Du behöver Power BI, Tableau eller Looker för det. Flera verktyg, flera leverantörer, flera kontrakt. Och ett datateam för att limma allt tillsammans.
För ett medelstort företag löper den totala kostnaden för denna stack mellan $ 270k och $ 950k per år, det mesta av det hos människor. Backlogen krymper aldrig. Företagsanvändare väntar dagar eller veckor på svar. Och de människor som faktiskt förstår verksamheten, de som vet vad "intäkter med kohort" bör betyda, är de längsta från data.
Det här förändras när AI hanterar transformeringslagret
Ronjas agenter skriver samma typ av omvandlingskod som en dataingenjör skulle. Deterministisk, versionerad, spårbar. Men de gör det på begäran, utlöst av de frågor som ditt team faktiskt ställer. När någon frågar "vad är vår bruttomarginal med produktlinje?" och datamodellen existerar inte ännu, agenter bygger den. Verklig kod. Real DAGs. reviderbara och reproducerbara.
Skillnaden: affärslogiken kvarstår som infrastruktur, inte som en engångs chattrespons. Varje modell agenterna bygger blir en del av ditt datalager. Testad, dokumenterad och återanvändbar. Plattformen blir smartare ju mer ditt team använder det, lär dig din terminologi, dina affärsregler, dina mått definitioner. Samma rigor som dbt. Ingen mänsklig operatör som upprätthåller varje modell.
