dbt Charts explicado: paneles como código, junto a tus modelos de dbt

Los analytics engineers ya mantienen sus modelos, pruebas y documentación como código en dbt. El panel solía ser la excepción: vive en una herramienta de BI, montado a base de clics, sin historial ni revisión. dbt Charts, anunciado en beta pública en dbt Summit 2026 en Las Vegas en septiembre, cierra ese hueco. Un panel se convierte en un archivo YAML dentro de tu proyecto de dbt, generado por una pequeña herramienta de línea de comandos y comprobado contra tu almacén de datos antes de que nadie vea un gráfico roto.

¿Por qué paneles como código?

Así es un panel

Un panel tiene un título, una fuente de datos, consultas SQL con nombre, gráficos que apuntan a esas consultas y un diseño. Este es un ejemplo simplificado basado en la estructura documentada:

# charts/revenue.yml
title: Revenue overview
source: db
queries:
  by_month: |
    select date_trunc('month', order_date) as month,
           sum(revenue) as revenue
    from {{ ref('fct_orders') }}
    group by 1
    order by 1
  by_channel: |
    select channel, sum(revenue) as revenue
    from {{ ref('fct_orders') }}
    group by 1
    order by 2 desc
charts:
  revenue_trend:
    query: queries.by_month
    type: line
    x: month
    y: revenue
  revenue_by_channel:
    query: queries.by_channel
    type: bar
    x: channel
    y: revenue
rows: [revenue_trend, revenue_by_channel]

Destacan dos decisiones de diseño. Primero, los gráficos nunca agregan ni reordenan filas: el SQL decide la granularidad y el orden, así que ves exactamente lo que devuelve la consulta. Segundo, las llamadas ref() se comprueban contra las columnas de tus modelos de dbt al ejecutar dbt parse, de modo que una columna renombrada rompe el build, no la reunión.

Las piezas

La validación: el verdadero motivo para interesarse

La herramienta de línea de comandos se llama dct y lee tus archivos dbt_project.yml y profiles.yml existentes, así que no hay que configurar ninguna conexión nueva.

dct validate              # comprueba la estructura de cada panel
dct validate --warehouse  # ejecuta cada consulta en el almacén
dct impact                # lista los paneles que leen una columna
dct render                # genera los paneles, con avisos visuales

dct impact es el que encantará a los equipos de datos: antes de borrar o renombrar una columna, ves todos los paneles que dependen de ella. Pon dct validate --warehouse en la CI junto a dbt build y los paneles rotos dejarán de llegar a las partes interesadas.

Pensado para agentes de IA

Como un panel es texto plano con un vocabulario reducido, los agentes de IA pueden leerlo y escribirlo de forma mucho más fiable que hacer clic en una herramienta de BI. Es una parte central de la propuesta de dbt Labs. El entorno de pruebas en línea play.dbtcharts.com incluye un asistente que edita el YAML por ti.

Límites actuales

• Aún sin conexión con la Semantic Layer: las consultas son SQL normal, así que una métrica definida en la dbt Semantic Layer puede calcularse de otra forma en un panel. Mantén la lógica en tus modelos y el SQL de los paneles ligero.
• Archivos largos: los paneles grandes se convierten en archivos YAML largos y difíciles de recorrer. Divídelos en varios paneles.
• Beta pública: no se han anunciado precios, planes ni fecha de disponibilidad general. dbt Labs organiza sesiones virtuales el 28 y el 29 de octubre.

¿Merece la pena probarlo?

¿Empiezas con dbt? Arranca con tu primer proyecto de dbt y después lee qué cambia con dbt v2 y qué supone la fusión de Fivetran y dbt Labs.

Fuentes: la documentación del lenguaje de dbt Charts (dbtcharts.com), «dbt Charts: first look» de The Information Lab (21 de septiembre de 2026) y el blog de dbt Labs. dbt Charts está en beta pública, así que la sintaxis y las funciones pueden cambiar.

Alessandro Ecclesie AgazziEscrito por Alessandro Ecclesie Agazzi, analytics engineer en Londres. Actualizado el 17 de octubre de 2026. Sobre mí