dbt Labs lanza dbt Charts: YAML para dashboards con IA

Después de más de una década de dashboards clickeables, dbt Labs mueve los gráficos al código con dbt Charts: un nuevo lenguaje YAML open source bajo licencia Apache 2.0 que permite declarar un dashboard interactivo completo en un único archivo que un agente de IA puede escribir y validar. El lanzamiento llega en un momento en que, según Gartner citado por Analytics Insight, el 40% de las aplicaciones empresariales incorporarán agentes de IA específicos para tareas hacia fines de 2026, frente a menos del 5% en 2025, y los vendors de BI se están rearmando para no quedar afuera.

Por qué los charts se mueven del BI al código

La promesa del self-service analytics lleva años encima de la mesa: que cualquiera con una conexión a datos arme un reporte en una tarde. Con los agentes de IA esa promesa se acerca, pero aparece un desorden nuevo. Por defecto, cuando un agente construye un reporte simple, termina generando un puñado de archivos: HTML, CSS, JavaScript, un par de librerías de gráficos y, en cuanto el reporte tiene que vivir en algún lado, una app en React o Streamlit. Rastrear el resultado hasta la fuente obliga a saltar entre lenguajes y archivos, lo que vuelve la auditoría lenta para una persona y costosa en tiempo y tokens para el propio agente.

Las herramientas de BI tradicionales tomaron el camino contrario: pegaron un copiloto encima de una interfaz hecha para hacer clics. El agente queda sobre rieles gobernados, pero estrechos: solo puede hacer lo que la UI expone. La conclusión que plantea el equipo de dbt Labs en su blog es que hoy hay que elegir entre la libertad desordenada del código y el control estrecho del BI, y que ya es hora de una tercera vía.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Qué es dbt Charts y cómo funciona

dbt Charts es la respuesta a ese dilema. Es un lenguaje estructurado en YAML que puede declarar un dashboard interactivo completo en un único archivo auditable. SQL sigue siendo el lenguaje para definir QUÉ datos se quieren ver, y YAML envuelve eso para definir CÓMO se quieren ver.

El YAML envuelve más que SQL: Markdown carga la prosa y Jinja —el mismo motor que ya usa dbt— lleva las variables y macros. El CLI renderiza cualquier archivo de board a SVG, HTML, PNG, PDF e incluso al terminal, en la laptop del desarrollador o dentro de CI, y sirve una carpeta de boards como un sitio estático con dct serve.

El lenguaje ya viene con profundidad: según la presentación oficial, más de 1.100 opciones de configuración repartidas en dieciséis tipos de gráficos y los charts compuestos que se construyen a partir de ellos. Las hojas de estilo cascadean: un chart hereda del board, el board hereda del theme, y cambiar de tema es una sola línea. Un board también puede extender a otro, así que un estilo de casa o un reporte estándar se escribe una vez y se hereda en todos lados.

La capa visual fue encargada a RJ Andrews, diseñador, autor e historiador de gráficos de datos, con la idea deliberada de buscar algo que se sintiera nuevo y no otro grid de dashboard más.

Integración profunda con dbt

No hace falta usar dbt Charts dentro de un proyecto de dbt, pero cuando se hace, se desbloquea bastante. La capa de charts vive al lado de la capa de transformación: en el mismo repo de Git, una nueva carpeta charts/ al lado de models/, de modo que un cambio a un modelo y a sus charts viaja en la misma rama, pasa por el mismo CI y se rompe antes de llegar a producción.

Las queries llegan a los modelos a través de ref(), resuelto desde el manifest del proyecto, así que un modelo renombrado o una columna que falta rompe el pull request antes de que dbt run toque el warehouse. Está planeado el soporte para el dbt Semantic Layer, así un board puede usar una métrica como el proyecto la define en lugar de reescribir su SQL (el ticket abierto es dbt-labs/dbt-charts#1).

Diseñado para chat: el loop de feedback que necesitan los agentes

Los agentes son bastante ciegos y hacen mejor su trabajo con un loop de feedback ajustado. dbt Charts les da uno: validación estricta tanto del YAML como del SQL, y un set extenso de verificaciones de visualización que señalan problemas antes de que nadie vea el board.

El CLI emite advertencias accionables como:

WARN-BAR-BAND-WIDTH-TOO-NARROW: 182 bandas × 2 series en 640 px → fix: roll up a una granularidad más gruesa.
WARN-TABLE-COLUMNS-OVERFLOW: la tabla necesita 980 px pero solo hay 640 px disponibles → fix: descartar columnas o ampliar el slot.

Son el equivalente a un linter de TypeScript, pero para charts: le dice al agente qué corregir sin que un humano tenga que mirar la pantalla.

La plataforma dbtCharts.com

En paralelo al lenguaje open source, el equipo lanza dbtCharts.com en beta pública: una plataforma hospedada para todo lo demás del BI. Cuando los charts salen del BI, lo que queda es hosting, control de acceso y una UI, cosas que quizá no se pueden desagregar (o no deberían), y la plataforma las maneja sobre el lenguaje open source.

La plataforma se conecta al warehouse y agrega analytics conversacional, un editor visual para los retoques finales, historial de versiones y compartir con permisos para usuarios y grupos, así la gente que lee un board no necesita credenciales al warehouse. Como está construida sobre el lenguaje abierto, cada cambio —desde chat, desde el editor visual o desde código— aterriza en el mismo YAML dentro del repo. Nada queda atrapado en el vendor: el mismo board corre en la laptop, en CI, o en la plataforma.

El contexto: BI conversacional y agentes en 2026

El lanzamiento se inscribe en una reconfiguración más amplia del sector. Según Analytics Insight, las plataformas se dividen en 2026 en tres categorías reales: asistida, conversacional y agéntica. La mayoría de los vendors aún vive en las dos primeras pese a venderse como agentic, y la diferencia importa más que cualquier feature list.

La presión se siente también en los vendors grandes. El 10 de septiembre de 2026, OpenAI presentó un Data agent dentro de ChatGPT Work que se conecta a Redshift, BigQuery, Databricks, Snowflake y otros, y toma contexto de capas semánticas como dbt para interpretar las métricas del negocio, según reportó Unite.AI. Entre los clientes alpha del programa aparecen NTT Data, Thermo Fisher y ServiceTitan. Es el mismo movimiento —llevar el agente a donde están los datos, no llevar los datos a la herramienta— que plantea dbt Labs, pero del lado del consumidor de IA en lugar del modelado.

El precio, eso sí, sigue siendo traicionero. Un análisis de TechTarget basado en entrevistas con consultoras como Kearney estima que las licencias de software representan solo el 20% al 30% del costo total de propiedad de un programa de analytics conversacional, y que el 70% al 80% restante —preparación de datos, integración, testing, mantenimiento— vive bajo la línea de flotación. Las implementaciones en producción típicamente aterrizan entre 3 y 5 veces el estimado inicial del vendor, y aproximadamente el 85% de las organizaciones subestima los costos de proyectos de IA, según el mismo informe. Para Power BI Copilot, por ejemplo, la capacidad mínima parte de un rango medio de 200 USD mensuales pero puede escalar hasta unos 5.500 USD mensuales para cumplir expectativas empresariales, antes de los cargos por consumo de tokens.

dbt Labs, por su parte, ya había sentado las bases en mayo de 2025 con dbt Fusion, su nuevo motor de transformación escrito en Rust que, según el comunicado oficial recogido por Yahoo Finance, ofrece parse times hasta 30 veces más rápidos que dbt Core y es usado por más de 60.000 equipos. En su conferencia anual Coalesce, la compañía anunció además una fusión con Fivetran y el lanzamiento de los DBT Agents, un set de capacidades agénticas integradas en la plataforma, según reportó TechTarget. En enero de 2025 también había adquirido SDF Labs, proveedora de herramientas de análisis de código SQL, según CRN.

Qué significa esto para tu startup

Si tu startup ya usa dbt o está pensando en adoptarlo, dbt Charts encaja casi sin fricción: agregas una carpeta charts/ a tu repo, defines un board en YAML y dejas que tu coding agent (Claude Code, Codex, Cursor o el que uses) lo genere y lo mantenga. Lo que cambia es que los dashboards dejan de ser artefactos separados en otra herramienta y pasan a ser código que viaja con tus modelos.

Tres movimientos concretos que puedes hacer esta semana:

Pruébalo en un side project. Instala el CLI con uv tool install dbt-charts y renderiza un board mínimo en tu laptop. La barrera de entrada es un archivo YAML, no una suscripción.
Pégalo al lado de tus modelos. Si ya tienes un proyecto de dbt, mueve un dashboard existente a un board en YAML dentro de charts/ y deja que el mismo CI valide tanto el modelo como el chart. Aprovechas el PR como punto único de control.
Audita un chart con el agente. Pásale a tu coding agent un board de dbt Charts y pídele que lea las advertencias del CLI (bandwidth, overflow) para iterar. Es el equivalente a tener un code review visual automatizado.

El movimiento más estratégico, sin embargo, es conceptual: en 2026 los charts los escriben agentes tanto como humanos, y mantenerlos en YAML auditable dentro del mismo repo es la forma más barata de evitar que tu equipo termine manteniendo dos data stacks en paralelo —uno para personas, otro para IAs—, que es justamente el problema que dbt Labs dice querer resolver.