dbt ist ein Standardwerkzeug im Bereich der Datenanalysetechnik. Es definiert Datenkonvertierungsmodelle über SQL, unterstützt Versionskontrolle, Tests, Dokumentation und CI/CD-Integration und deckt den gesamten Prozess vom Laden der Daten bis zur Analysebereitschaft ab.

dbt (Datenerstellungstool)

Kernparameter und Statistiken von dbt

dbt ist das De-facto-Standardtool im Bereich der Datenanalysetechnik und deckt alle Transformationen (T) vom Abschluss des Datenladens bis zur Analysebereitschaft ab. Es handelt sich nicht um ein Datenverschiebungstool im herkömmlichen ELT, sondern ermöglicht es Datenteams, Transformationslogik in SQL zu definieren, Abhängigkeiten automatisch zu verwalten, die Qualität zu testen, Dokumentation zu generieren und sich in CI/CD-Pipelines einzubinden. Zwischen 2025 und 2026 brachte dbt nacheinander die Fusion Engine (Rust Rewrite), den dbt Wizard (AI Agent) und den dbt MCP Server auf den Markt und entwickelte sie von einem reinen SQL-Konvertierungsframework zu einer „KI-fähigen Datenkonvertierungsplattform“.

Projekte	Öffentliche Informationen
Offizielle Positionierung	Der offene Standard für moderne, KI-fähige Datentransformation (Der offene Standard für moderne, KI-fähige Datentransformation)
Kernkompetenzen	SQL-Modelldefinition, Datentests, automatische Dokumentgenerierung, CI/CD-Integration, Herkunftsverfolgung
Bereitstellungsformular	dbt Core v1 (Python, Open Source) + dbt Core v2 (Rust, Alpha) + dbt Cloud (SaaS) + Fusion Engine
Motorroute	dbt Core v1 (Python-Engine, stabil) → dbt Core v2 (Rust neu geschrieben, Alpha) → Fusion Engine (Rust, einschließlich LSP und Statusbewusstsein)
KI-Produktlinie	dbt Wizard (KI-Agent), dbt Copilot (Inline-KI-Unterstützung), dbt MCP Server (Model Context Protocol Service)
Open-Source-Lizenz	Apache 2.0 (dbt Core Series)
Gemeinschaftsgröße	GitHub etwa 13,5.000 Sterne, 2,5.000 Forks, 429 Mitwirkende, 334 Veröffentlichungen
Angepasste Datenplattform	Über 20 Adapter für Snowflake, BigQuery, Redshift, Databricks, DuckDB, Postgres, ClickHouse, Exasol usw.
Muttergesellschaft	dbt Labs (im Jahr 2024 auf über 4 Milliarden US-Dollar geschätzt, 2025 mit Fivetran zum selben Unternehmen fusioniert)
Neueste Version	dbt Core v1.12.0 (16.07.2026)/dbt Core v2.0-alpha in Bearbeitung

Branchenstatus: dbt ist im Grunde die Industriestandardsprache für die Datenanalysetechnik geworden – ähnlich wie SQL selbst bei der Datenabfrage. Die Fusion mit Fivetran im Jahr 2025 festigte seine Kernposition im Modern Data Stack weiter und bildete ein Produktportfolio aus „Fivetran ist verantwortlich für den Datenzugriff (EL) und dbt ist verantwortlich für die Datentransformation (T)“.

KI-Transformationssignal: dbt wird in den Jahren 2025–2026 intensiv KI-Funktionen einführen – dbt Wizard (KI-Agent für den gesamten Lebenszyklus), dbt Copilot (Inline-SQL/Dokument-/Testgenerierung), dbt MCP Server (standardisierte KI-Datenzugriffsschicht) und markiert damit seine strategische Erweiterung vom „SQL-Framework für Dateningenieure“ zur „Dateninfrastruktur im KI-Zeitalter“.

Benutzer und Marktbekanntheit von dbt

Die Marktbekanntheit von dbt liegt auf dem höchsten Niveau in seinem Segment, die konkrete Anzahl der C-End-Benutzer und die Gesamtzahl der Unternehmenskunden wurden jedoch nicht offiziell bekannt gegeben.

Popularität der Open-Source-Community: Das GitHub-Warehouse hat etwa 13,5.000 Sterne, 2,5.000 Forks, 429 Mitwirkende und 334 Veröffentlichungen. Es gehört zu den Spitzenreitern bei datentechnischen Open-Source-Projekten. Zu den Community-Mitwirkenden gehören Ingenieure von Umweltpartnern wie Snowflake, Databricks, Fivetran usw., die einen stabilen Fluss externer Beiträge bilden.

Enterprise-Kundenmatrix: Zu den auf der offiziellen Website öffentlich angezeigten Kunden gehören Nasdaq, Affirm, Toyota, Siemens, CHG Healthcare, Infinite Lambda, phData und andere führende Unternehmen aus den Bereichen Finanzen, Einzelhandel, Fertigung und medizinische Versorgung. Der tatsächliche Kundenstamm ist viel größer als die öffentliche Liste und deckt die überwiegende Mehrheit der datengesteuerten Fortune-500-Unternehmen ab.

Ökologischer Maßstab der Gemeinschaft: dbt Community Slack hat mehr als 100.000 Mitglieder, und der Paketmanager des Diskursforums dbt Hub hat Tausende von Open-Source-dbt-Paketen (z. B. dbt_utils, dbt_expectations) zentralisiert. Der jährliche dbt Summit, die größte Branchenkonferenz in ihrem Bereich, wird im September 2026 in Las Vegas stattfinden.

Industriestandardstatus: Die Sprachspezifikation von dbt (SQL + YAML + Jinja-Vorlagen) ist zum De-facto-Industriestandard im Bereich der Analysetechnik geworden. Die meisten modernen Data Warehouse- und ELT-Tools bieten native DBT-Integration oder -Adapter. Der Zusammenschluss von Fivetran und dbt Labs stärkt diese ökologische Nische weiter – Fivetran ist für die Datenaufnahme und dbt für die Konvertierung verantwortlich. Beides bildet ein einheitliches Produkterlebnis für die gesamte EL+T-Verbindung.

Anerkennung durch Analysten und Medien: Analystenorganisationen wie Gartner und Forrester nennen dbt in Berichten zum Thema Datenmanagement häufig als Kernkomponente des modernen Datenstapels. Die dbt gilt in den Fachmedien allgemein als Initiator und Fahnenträger der „Analytical Engineering-Bewegung“.

Kostenvorteil von dbt

Die Kostenstruktur von dbt stellt ein typisches „Open-Source-Basis + kommerzieller Mehrwert“-Modell dar. Der Kernwert liegt in der Verwendung von Open-Source-Lösungen, um die Eintrittsschwelle für die Datenkonvertierung erheblich zu senken, während gleichzeitig die kommerzielle Version verwendet wird, um die für Großoperationen erforderlichen Kollaborations- und Governance-Funktionen bereitzustellen.

C-Client/Einzelperson: völlig kostenloser Open-Source-Pfad

• dbt Core: Apache 2.0 lizenziert, völlig kostenlos. Einzelne Entwickler oder kleine Teams können ohne Lizenzgebühren vor Ort oder auf einer beliebigen Infrastruktur ausgeführt werden.
• dbt Cloud Developer Plan: Kostenlos, beinhaltet 1 Entwicklerplatz, 3.000 erfolgreich erstellte Modelle pro Projekt und Monat. Ausreichend für das persönliche Studium und die Überprüfung kleiner Projekte.
• Fusion Engine CLI: Kostenlos, über die lokale Befehlszeile verfügbar, schneller als dbt Core v1 und umfasst statische SQL-Analysefunktionen.

Entwickler/Team: Abrechnung nach Sitzplatz + Modellvolumen

Pläne	Preise	Sitze	Monatliche Modellbauobergrenzen	Wichtige Zusatzfunktionen
Entwickler (kostenlos)	$0	1	3.000	Web-IDE, MFA, Aufgabenplanung
Anlasser	100 $/Benutzer/Monat	Ab 5	15.000	Basiskatalog, semantische Ebene, dbt Copilot, API-Zugriff
Unternehmen	Geschäftsangebot	Benutzerdefiniert	100.000	Erweiterter Katalog, dbt-Assistent, Canvas, Einblicke, dbt-Mesh
Unternehmen+	Geschäftszitat	Benutzerdefiniert	100.000	PrivateLink, IP-Einschränkungen, Rollback, gemischte Projekte

Überlegungen zu Unternehmens-/Privatisierungskosten:

• Die Enterprise-Version wird auf jährlicher Basis unterzeichnet und die Gebühr beinhaltet die Sitzplatzgebühr + Modellbau-Überschussgebühr + optionale Zusatzleistungen (Implementierungsunterstützung, dedizierter Account Manager, Sicherheitsüberprüfung).
• Erweiterte Sicherheitsfunktionen wie PrivateLink, IP-Einschränkungen, Hybridprojekte usw. sind nur im Enterprise+-Plan verfügbar. – Für den selbstgehosteten dbt Core-Pfad fallen keine Lizenzgebühren an, aber das Team muss die Infrastruktur (CI/CD-Runner, Metadatenspeicher, Scheduler) selbst verwalten. Die versteckten Kosten liegen eher im Personalaufwand für Betrieb und Wartung als in Softwarelizenzen.
• Der Starter-Plan unterstützt nur die monatliche Zahlung per Kreditkarte und keine Rechnungsbegleichung; Der Enterprise-Plan kann jährlich unterzeichnet werden und unterstützt Rechnungen.

Hinweis zu versteckten Kosten: Der Kern des Abrechnungsmodells von dbt Cloud ist „pro Monat erstellte erfolgreiche Modelle“. Das Modellvolumen ist nicht die Rechenkomplexität oder die Anzahl der Datenzeilen, sondern die Anzahl der Modelle, die in jedem dbt-Lauf erfolgreich erstellt wurden. Teams mit hoher Iterationsfrequenz müssen auf das monatliche Nutzungslimit achten und sich bei Überschreitung des Limits an die Geschäftserweiterung wenden. Toolaufrufe an den Remote-MCP-Server (nur „text_to_sql“) verbrauchen das Aktionskontingent von dbt Copilot und alle Tools auf dem Remote-MCP sind nicht mehr verfügbar, nachdem das Kontingent erschöpft ist.

Hauptfunktionen von dbt

Das Funktionssystem von dbt dreht sich um die „Verwaltung der Datenkonvertierung mit Best Practices für die Softwareentwicklung“. Nach der Hinzufügung der KI-Produktlinie in den Jahren 2025 bis 2026 wird diese auf die Dual-Engine „Datenkonvertierung + KI-unterstützte Entwicklung“ erweitert.

• SQL-Modelldefinition: Analysten müssen nur „SELECT“-Anweisungen schreiben und dbt verarbeitet automatisch DDL/DML und Materialisierungsstrategien (Ansicht, Tabelle, inkrementell, kurzlebig, materialisierte Ansicht). Abhängigkeiten zwischen Modellen werden über die Funktion „ref()“ hergestellt, und dbt analysiert die DAG automatisch und führt sie in topologischer Reihenfolge aus.

• Datentests und Assertion: Integrierte Testtypen wie Eindeutigkeit, Nicht-Null, Fremdschlüsselreferenz, benutzerdefinierte SQL-Assertion usw. Tests werden jedes Mal automatisch ausgeführt, wenn „dbt build“ oder „dbt test“ ausgeführt wird, und die Ergebnisse werden in „run_results.json“ geschrieben. In Kombination mit CI/CD können Datenqualitätsvorfälle abgefangen werden, bevor PR zusammengeführt wird.

• Automatische Generierung von Dokumenten und Herkunft: Generieren Sie automatisch eine Datenverzeichnis-Website aus dem Feld „Beschreibung“ und dem Block „Dokumente“ in der YAML-Modellkonfiguration, einschließlich eines vollständigen Diagramms zur Datenherkunft (Herkunft). Das Abstammungsdiagramm wird automatisch basierend auf „ref()“ gezeichnet und erfordert keine manuelle Wartung. Die lokale Dokumenterfahrung von dbt Core v2 wurde mit neuen Produkten im Parquet-Format neu geschrieben, um Großprojekte zu unterstützen.

• Paketverwaltung und Wiederverwendung: dbt Hub sammelt Tausende von Community-Paketen (wie „dbt_utils“, „dbt_expectations“, „dbt_date“), die deklarativ über „packages.yml“ eingeführt werden. Unternehmen können private Paketindizes erstellen.

• Inkrementelles Modell: Implementieren Sie die inkrementelle Konstruktion über das Makro „is_incremental()“, verarbeiten Sie nur neue oder geänderte Daten und vermeiden Sie vollständige Tabellenscans. In Verbindung mit der „zustandsbewussten Orchestrierung“ der Fusion-Engine erkennt es automatisch Code- und Datenänderungen und erstellt nur Modelle, die aktualisiert werden müssen – was offiziell zu einer Einsparung von über 30 % der Warehouse-Rechenkosten führt.

• dbt Copilot (Inline AI): Bietet die Generierung von SQL, Dokumentation, Tests und semantischen Modellen mit einem Klick in Studio IDE, Canvas, Insights. Datenanalysten können die KI-Unterstützung aufrufen, ohne den Editor zu verlassen. Nur Starter- und höhere Pläne.

• dbt Wizard (AI Agent): Der 2026 eingeführte AI Agent ist speziell für die Datenentwicklung konzipiert und deckt die vier Phasen Untersuchung (Investigate), Konstruktion (Build), Verifizierung (Validate) und Freigabe (Ship) vollständig ab. Es schreibt nicht einfach SQL, sondern nutzt die native Metadaten-Engine, um die Herkunft, Tests, Verträge und Indikatordefinitionen des Projekts zu verstehen, und führt dann kollaborative Änderungen an mehreren Dateien durch. Die Abstammungskonsistenz wird nach Abschluss der Änderungen automatisch überprüft und Governance- und Audit-Trails sind standardmäßig aktiviert. Unterstützt zwei Benutzeroberflächen innerhalb der dbt Cloud-Plattform und der Terminal-CLI.

• dbt MCP Server: Bietet eine standardisierte Model Context Protocol-Schnittstelle, die es KI-Anwendungen (Claude, Cursor, VS Code, Snowflake Cortex usw.) ermöglicht, über strukturierte Tool-Schnittstellen auf dbt-Metadaten, Semantic Layer, Discovery API und CLI-Befehle zuzugreifen. Unterstützt zwei Zugriffsmethoden: selbst gehostet (lokal ausgeführt, unterstützt vollständige CLI-Befehle) und remote (von dbt gehostet, geeignet für Datenverbrauchsszenarien).

Expertenmeinung: Die KI-Funktion von dbt besteht nicht darin, „ein Chat-Feld zum SQL-Editor hinzuzufügen“, sondern in einer dreischichtigen Verschachtelung, die tief in den Datenentwicklungsworkflow eingebettet ist: Die unterste Schicht ist das MCP-Protokoll zum Öffnen des Zugriffskanals zwischen KI und Datenbeständen, die mittlere Schicht ist der Assistent zum Abschließen des „Verstehens, Kodierens, Verifizierens und Veröffentlichens“ und die oberste Schicht ist Copilot, der leichte Echtzeitunterstützung bietet. Dieses mehrschichtige Design ermöglicht es Teams unterschiedlicher Reifegrade, einen geeigneten KI-Einstiegswinkel zu finden – kleine Teams beginnen mit dem Single Point of Assistance von Copilot, reifere Teams verwenden Wizard, um den gesamten Entwicklungszyklus zu automatisieren, und Plattformteams stellen DBT-Metadaten über MCP der KI-Infrastruktur des Unternehmens zur Verfügung.

dbt-Modell und Versionsentwicklung

Die Versionsentwicklung von dbt hat zwischen 2024 und 2026 einen dreistufigen Übergang von „Python Steady State → Rust Rewriting → AI Capability Injection“ durchlaufen und sich von einer einzelnen SQL-Kompilierungs-Engine zu einer offenen Datenplattform einschließlich AI Agent und MCP-Protokoll entwickelt.

dbt Core v1-Serie: Steady State der Python-Engine (2024–2025)

Version	Datum	Wichtige Änderungen
v1.5	2024-03	Einführung von Modellverträgen zur Durchsetzung der Konsistenz von Spaltennamen und Datentypen
v1.6	2024-06	dbt Mesh ist offiziell verfügbar und unterstützt projektübergreifende Referenzen („cross-project ref“)
v1.7	2024-09	Neue Version von dbt Explorer, verbesserte Abstammungsvisualisierung und Projektsuche
v1.8	2025-01	dbt Semantic Layer GA, unterstützt indikatorbasierte Abfrage (MetricFlow)
v1.9	2025-06	Leistungsoptimierung und ökologische Erweiterung des Adapters, Einführung von dbt Cloud CLI
v1.10	2025-09	Erweitern Sie die Funktionalität von dbt Explorer und verbessern Sie die Integration von CI/CD-Tickets
v1.11	2025-12	JSON-Produktstabilität verbessert, Community-Adapter-Kompatibilität verbessert
v1.12	16.07.2026	Die neueste stabile Version, kontinuierliche Iteration und Wartung historischer Versionen

dbt Core v2 / Fusion-Engine: Rust-Umschreibung (2025–2026)

Version	Datum	Wichtige Änderungen
v2.0-alpha	2025-10	Die erste von Rust neu geschriebene Alpha-Version, die die Parsing- und Kompilierungsgeschwindigkeit erheblich verbessert
v2.0-Vorschau	2026-06	Vorschauversion, Einführung des Parquet-Produktformats, eigenständige Binärverteilung Rust LSP
Fusionsmotor	2026-06	Erweitern Sie die statische SQL-Analyse, die zustandsbewusste Orchestrierung und das native SQL-Verständnis basierend auf dbt Core v2

Kernänderungen in dbt Core v2:

• Leistungssprung: Die Parsing- und Kompilierungsgeschwindigkeit wird bei großen Projekten um das Fünf- bis Zehnfache erhöht, und die Rust-Implementierung ist um eine Größenordnung schneller als die Python-Implementierung.
• Strengere Grammatikspezifikation: Grammatische und logische Fehler werden während der Analysephase entdeckt, anstatt zur Laufzeit offengelegt zu werden.
• Parquet-Produkt: „manifest.json“ wurde zum Parquet-Formatprodukt hinzugefügt, das direkt mit SQL abgefragt und analysiert werden kann.
• Einzelne Binärverteilung: Keine Python-Laufzeit und Abhängigkeitsverwaltung erforderlich, einfach herunterladen und verwenden.
• Verbesserte lokale Dokumentation: „dbt docs“ wurde basierend auf dem neuen Produktformat neu geschrieben und ist auf große Projekte skalierbar.

Versionsgeschichte der KI-Produktlinie (2025–2026)

Produkt/Version	Datum	Wichtige Änderungen
dbt Copilot (initial)	2025-06	Einführung der Inline-KI-Codegenerierung in Studio IDE mit Unterstützung für SQL und Dokumentation
dbt Copilot (Erweitert)	2026-01	Erweiterung des Insights-Analyseagenten zur Unterstützung der Datenabfrage in natürlicher Sprache
dbt MCP Server v1	2026-03	Der erste veröffentlichte MCP-Server, der Discovery API und Semantic Layer unterstützt
dbt Wizard (interne Beta)	2026-04	Interne Beta für den Enterprise-Plan, die Forschung, Build-Verifizierung und Veröffentlichung umfasst
dbt-Assistent (GA)	2026-06	Offiziell veröffentlicht, unterstützt sowohl die Nutzung der dbt Cloud-Plattform als auch des CLI-Terminals
dbt MCP Server v2	2026-07	Unterstützen Sie den Remote-MCP-Server (keine Installation), integrieren Sie Snowflake Cortex

Versionshinweis: Die dbt Core v1.x-Serie ist immer noch die Wahl für die meisten aktuellen Produktionsumgebungen. v2.0 befindet sich noch im Alpha-/Vorschaustadium und wird nicht für die Verwendung in Produktionsumgebungen empfohlen. Die Fusion-Engine kann lokal über die kostenlose CLI genutzt werden, für die kein dbt-Cloud-Konto erforderlich ist.

Technische Vorteile von dbt

Der technische Vorteil von dbt liegt nicht in der Verarbeitung großer Datenmengen (dies liegt nicht in seiner Verantwortung), sondern in der technischen Umsetzung des Konzepts der „Verwaltung der Datentransformationslogik mit technischen Mitteln“ und dem Leistungssprung, der durch das Umschreiben von Rust und die KI-Injektion in den Jahren 2025–2026 erzielt wurde.

SQL ist Logik, kein Boilerplate-Code: Die Kerntechnologiewahl von dbt besteht darin, Analysten nur „SELECT“ schreiben zu lassen, und alle anderen Arbeiten (DDL-Generierung, Abhängigkeitsauflösung, Ausführungsorchestrierung, Zustandsverwaltung) werden automatisch vom Framework erledigt. Dieses Design senkt die Schwelle für die Konvertierung von der Analyse zur Produktion erheblich – Analysten müssen die DDL-Syntax, die Materialisierungsstrategie oder das Transaktionsmanagement des Data Warehouse nicht verstehen, sondern nur den SQL-Ausdruck der Geschäftslogik verstehen. Mechanisch kompiliert der dbt-Compiler die Jinja-Vorlage + SQL + YAML-Konfiguration in natives SQL für die Zieldatenplattform und passt sich zur Laufzeit über den Adaptermodus an die Dialektunterschiede verschiedener Warehouses an.

Fusion-Engine: Qualitative Änderungen durch Rust-Umschreibung: Die dbt Core v2/Fusion-Engine wird in Rust neu geschrieben, was nicht nur eine Geschwindigkeitssteigerung mit sich bringt (die Parsing-/Kompilierungsgeschwindigkeit beträgt das 5- bis 10-fache), sondern, was noch wichtiger ist, die statischen SQL-Analysefunktionen – Erkennung von Syntaxfehlern, Typkonflikten und potenziellen logischen Problemen, bevor SQL an die Datenbank gesendet wird. Dies ändert das Arbeitsparadigma von dbt: vom Versuch-und-Irrtum-Modus „Kompilieren-Ausführen-Warten auf Fehlerberichterstattung“ zur IDE-Erfahrung „Überprüfen während des Schreibens – sofortiges Feedback“. Die „zustandsbewusste Orchestrierung“ von Fusion bestimmt automatisch, welche Modelle neu erstellt werden müssen, indem sie Codeänderungen und Datenänderungen vergleicht, um unnötige vollständige Berechnungen zu vermeiden. Es wird offiziell behauptet, dass dadurch Lagerrechenkosten von über 30 % eingespart werden.

Technische Architektur der KI-Funktionen: Die KI-Funktionen von dbt sind kein einfaches LLM-Paket, sondern ein tief integriertes Design, das auf einer „nativen Metadaten-Engine“ basiert.

• Der dbt Wizard liest das vollständige Abstammungsdiagramm, die Testergebnisse, Vertragsdefinitionen und Indikatormetadaten des Projekts über die Metadaten-Engine und ermöglicht so ein „Verständnis“ des Projekts, das weit über den reinen Codekontext hinausgeht. Beim Durchführen von Änderungen koordiniert der Assistent automatisch Änderungen an mehreren Dateien (z. B. die automatische Aktualisierung aller „ref()“-Referenzen nach dem Umbenennen eines Modells) und überprüft die Herkunftsintegrität und Testabdeckung vor dem Festschreiben.
• Der dbt MCP Server stellt die Discovery-API, die semantische Schicht, die Admin-API und die CLI-Befehle von dbt als Standard-MCP-Tool-Schnittstellen bereit. Der selbstgehostete Modus unterstützt CLI-Befehle wie „dbt run“, „dbt build“ und „dbt test“, während sich der Remote-Modus auf Datenverbrauchsszenarien konzentriert (Abfragen von Indikatoren, Erkunden von Metadaten und Anzeigen der Herkunft).
• Die zugrunde liegende Schicht verwendet die vorhandenen offenen Standards von dbt (SQL + YAML + Git) wieder, ohne proprietäre Datenformate oder Sperrprotokolle einzuführen.

Adapterökologie und offene Architektur: Die Adapter-Plug-in-Architektur („dbt-adapters“) von dbt ermöglicht die Unterstützung von mehr als 20 Datenplattformen. Jedes Adapterpaket kapselt den Verbindungs-DDL-Dialekt und die Materialisierungsstrategie der entsprechenden Datenplattform. Adapter für die neue Plattform können von der Community auf Basis des „dbt-adapters“ SDK entwickelt werden und decken Mainstream-Plattformen wie Snowflake, BigQuery, Redshift, Databricks, DuckDB, Postgres, ClickHouse, Exasol, SQL Server und Trino ab. Diese offene Architektur ist der Schlüssel dazu, dass dbt ein Industriestandard wird – anstatt Benutzer an eine bestimmte Plattform zu binden, ermöglicht sie Benutzern ein konsistentes Engineering-Erlebnis auf jeder Plattform.

Semantic Layer und MetricFlow: Der dbt Semantic Layer bietet die Möglichkeit, „Indikatoren einmal zu definieren und sie mit jedem Tool zu nutzen“, basierend auf der MetricFlow-Engine. Metrikdefinitionen werden im dbt-Projekt in YAML geschrieben, Metrikberechnungen werden im Data Warehouse durchgeführt und die Ergebnisse werden über die Semantic Layer API BI-Tools (Tableau, Mode, Looker usw.) und AI-Tools zur Verfügung gestellt. MetricFlow übernimmt automatisch den Drilldown fraktaler Dimensionen, die Zeitaggregation und die Einheitenumrechnung von Indikatoren und trennt die „deklarative Definition“ und die „ausführende Berechnung“ von Indikatoren.

So verwenden Sie dbt

dbt bietet mehrstufige Nutzungseingänge, die die unterschiedlichen Bedürfnisse von Einsteigern ohne Erfahrung bis hin zu Plattformteams auf Unternehmensebene abdecken.

So verwenden Sie	Geeignet für die Menge	Motor	Funktionen	Kosten
dbt Core CLI	Persönliches/technisches Team	Core v1 (Python)	Installieren Sie „pip install dbt-core“ und den entsprechenden Adapter, Befehlszeilenoperation	Völlig kostenlos
Fusion CLI	Team strebt nach Geschwindigkeit	Fusion (Rost)	Eine einzelne Binärdatei kann ausgeführt werden, statische SQL-Analyse + sofortiges Feedback, schnellere Kompilierung	Völlig kostenlos
VS-Code-Erweiterungen	Entwickler	Fusion	Holen Sie sich LSP, automatische Vervollständigung, Inline-Fehler und Herkunftsvorschau in VS Code/Cursor	Kostenlose Installation
dbt Cloud (Studio IDE)	Teamzusammenarbeit	Fusion / Kern	Browser-IDE, Aufgabenplanung CI/CD, Protokoll, Dokumenten-Hosting	Kostenlos/Starter/Enterprise
dbt Cloud (Leinwand)	Visuelle Modellierung	Fusion	Drag-and-Drop-Modellbearbeitung, visuelle Abstammung	Unternehmensplan
dbt Cloud CLI	Lokale Entwicklung + Plattform	Fusion	Lokale Befehlszeile, aber mit dem dbt Cloud-Projekt verknüpft, unterstützt CI/CD-Triggerung	Erfordert dbt Cloud-Konto
dbt-Assistent (in der Cloud)	Unternehmensteam	KI-Agent	Konversationsdatenentwicklung, automatische Recherche-Build-Validierung-Freigabe	Unternehmensplan
dbt-Assistent (CLI)	Entwickler	KI-Agent	Terminal-nativer KI-Agent, kann mit einem lokalen DBT-Projekt oder einem Cloud-Projekt	gekoppelt werden dbt Cloud-Konto erforderlich
dbt MCP (selbstgehostet)	KI-Integrationsentwickler	MCP-Protokoll	„uvx dbt-mcp“ startet einen lokalen MCP-Server und stellt CLI+API+SQL-Tools zur Verfügung	Kostenlos
dbt MCP (remote)	KI-Datenverbrauch	MCP-Protokoll	HTTP-Verbindung ohne Installation, Abfrageindikatoren, Metadaten, Herkunft	Copilot-Kontingent verbrauchen

Schnellstartpfad:

1. Erste Schritte: Besuchen Sie docs.getdbt.com → Wählen Sie die Schnellstartanleitung aus → Wählen Sie Ihre Datenplattform (DuckDB, BigQuery, Snowflake usw.) → Befolgen Sie die Schritte zum Erstellen des ersten DBT-Projekts → Führen Sie „dbt build“ aus, um die Modellerstellung und das Testen abzuschließen.
2. KI-unterstützter Einstieg: Benutzer mit einem dbt Cloud-Konto können dbt Copilot direkt zum Generieren von SQL-Modellen oder den dbt Wizard verwenden, um die vollständige Modellentwicklung in Studio IDE abzuschließen. Ersteres eignet sich für die Einzelunterstützung und Letzteres für komplexe Änderungen mehrerer Dateien.
3. MCP-Integration: KI-Anwendungsentwickler können dbt MCP Server über die folgende Konfiguration mit Clients wie Claude Desktop verbinden:

„json { „mcpServers“: { „dbt“: { „Befehl“: „uvx“, „args“: [„dbt-mcp“] } } } „

Zu den Tool-Kategorien, die vom selbstgehosteten MCP bereitgestellt werden, gehören: dbt-CLI-Befehl, Semantic-Layer-Abfrage, SQL-Ausführung, Metadatenerkennung (Discovery-API), Verwaltungs-API, Codegenerierungs-Fusion-Tool und Produktdokumentabruf. CLI-Befehle und Codegenerierungstools werden auf Remote-MCPs nicht unterstützt.

Enterprise-Landepfad: Es wird empfohlen, in drei Schritten vorzugehen: „Pilot → Vergleich → Erweiterung“. Probieren Sie dbt Cloud (14-tägige kostenlose Testversion) zunächst auf 1–2 hochwertigen Datenpipelines aus, die den gesamten Entwicklung-Test-Bereitstellungsprozess abdecken, parallel zu vorhandenen ETL-Skripten laufen und die Modellerstellungszeit, die Qualitätsvorfallrate und die Team-Onboarding-Kosten vergleichen; Nachdem Sie die Vorteile bestätigt haben, wählen Sie je nach Teamgröße den Starter- oder Enterprise-Plan. Die Unternehmensbewertung muss sich auf die SSO-Integration, die PrivateLink-Netzwerkkonfiguration, Prüfprotokolle und SLA-Bedingungen sowie den tatsächlichen Governance-Overhead der projektübergreifenden dbt Mesh-Zusammenarbeit konzentrieren.

dbt-Produktpreise

dbt übernimmt ein hybrides Preismodell aus „Open Source Core Free + Cloud Pay-as-you-go“. Die Leistungsunterschiede zwischen verschiedenen Plänen spiegeln sich hauptsächlich in den Kollaborationsfunktionen, KI-Funktionen und erweiterten Sicherheitsfunktionen wider.

Planen	Preis	Entwicklerplätze	Monatliche Erfolgsmodelle	Anzahl der Projekte	Hauptunterscheidungsmerkmale
Entwickler (kostenlos)	$0	1	3.000	1	Grundlegende IDE + Planung; keine API, kein Copilot
Anlasser	100 $/Benutzer/Monat	Ab 5	15.000	1	API-Zugriff auf dbt Copilot, Basic Catalog und Semantic Layer
Unternehmen	Geschäftsangebot	Benutzerdefiniert	100.000	30	dbt-Assistent, Canvas, Einblicke, dbt-Mesh, erweiterter Katalog
Unternehmen+	Geschäftszitat	Benutzerdefiniert	100.000	Unbegrenzt	PrivateLink, IP-Einschränkungen, Rollback, gemischte Projekte

KOSTENLOSE OPTION:

• dbt Core: Vollständig Open Source, Apache 2.0-lizenziert, voll funktionsfähig, geeignet für Einzelpersonen und kleine Teams jeder Größe.
• Fusion CLI: Kostenlos, schneller als Core v1, verfügbar über die lokale Befehlszeile, kein dbt Cloud-Konto erforderlich.
• VS-Code-Erweiterung: Kostenlos, bietet integrierte Entwicklungserfahrung mit Fusion Engine und LSP.
• dbt Cloud Developer: Kostenlos, aber auf 1 Entwicklerplatz beschränkt.

Wichtige Einschränkungen für kostenpflichtige Optionen:

• Der Starter-Plan unterstützt nur monatliche Kreditkartenzahlungen und keine Rechnungen. Die Enterprise-Version unterstützt Jahresunterschriften und Rechnungen.
• Wenn die Modellbaunutzung den Grenzwert überschreitet, müssen Sie sich zwecks Erweiterung an das Unternehmen wenden. Der offizielle Mehrpreis pro Einheit wurde nicht bekannt gegeben. – Das dbt Copilot-Aktionskontingent ist in allen Plänen begrenzt und wird von der Funktion „text_to_sql“ des Remote-MCP-Tools verbraucht. Alle Tools auf dem Remote-MCP werden nach Erschöpfung des Kontingents blockiert, einschließlich SQL- und Fusion-Tools vom selbstgehosteten MCP-Agenten zum Remote-Agenten.
• Der dbt-Assistent ist nur für Enterprise-Pläne und höher verfügbar.

Auswahllogik von Open Source vs. Cloud: Teams mit starken technischen Fähigkeiten und ausreichenden Betriebs- und Wartungsressourcen eignen sich für den dbt Core/selbstgehosteten Pfad, um maximale Flexibilität und keine Lizenzkosten zu erhalten; Teams, die Web-IDE, Hosting-Planung, KI-Unterstützung, Teamzusammenarbeit und Governance-Prüfung benötigen, sind für dbt Cloud geeignet. Bei der tatsächlichen Bereitstellung ist ein Hybridmodell aus „lokaler Kernentwicklung + Cloud-Produktionsplanung“ üblich – die Verwendung von Core oder Fusion CLI zum lokalen Entwickeln und Testen und die Verwendung der verwalteten Ausführungsumgebung der Cloud in der CI/CD-Pipeline.

Anwendungsszenarien von dbt

Die Kernanwendungsszenarien von dbt decken drei progressive Ebenen ab: „Standardisierung der Datenkonvertierung → Datenqualitäts-Governance → KI-Datenaufbereitung“ und wurden in großem Umfang in den Branchen Finanzen, Einzelhandel, Medizin, Fertigung und anderen Branchen eingesetzt.

• Enterprise Data Warehouse-Standardisierung: Vereinheitlichen Sie die ETL-Skripte und gespeicherten Prozedur-Python-Konvertierungscodes, die in verschiedenen Geschäftsbereichen verstreut sind, im DBT-Modell. Jeder Geschäftsindikator entspricht einem DBT-Modell, und nachvollziehbare Abhängigkeiten werden über „ref()“ hergestellt. Implementierungstipps: Bei der Migration wird empfohlen, schrittweise nach Geschäftsdomäne vorzugehen. Vergleichen Sie nach Abschluss jeder Domäne die Modellkonstruktionszeit und den Ausführungsunterschied des alten Skripts. Die „unique_key“-Konfiguration des inkrementellen Modells (Inkremental) in der Anfangsphase der Migration ist eine häufige Gefahr und muss während der Testphase vollständig überprüft werden.

• Datenqualitätsüberwachungssystem: Erkennt automatisch Ausreißer, doppelte Datensätze, Referenzbrüche und logische Konsistenz durch DBT-Tests, wenn Daten in der Datenbank gespeichert werden. Nachdem jeder „dbt build“ oder „dbt test“ ausgeführt wurde, werden die Testergebnisse in „run_results.json“ geschrieben, das mit Alarmkanälen wie PagerDuty und Slack verbunden werden kann. Implementierungstipps: Es wird empfohlen, mit grundlegenden Tests wie Eindeutigkeit, Nicht-Nulligkeit und referenzieller Integrität zu beginnen und nach und nach benutzerdefinierte „generic_test“ und „singular_test“ einzuführen. Die Testabdeckung sollte mit der Bedeutung von Geschäftsdaten zunehmen, anstatt alle Bereiche auf einmal abzudecken.

• Datenvorbereitung für KI und maschinelles Lernen: Verwenden Sie dbt, um einen Feature-Datensatz für das Training und die Inferenz von KI-Modellen zu erstellen, um sicherzustellen, dass der Datenursprung nachvollziehbar und die Qualität überprüfbar ist. dbt MCP Server bietet eine standardisierte Schnittstelle für den Zugriff auf Datenbestände für KI-Anwendungen und ermöglicht es dem LLM-Agenten, die Herkunftsstruktur und Indikatordefinitionen des Projekts zu erkennen, wenn er SQL generiert oder Daten analysiert. Implementierungstipps: KI-Szenarien stellen hohe Anforderungen an die Aktualität und Konsistenz der Daten. Es wird empfohlen, die Strategie der inkrementellen Materialisierung für das Feature-Modell zu konfigurieren und „alert_on“ festzulegen, um die Datenverzögerung zu überwachen.

• Linienübergreifende Datenproduktbereitstellung: Das Datenteam verwendet dbt, um einen geschäftsorientierten Data Mart (Data Mart) aufzubauen, definiert einheitliche Geschäftsindikatoren (wie GMV, DAU, LTV) über die dbt Semantic Layer und stellt sie dann über APIs Tableau, Mode, Excel oder benutzerdefinierten Anwendungen zur Verfügung. dbt Mesh unterstützt projektübergreifende Referenzen und eignet sich für Szenarien mit mehreren Geschäftsbereichen – jeder Geschäftsbereich unterhält ein unabhängiges dbt-Projekt und teilt das vorgelagerte Kerndimensionsmodell über „projektübergreifende Referenzen“. Implementierungstipps: Im Mesh-Modus ist die Vertragskonsistenz zwischen Projekten der zentrale Governance-Punkt. Es wird empfohlen, die „Vertrags“-Konfiguration für alle projektübergreifend referenzierten Modelle zu aktivieren.

• Fivetran + dbt einheitliche Datenpipeline: Fivetran schließt die Datenaufnahme ab (EL), dbt schließt die Transformation ab (T). Fivetran synchronisiert Rohdaten automatisch mit dem Data Warehouse und dbt führt Modellerstellungen, Tests und Dokumentationsaktualisierungen nach einem Zeitplan durch. Die Metadaten der beiden Systeme können über die API von dbt MCP Server und Fivetran verbunden werden. Implementierungstipps: Die einheitliche Abrechnung und Kontoverwaltung der beiden Produktgruppen nach der Fusion befindet sich noch in der Entwicklung. Das allgemeine SLA und der Supportpfad von EL+T müssen beim Kauf bestätigt werden.

Anwendbare dbt-Gruppen

Die Kernnutzergruppe von dbt sind „Datenanalysten und Ingenieure, die SQL verstehen, aber nicht unbedingt Ingenieurwesen“. Sein Wert liegt darin, dass die SQL-Codierung die Qualitätssicherung der Softwareentwicklung erhält.

• Analytics Engineer: Die Kernzielgruppe. Sie bringen Best Practices für die SQL-Codierung (Versionskontrolle, Tests, Dokumentation CI/CD) auf die Datentransformationsebene. Mit dbt können Analysten vom „Schreiben einmaliger Abfragen“ zum „Erstellen wiederverwendbarer Datenprodukte“ übergehen. Grenze nicht eingehalten: Wenn die Datentransformationsanforderungen des Teams äußerst einfach sind (weniger als 5 Modelle, keine inkrementellen Builds erforderlich), kann der technische Aufwand von dbt die Vorteile überwiegen. In solchen Szenarien wird empfohlen, direkt die integrierte ETL des BI-Tools zu verwenden.

• Datenplattform-Team: Notwendigkeit, die Datenmodellierungslogik und Teststandards mehrerer Geschäftsbereiche einheitlich zu verwalten. dbt Mesh- und Modellverträge ermöglichen es Plattformteams, Kerndimensionen und Metriken zu definieren, ohne in Geschäftsprojekte einzugreifen. Voraussetzung: Das Plattformteam muss Erfahrung im Git-Workflow-Management haben und in der Lage sein, sinnvolle Branch-Strategien und CI/CD-Pipelines zu entwerfen.

• Geschäftsanalysten für datengesteuerte Unternehmen: Mit dbt Copilot und dbt Wizard können Geschäftsanalysten mit eingeschränkten SQL-Fähigkeiten auch grundlegende Datenmodellentwicklungen und Indikatorabfragen mithilfe von KI durchführen. Allerdings müssen Geschäftsanalysten weiterhin grundlegende Data-Warehouse-Konzepte (Faktentabellen, Dimensionstabellen, Granularität) verstehen, und dbt kann Domänenkenntnisse nicht ersetzen. Nicht für die Grenze geeignet: Für Analysten, die kein SQL schreiben können und die Grundkonzepte relationaler Datenbanken nicht verstehen, ist die Lernkurve von dbt sehr steil. Dieser Benutzertyp eignet sich eher für die direkte Nutzung der visuellen Oberfläche des BI-Tools.

• KI/ML-Ingenieure und Datenwissenschaftler: Es müssen hochwertige Feature-Datensätze für das Modelltraining erstellt werden. dbt bietet eine versionierbare, testbare und Herkunftskonvertierungspipeline, um die Reproduzierbarkeit und Überprüfbarkeit von Trainingsdaten sicherzustellen. Mit dem dbt MCP Server können KI-Agenten direkt auf die Metadaten und Metrikdefinitionen von Datenbeständen zugreifen. Voraussetzung: Das KI-Team muss mit dem Data-Engineering-Team zusammenarbeiten, um die Upstream-Abhängigkeiten des DBT-Modells zu definieren, um sicherzustellen, dass die Aktualität und Konsistenz der Feature-Daten den Modellanforderungen entspricht.

Zusammenfassung ungeeigneter Szenarien:

• Szenarien, in denen keine SQL-Programmierung erforderlich ist, das Datenvolumen extrem klein ist (unterhalb der GB-Grenze) und ETL direkt im BI-Tool durchgeführt werden kann. – Organisationen, die noch kein Data Warehouse aufgebaut haben oder sich in der Technologieauswahlphase befinden – dbt löst keine Datenspeicher- und Computerprobleme.
• Temporäre Analyseszenarien, die keine Versionsverwaltung und Qualitätsprüfung der Datenkonvertierungslogik erfordern. – Erfordert Echtzeit-/Streaming-Datentransformation (dbt ist als Batch-ELT-Tool konzipiert und nicht für die Stream-Verarbeitung mit Millisekunden-Latenz geeignet).
• Organisationen, die stark auf die Fivetran-Integration angewiesen sind, aber nicht in der Lage sind, einheitliche kommerzielle Bedingungen nach dem Zusammenschluss zu akzeptieren (Vertragswege müssen individuell bewertet werden).

Zusammenfassung und Ausblick von dbt

dbt hat sich 2016 von einem Open-Source-SQL-Kompilierungstool zu einem De-facto-Standard im Bereich der Datenanalysetechnik entwickelt. Die Rust Rewrite- (Fusion Engine) und AI-Produktlinie (dbt Wizard, dbt Copilot, dbt MCP Server) in den Jahren 2025–2026 haben ihr Positionierungs-Upgrade vom „SQL-Konvertierungs-Framework“ zur „KI-fähigen Datenkonvertierungsplattform“ abgeschlossen.

Aktuelle Kernvorteile:

• Industriestandardstatus: Die Sprachspezifikationen und technischen Methoden von dbt wurden weithin übernommen, mit einer Community-Größe von über 100.000 und anpassbar an über 20 Datenplattformen. Durch den Zusammenschluss mit Fivetran wird die führende Position von EL+T im Vollstreckenbereich weiter gefestigt.
• Differenziertes Design der KI-Funktionen: dbt Wizard ist kein einfacher LLM-Codegenerator, sondern ein KI-Agent mit einem tiefen Verständnis der Projektherkunft und Metadaten – Governance und Auditing sind standardmäßig aktiviert und die Überprüfung ist in den Workflow integriert. Diese Kombination aus „KI + Governance“ ist äußerst attraktiv für Unternehmensszenarien mit hohen Compliance-Anforderungen.
• Offene Architektur: Apache 2.0-lizenzierte Open-Source-Engine, basierend auf Standard-SQL und Git, kein Risiko einer Anbieterbindung. Die Einführung des MCP-Protokolls macht es zu einer natürlichen Integration in das wachsende Agent-Ökosystem.
• Leistungssprung: 5- bis 10-fache Verbesserungen der Parsing-/Kompilierungsgeschwindigkeit durch das Rust-Rewrite und über 30 % Rechenkosteneinsparungen durch zustandsbewusste Orchestrierung führen direkt zu quantifizierten Vorteilen bei der Teameffizienz und den Dateninfrastrukturkosten.

Wichtige aktuelle Einschränkungen und Risiken:

• dbt Core v2/Fusion steckt noch in den Kinderschuhen: v2.0 befindet sich noch im Alpha-/Vorschaustadium und wird nicht für den Produktionseinsatz empfohlen. Die Python-Engine v1.x ist in der Produktion stabil, weist jedoch bei sehr großen Projekten offensichtliche Leistungsengpässe auf.
• Unternehmensbarrieren für die KI-Funktionalität: dbt Wizard ist auf den Enterprise-Plan beschränkt und der Quotenmechanismus von Copilot schafft eine implizite Obergrenze für die Hochfrequenznutzung. Bei kleinen Teams besteht ein Missverhältnis zwischen dem Wert der KI-Funktionen und ihrer Zahlungsfähigkeit.
• Integrationsunsicherheit der Fivetran-Fusion: Die einheitliche Abrechnung, die einheitliche Kontoverwaltung und der einheitliche technische Support der beiden Produktgruppen befinden sich noch in der Entwicklung, und die Vertragsverlängerungs- und Supportpfade für bestehende Kunden erfordern eine geschäftliche Bestätigung.
• Ökologisches Bindungsrisiko: Obwohl dbt selbst offen ist, sind seine Best Practices eng mit dem Modern Data Stack verknüpft. Wenn die Organisation die Transformation der ELT-Architektur noch nicht abgeschlossen hat (immer noch traditionelle ETL-Tools und gespeicherte Prozeduren verwenden), wird es schwierig sein, die Vorteile von dbt zu nutzen.
• Echtzeitszenarien werden nicht abgedeckt: dbt ist als Stapelverarbeitungstool konzipiert und unterstützt keine Streaming-Datenkonvertierung. Für Datenpipelines, die eine Latenz der zweiten Ebene erfordern, sind zusätzliche Stream-Verarbeitungs-Engines erforderlich.

Folgebeobachtungspunkte: – Der Veröffentlichungsrhythmus und die Produktionsbereitschaft der offiziellen Version von dbt Core v2.0 – bestimmt den Technologie-Upgrade-Pfad für bestehende v1.x-Benutzer.

• Die Tiefe der Produktintegration nach der Fusion von Fivetran + dbt – sei es zur Aufrechterhaltung unabhängiger Abläufe der Doppelmarken oder zur schrittweisen Vereinheitlichung des Produkterlebnisses.
• Die Geschwindigkeit der Community-Akzeptanz von dbt Wizard und MCP Server – ob es die ökologische Open-Source-Attraktivität von dbt Core aufrechterhalten kann.
• Der Trend zur Fragmentierung im Data-Warehouse-Bereich – neue Speicherformate und Abfrage-Engines (wie Apache Iceberg, DuckDB usw.) erfordern eine kontinuierliche Anpassung.

Beschaffungs- und Einführungsrisikobewertung:

• Einzelperson/kleines Team: Starten Sie risikofrei mit dbt Core (kostenlos) oder Fusion CLI (kostenlos). Es wird empfohlen, den duckdb-Adapter zu verwenden, um den vollständigen Modell-Test-Dokument-Workflow lokal zu erleben, bevor Sie beurteilen, ob Sie einen kostenpflichtigen Cloud-Plan benötigen.
• Mittelgroße Teams: 14-tägige kostenlose Testversion von dbt Cloud Starter mit Schwerpunkt auf der Überprüfung des Hilfseffekts von Copilot, der Effizienz des Indikatormanagements von Semantic Layer und des Team-Onboarding-Zyklus. Bestätigen Sie, dass die Modellbaunutzung innerhalb des Starter-Limits liegt und in den nächsten 12 Monaten mit einem Anstieg zu rechnen ist.
• Große Unternehmen: Die folgenden Überprüfungen müssen vor dem Kauf des Enterprise-Plans durchgeführt werden: Kompatibilitätstest der SSO-Integration und vorhandener IdP (einschließlich JIT und SCIM); Machbarkeit von PrivateLink/Netzwerkisolierung im Rahmen der Unternehmensnetzwerkrichtlinie; ob das dbt Mesh-Governance-Modell die Anforderungen an die Datenberechtigungsisolierung mehrerer Geschäftsbereiche erfüllen kann; Bewertung der Genauigkeit und Falsch-Positiv-Rate des dbt Wizard anhand realer Datenbestände (es wird empfohlen, Stichprobentests der unternehmenseigenen Daten durchzuführen); Kombinierte Vertragsbedingungen von Fivetran und dbt – einschließlich einheitlicher SLA, Datenresidenz und End-of-Support-Pfad. Für Compliance-sensible Branchen (Finanzwesen, Medizin, Regierungsangelegenheiten) ist der privatisierte Einsatz immer noch ein Muss. Durch die Kombination aus dbt Core-Selbsthosting + VS-Code-Erweiterung können Sie die lokale Entwicklungserfahrung der Fusion Engine ohne Lizenzgebühren erhalten.

Versionsinfo

• dbt Core 1.9 ：Einen offiziellen genauen Termin gibt es noch nicht. （2026-06）
• dbt Core 1.8 ：Einen offiziellen genauen Termin gibt es noch nicht. （2025-12）