A dbt Labs szerint az adatmérnökökből kontextusmérnökök válhatnak

A közvetlen adatkapcsolat gyorsan drágává vált

A dbt Labs 2026. augusztus 6-án közzétett bejegyzése szerint sok vállalat közvetlenül a szolgáltatók által biztosított MCP-khez, illetve a forrásadatokat kínáló rendszerekhez kapcsolja AI-eszközeit. A cég úgy látja, hogy ez jelentős tokenfelhasználással, szolgáltatói API-díjakkal és az adatok feletti kontroll csökkenésével járhat.

A dbt Labs kezdetben maga is vendor MCP-ket használt. Amikor a Claude megjelent a szervezetben, az értékesítési csapat a Gong, a Salesforce és más, üzleti információkat tartalmazó források elemzésére alkalmazta. Az ügyfelek lemorzsolódásának megelőzéséhez és a kiemelt értékű ügyfelek azonosításához a csapat közvetlen hozzáférést kapott a Gong adataihoz.

A vállalat szerint egyetlen hívás elemzése akár 50 000 tokent is felemészthetett, ami az AI tokenköltségében 0,25 dollárt jelentett egyetlen átirat elolvasására. A Gongból több mint 500 millió tokennyi átirat állt rendelkezésre, és a sok értékesítő által naponta indított Claude-munkamenetek miatt a kiadás nagy léptékben is növekedett.

A raktárban összefoglalt adatokkal csökkentették a terhelést

A dbt Labs ezért a nyers Gong-adatokat betöltötte az adattárházába, majd adatmodellezéssel összefoglalta az egyes hívásokat. A vállalat a folyamatot kontextusmérnökségnek nevezi. Ennek során kiszűrik a zajt, és kiemelik azokat az információkat, amelyek az AI-válaszokhoz szükségesek.

A bejegyzés szerint ezzel 20-szorosára zsugorították az adatmennyiséget. Egy 60 perces hívás feldolgozásánál a több tízezer tokenről néhány száz tokenre csökkent a felhasználás. A dbt Labs azt írja, hogy az adattárházi összefoglalók használata nagyjából 98 százalékkal mérsékelte a tokenköltséget, miközben a kontextus minősége változatlan maradt vagy javult.

A vállalat szerint a korábban üzleti intelligenciához modellezett Gong-adatok értéke az AI-ügynökök megjelenésével nőtt meg. A hívás-átiratokat tartalmazó tábla így az adattárház egyik legértékesebb eszközévé vált. Ahelyett, hogy minden kérdés újra és újra a nyers adatforrást hívná meg, az ügynökök egy előkészített, közös kontextusrétegből olvashatnak.

Az elemzési munka kiterjedhet a szöveges adatokra is

A dbt Labs értelmezésében az analitikai mérnöki munka és a kontextusmérnökség alapja ugyanaz. Az előbbi főként mennyiségi adatokat alakít át mutatókká és irányítópultokká, az utóbbi ezek mellett e-maileket, átiratokat, PDF-eket, ügyfélszolgálati jegyeket, csevegési naplókat és félig strukturált adatokat is felhasznál az AI-ügynökök támogatására.

A folyamat négy lépésből áll. Az adatcsapat tömöríti a nagy adathalmazt, a releváns információkat más adatokkal gazdagítja, leírja az adatok jelentését és alkalmazhatóságát, majd szabályozza, hogy az egyes ügynökök mihez férhetnek hozzá. A dbt Labs szerint így a csapat egyszer modellezi a kontextust, amelyből minden eszköz és ügynök használhat.

A vállalat ezt a megközelítést a meglévő adatstack jelentős átalakítása nélkül képzeli el. A Fivetran feladata a táblázatos adatok és a strukturálatlan fájlok adattárházba juttatása, míg a dbt a szűréshez, összekapcsoláshoz és összesítéshez szükséges átalakítások létrehozását és futtatását támogatja. A dbt szerint a Snowflake Cortex, a BigQuery és a Databricks SQL-alapú AI-funkciói is beépíthetők ezekbe a modellekbe.

A felhasználók így egyetlen kontextuscsatlakozón keresztül érhetik el a modellezett adatokat. A dbt Labs szerint ez egyszerűbb felhasználói élményt, kevesebb tokenigényt, valamint újrahasznosítható adatmintákat kínálhat a szervezet egészében.