5 erros clássicos de dbt que travam projetos de dados em startups

O dbt deixou de ser só uma ferramenta de transformação SQL: virou um sistema operacional para engenharia analítica. Desde fevereiro de 2025, quando ultrapassou US$ 100 milhões em ARR, sua evolução acelerou, não só em escala (30.000 empresas usando semanalmente em dezembro de 2025), mas em arquitetura. O lançamento da alpha do dbt Core v2.0 em 1º de junho de 2026, baseada no motor Fusion reescrito em Rust, traz análise estática pré-execução e artefatos Parquet nativos. Isso muda o jogo para os 'erros clássicos' citados: reconstruções completas no CI, por exemplo, agora têm alternativa técnica real, o novo dbt State, anunciado na Snowflake Summit 2026, pula ou clona nós inalterados, com cobrança por reuso diário. Já a ausência de model contracts não é mais só um risco de qualidade: é um gargalo para integrações com IA, como o dbt Copilot (novembro/2025) e o dbt MCP server (GA desde outubro/2025), que dependem de contratos explícitos para gerar SQL confiável a partir de linguagem natural.

Os cinco erros listados na notícia, especialmente compartilhamento indevido de esquemas entre ambientes e desvios silenciosos em modelos incrementais, são sintomas de uma falha estrutural: tentar usar dbt como camada ETL tradicional, sem adotar sua lógica de engenharia de software. A pesquisa mostra que equipes que ignoram testes unitários obrigatórios em modelos críticos ou mantêm arquivos SQL com mais de 500 linhas pagam caro em tempo de engenharia e custos de computação, mesmo com o Fusion otimizando execuções. E isso se conecta diretamente ao alerta do CEVIU de 14/05: projetos de dados falham primeiro por falta de alinhamento com stakeholders, não por escolha técnica. Um modelo incremental mal definido pode parecer funcional por semanas, até que um stakeholder descubra que os KPIs de vendas do mês passado foram recalculados três vezes, sem aviso.

A diferença entre o cenário de maio e junho de 2026 é concreta: em 2026-05-20, a CEVIU já alertava sobre 'schema drift' e 'over-engineering' na ingestão, problemas que hoje se agravam se não forem contidos no dbt com contracts e testes rigorosos. Mas agora há ferramentas novas que tornam essas boas práticas viáveis em startups: o dbt State (junho/2026) resolve o problema de reconstruções completas no CI; o dbt Lint (beta desde junho/2026) detecta antipadrões de nomenclatura e codificação de valores antes do merge; e o dbt Docs v2 (preview desde junho/2026) gera documentação local rápida, reduzindo a dependência de ambientes compartilhados. Ou seja, o que era apenas recomendação teórica em maio virou recurso concreto em junho, e já está sendo usado por 50.000 equipes segundo dados da dbt Labs.

Esses erros não travam só pipelines, travam a capacidade de escalar IA com dados confiáveis. O artigo de 01/06 sobre o 'erro fatal na construção de plataformas' dizia que empresas que centralizam dados estratégicos lideram na era da IA. Mas centralizar não basta: se os modelos dbt tiverem declarações incorretas de tabelas raw ou compartilharem esquemas entre dev e produção, você constrói uma plataforma de dados com fundações de areia. O dbt Semantic Layer, agora suportando Postgres e Trino (março/2025), depende de contratos claros para expor métricas consistentes. Sem isso, cada time cria sua própria versão de 'receita líquida', e os modelos de IA treinados nesses dados geram previsões erradas, não por falha algorítmica, mas por dívida técnica acumulada desde o primeiro commit.