Vergleichende Illustration zu dbt Core und dbt Fusion mit geteiltem Hintergrund. Links dbt Core in Orange mit Symbolen für klassische Datenpipelines, Transformation und Verarbeitung. Rechts dbt Fusion in Blau mit moderner Pipeline-Struktur und dbt-Fusion-Logo. In der Mitte ein visuelles „VS“ als Trennung. Pfeile und Icons unten verdeutlichen die Fragestellung, was sich ändert und wann sich eine Migration lohnt.

dbt Core vs. dbt Fusion. Unterschiede, Performance und Migration im Überblick

dbt Core vs. dbt Fusion ist für viele Teams gerade ein echtes Thema. Du willst verstehen, was dbt Fusion ist, was sich im Vergleich zu dbt Core ändert und wann sich eine Migration lohnt. Dieser Beitrag gibt dir die Einordnung. Den technischen Teil mit der Schritt-für-Schritt Anleitung findest du im zweiten Beitrag.

Was ist dbt?

Dbt (data build tool) ist ein Open-Source-Framework für die Transformation von Daten in modernen Data Warhouse Architekturen. Dbt Core ist hierbei die klassische Open-Source-Variante des Anbieters, die lokal oder in einer eigenen Umgebung läuft. Im Mai 2025 wurde dbt Fusion, eine neue Architektur innerhalb von dbt angekündigt [1], welche anstatt dbt Core eingesetzt werden kann.

Du willst verstehen, wie dbt in moderne Datenarchitekturen passt? Die fünf Kernprinzipien des Modern Data Stack erklären, wie Transform-Tools wie dbt Teil einer skalierbaren Datenplattform werden.

Breaking Changes in dbt Fusion

Der zentrale Unterschied zwischen dbt Fusion und dbt Core ist, dass es nicht mehr auf der Programmiersprache Python basiert, sondern auf Rust ​[2]​. Dies hat mehrere Vorteile, von denen wir die, aus meiner Sicht, essenziellsten im Folgenden besprechen. ​​Laut dbts offiziellem Statement weist die neue Engine eine bessere Performance auf und verursacht geringere Kosten auf der Datenbank ​[2]​. Dazu trägt z.B.u.a. die state-aware orchestration ​[3]​ bei, die dbt Fusion bietet. Dies bedeutet, dass dbt mit Fusion nur solche Modelle neu ausführt, welche sich geändert haben. Außerdem werden Tests nicht notwendigerweise mehrfach ausgeführt, sondern es wird geprüft, ob ein Upstream Test Ergebnis wiederverwendet werden kann. Bezüglich Performance weist dbt Fusion außerdem effizientere Möglichkeiten zur Parallelisierung auf ​[4]​. Der entscheidende Unterschied ist allerdings die sog. static analysis ​[5]​. Dbt Fusion kann im Unterschied zu dbt Core SQL Statements logisch interpretieren und prüfen. Deshalb wird ein sog. Ahead-of-Time (AOT) Rendering angewendet, welches alle Modelle erst rendert und validiert bevor der SQL Code zur Ausführung an die Datenbank geschickt wird. (Für einen praxisnahen Vergleich von ELT- und klassischen ETL-Ansätzen und wo dbt im Prozess steht, lies ETL vs. ELT im Jahr 2025). Fehler werden also nicht, wie bei dbt Core, erst detektiert, wenn das Query an die Datenbank geschickt wurde und dort die Compute Unit dieses ausgeführt hat und einen Fehler geworfen hat. Dies trägt massiv zur Kostenersparnis bei. Außerdem hat es in Verbindung mit der neuen Visual  Studio (VS) Code dbt extension (nur kompatibel mit Fusion) den Vorteil, dass inline Fehler im SQL Code kenntlich gemacht werden können sowie eine Vorschau für CTEs verfügbar ist.

Support und Lizenzmodell von dbt Core und dbt Fusion

Als letzte Anmerkungen in diesem Artikel sind mir zwei Punkte wichtig. Zum einen: Der Support von dbt Core hält weiterhin an und es bleibt unter der Apache 2.0 Lizenz ​[1]​. D.h. eine Umstellung kann in Ruhe abgewogen werden und muss zum jetzigen Zeitpunkt nicht zwingend erfolgen. Zum anderen: Bei dbt Fusion ändert sich im Vergleich zu dbt Core das Lizenzmodell. Dbt Fusion ist unter der ELv2 Lizenz veröffentlicht (einige Komponenten sind auch noch unter Apache 2) ​[1]​, ​[23]​. Es ist hier der Vollständigkeit halber erwähnt, sollte den normalen Anwender aber nicht betreffen, da es lediglich die Möglichkeiten Fusion als managed service anzubieten einschränkt.

dbt Fusion nach der Migration und was du beachten solltest

Die Migration nach Fusion ist relativ einfach, solange man auf einer bereits unterstützen Datenbanktechnologie unterwegs ist, seine Modelle und Packages auf den neusten Stand bringt und nicht auf eines der noch nicht unterstützen Features angewiesen ist. Außerdem sei an dieser Stelle ergänzt, dass auch nach der Migration das Projekt noch mit dbt Core verwendet werden kann. Es kann also ohne Mehraufwand hin und her gewechselt werden. Man sollte lediglich bedenken, dass die Manifest Versionen nicht übereinstimmen und deshalb in dbt Core die Verwendung von state:modified nicht mehr möglich ist ​[24]​. Für einen Blick in die Zukunft als Roadmap, wo die Reise mit Fusion hingeht, lohnen sich die Milestones in Github ​[25]​. Hier lässt sich die aktuellste Planung finden, so dass der eigene Projektplan abgestimmt werden kann.

Es gibt also durch die Migration von dbt Core nach dbt Fusion nichts zu Verlieren und es sollte ausgetestet werden. Im schlimmsten Fall hat man hinterher seine Implementierung auf den neusten Stand gebracht, aber zu Verlieren gibt es nichts.

Wie geht es weiter? Die Migration von dbt Core zu dbt Fusion

Du weißt jetzt, worin sich dbt Core und dbt Fusion unterscheiden. Du kennst die technischen Grundlagen, die Performance-Vorteile und die Auswirkungen auf Kosten, Entwicklung und Betrieb. Was noch fehlt, ist die konkrete Umsetzung. Im nächsten Beitrag geht es deshalb nicht mehr um Einordnung, sondern um Praxis. Du siehst Schritt für Schritt, wie du ein bestehendes dbt-Core-Projekt auf dbt Fusion umstellst und worauf du dabei achten musst.

Hier kommst du zum zweiten Teil: dbt Core zu dbt Fusion migrieren. Ein Schritt-für-Schritt Migration Guide

Bevor du loslegst, sieh dir Die Schlüsselrolle der Datenstrategie und KI in Unternehmen an. Das hilft dir, dbt-Migration im größeren Strategie-Setup zu verankern.

 

Quellenverzeichnis

[1]
[Online]. Available: https://www.getdbt.com/blog/new-code-new-license-understanding-the-new-license-for-the-dbt-fusion-engine.
[2]
[Online]. Available: https://docs.getdbt.com/docs/fusion/about-fusion#what-is-fusion.
[3]
[Online]. Available: https://docs.getdbt.com/docs/deploy/state-aware-about.
[4]
[Online]. Available: https://docs.getdbt.com/docs/fusion/about-fusion#thread-management.
[5]
[Online]. Available: https://docs.getdbt.com/docs/fusion/new-concepts.
[6]
[Online]. Available: https://docs.getdbt.com/docs/dbt-versions/core-upgrade/upgrading-to-fusion#supported-adapters.
[7]
[Online]. Available: https://docs.getdbt.com/docs/fusion/supported-features#package-support.
[8]
[Online]. Available: https://docs.getdbt.com/docs/dbt-versions/core-upgrade/upgrading-to-v1.10.
[9]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/issues/12.
[10]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/discussions/1005.
[11]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/issues/11.
[12]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/issues/9.
[13]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/issues/15.
[14]
[Online]. Available: https://docs.getdbt.com/docs/fusion/supported-features#limitations.
[15]
[Online]. Available: https://docs.getdbt.com/docs/dbt-versions/core-upgrade/upgrading-to-fusion#changed-functionality.
[16]
[Online]. Available: https://docs.getdbt.com/docs/fusion/install-fusion-cli?installation=windows.
[17]
[Online]. Available: https://docs.getdbt.com/docs/install-dbt-extension.
[18]
[Online]. Available: https://github.com/dbt-labs/dbt-autofix?tab=readme-ov-file.
[19]
[Online]. Available: https://automate-dv.readthedocs.io/en/latest/.
[20]
[Online]. Available: https://docs.getdbt.com/reference/resource-properties/data-tests.
[21]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/issues/745.
[22]
[Online]. Available: https://docs.getdbt.com/reference/deprecations#customkeyinconfigdeprecation.
[23]
[Online]. Available: https://www.getdbt.com/licenses-faq.
[24]
[Online]. Available: https://docs.getdbt.com/docs/dbt-versions/core-upgrade/upgrading-to-fusion#upgrade-considerations.
[25]
[Online]. Available: https://github.com/dbt-labs/dbt-fusion/milestones.