Airflow vs dbt em 2026: qual pipeline você realmente precisa "Preciso de Airflow ou dbt?" Essa pergunta vejo 10 vezes por semana em comunidades de dados. A resposta que a maioria dá está errada. Porque não é uma pergunta sobre qual ferramenta é melhor — é uma pergunta sobre qual problema você está resolvendo. Vou te mostrar exatamente quando usar cada uma, com exemplos do mundo real que vão deixar isso cristalino. O Problema Que Cada Uma Resolve Antes de falar de tecnologia, vamos entender o problema. Airflow foi criado para orquestração genérica. Você tem: Um script Python rodando em máquina A Uma query SQL rodando em máquina B Uma chamada de API em máquina C Tudo isso precisa rodar em uma ordem específica, com retry automático e alertas Airflow é o maestro. Ele diz: "A roda primeiro, depois B, depois C". dbt foi criado para um problema bem específico: transformação SQL escalável. Você tem: Dados brutos em um banco (Snowflake, BigQuery, Redshift, Postgres) Precisa de transformações SQL para deixar os dados prontos para análise Quer documentação automática, testes de qualidade e lineage de dados dbt é o especialista em SQL. Ele diz: "Transforme esses dados com SQL, de forma versionada, testada e documentada". A diferença é crucial. Uma é genérica. A outra é especializada. Quando Usar Airflow (A Resposta Honesta) Use Airflow quando seu pipeline é complexo e heterogêneo. Exemplo real 1: Startup de análise de dados Você precisa: 1. Puxar dados de 3 APIs diferentes (Shopify, Stripe, Google Analytics) 2. Armazenar em um S3 3. Processar com Spark 4. Carregar em BigQuery 5. Gerar relatório em PDF e enviar por e-mail Cada etapa é diferente. Airflow resolve isso em 1 lugar. Você define as dependências, os retries, os alertas. Tudo rodando às 6 da manhã automaticamente. Exemplo real 2: Enterprise com múltiplas equipes Você tem: Equipe A: integração de dados no S3 Equipe B: transformação em Spark Equipe C: orquestração no Airflow Cada equipe trabalha no seu domínio. Airflow é o glue que junta tudo. Mas aqui está o ponto importante: Se 90% do seu pipeline é SQL puro, Airflow é overkill. Você está pagando por capacidade que não está usando. Quando Usar dbt (Quando Menos é Mais) Use dbt quando seu problema é transformação SQL e nada mais. Exemplo real 1: Startup de e-commerce Você tem dados em PostgreSQL: Tabelas brutes de vendas, clientes, produtos Precisa de modelos prontos para BI (fatos, dimensões) Quer testes automáticos para garantir qualidade Você não precisa de orquestração genérica. Você precisa de transformação SQL bem feita. Com dbt: Pronto. dbt roda essa query, testa os resultados, documenta tudo e cria lineage automático. Exemplo real 2: Empresa com Data Warehouse já maduro Você tem BigQuery rodando bem. Precisa de transformações SQL mais complexas, mas não precisa de orquestração além disso. dbt + cron (ou Cloud Scheduler) resolve. Você não precisa de Airflow. O Erro Que Startups Cometem Aqui está onde as coisas ficam interessantes (e onde muita gente erra). Uma startup com 3 pessoas e 100GB de dados em PostgreSQL vê Airflow e pensa: "Legal, preciso disso". Instala. Aprende Airflow por 2 semanas. Monta um DAG simples. Acha lindo. 6 meses depois: o DAG tem bugs, ninguém consegue debugar, eles estão gastando 30% do tempo com manutenção de Airflow em vez de análises reais. Nesse caso, a resposta certa era: dbt + cron. Você teria tido: Transformações SQL versionadas Documentação automática Testes de qualidade Lineage de dados Sem nenhuma complexidade extra Tempo poupado: 40 horas/mês em manutenção de infraestrutura. Big Tech? Tudo Junto. Quando você chega em Big Tech com 100+ engenheiros, a história muda. Google, Amazon, Uber: eles usam Airflow + dbt + Spark + Kafka + tudo junto. Mas eles têm: Equipe dedicada de infraestrutura Problemas em escala que justificam a complexidade Budget pra manter tudo isso rodando A lição: tamanho importa. A Regra Simples Para Decidir Responda essas 3 perguntas: 1. Meu pipeline é só SQL ou tem múltiplas tecnologias? Só SQL → dbt Múltiplas → Airflow 2. Tenho alguém dedicado para manter infraestrutura? Sim → Airflow pode fazer sentido Não → dbt + cron 3. Qual é o tamanho dos meus dados? Menos de 100GB → dbt + cron funciona 100GB a 1TB → dbt provavelmente suficiente 1TB+ → Airflow começa a fazer sentido Se você respondeu "dbt" e "não" e "menos de 100GB", a resposta é dbt + cron. Se você respondeu "Airflow", "sim" e "1TB+", a resposta é Airflow. O Futuro (e Por Que Isso Importa) Em 2026, a tendência é clara: especificação vence generalização. Porque: dbt ficou muito bom no que faz Cloud Scheduler (Google), EventBridge (AWS), nativo do Airflow (Airflow) ficaram muito bom em agendamento Você não precisa de uma ferramenta gigante para um problema pequeno O futuro não é "qual é a ferramenta certa?". É "qual é a ferramenta certa pro meu tamanho?". A maioria das empresas médias em 2026 usa: dbt + orquestrador nativo (não Airflow). Airfl