dbt Labs testet Context Engineering: dbt MCP senkt Kosten für KI-Skills um 48,5 Prozent

Das Problem: gemeinsame Limits und steigende Token-Kosten

In einem Blogbeitrag vom 26. Oktober 2026 beschreibt dbt Labs eine interne Bibliothek von KI-Skills. Das sind gebündelte Anweisungen, die einem Agenten sagen, wie er eine Aufgabe erledigt, etwa ein Recap-PDF aus den Verkaufsgesprächen eines Kunden zu erstellen. Teams bei Fivetran und dbt Labs nutzen sie täglich. Fast alle dieser Skills holen ihren Kontext direkt aus Anbieter-Tools wie Gong, was laut dem Unternehmen zu wachsenden API-Beschränkungen und höheren Token-Ausgaben führte.

Der Beitrag nennt drei Nebeneffekte:

• Gemeinsame API-Obergrenzen. Die Konnektoren der Anbieter erzwingen organisationsweite Ratenlimits, sodass die intensive Nutzung eines Teams das Kontingent aller anderen schmälert.
• Begrenzte Parameter der MCP-Tools. Der MCP eines Anbieters bietet nur die Filter an, die der Anbieter selbst gebaut hat. Gongs MCP hat zum Beispiel keinen Parameter, um Gespräche anhand des Kundennamens zu finden. Agenten gleichen deshalb Daten mit anderen Systemen ab oder lesen alle Gespräche eines Datums in großen Mengen aus.
• Doppelte Abruflogik. Jeder Skill-Autor legt für dieselben Arten von Kontext selbst fest, wie dieser gefunden und abgerufen wird. Einen gemeinsamen Standard gibt es nicht.

Ein einzelnes Gong-Gesprächsprotokoll kann laut dbt Labs mehr als 70.000 Zeichen umfassen, und jeder Skill, der es abrief, las es jedes Mal vollständig.

Die Idee: Kontext einmal im Warehouse aufbereiten

dbt Labs fragt, was passiert, wenn die Aufbereitung einmal vorgelagert im Warehouse erfolgt und jeder Skill anschließend die kuratierte Version über den eigenen MCP von dbt abruft. Das Unternehmen sieht darin dasselbe Muster "einmal bauen, überall wiederverwenden", das dbt bei der Datentransformation etabliert hat.

Zwei Entwicklungen machen das nach Angaben des Unternehmens praktikabel. Warehouses liefern inzwischen KI-Funktionen aus, die innerhalb von SQL laufen, und der dbt-MCP-Server erlaubt es Agenten, Transkripte, Dokumente sowie Ticket- und E-Mail-Texte abzufragen, die neben den Metriken der Semantic Layer liegen. Frühere Beiträge der Reihe berichteten, dass die Komprimierung von Gong-Transkripten auf diesem Weg das Datenvolumen um das 20-Fache verringerte und den Token-Verbrauch bei der Transkriptanalyse von zehntausenden Tokens auf wenige hundert senkte.

Dieser Beitrag prüft die Idee strenger. Das Experiment nutzte einen einzigen Skill namens sales-pdf-builder, der Gesprächsprotokolle über Gongs MCP abruft und daraus ein gebrandetes Recap-PDF erzeugt. In jeder Variante kamen derselbe Skill und derselbe Prompt zum Einsatz, sodass sich allein der Schritt der Kontextbeschaffung unterschied. Insgesamt gab es 4 Wege der Kontextbeschaffung, 80 Durchläufe und 3 Messgrößen: Kosten, Geschwindigkeit und Ausgabequalität, jeweils auf echten Kundendaten.

Drei Hypothesen und vier Wege

Die Kontrollvariante nutzte Gongs MCP, um Transkripte zu finden und zu lesen. Der Skill wurde gestrafft, damit die kreative Freiheit des LLM die Ergebnisse nicht verfälscht. Danach stellte das Team drei Hypothesen auf, die jeweils nur eine Sache ändern:

• Hypothese 1: Der Austausch von Gongs MCP gegen dbt MCP bei vollständigen Transkripten sollte Kosten, Qualität und Geschwindigkeit in etwa unverändert lassen.
• Hypothese 2: Der Abruf eines Gong-Briefs, also von Gongs eigener KI-Zusammenfassung, die ins Warehouse übernommen wird, sollte Kosten und Laufzeit deutlich senken, aber die Qualität mindern, da das Unternehmen nicht steuern kann, was die Zusammenfassung des Anbieters behält.
• Hypothese 3: Der Abruf von Zusammenfassungen, die ein Warehouse-Modell nach den eigenen Regeln des Unternehmens aus den vollständigen Transkripten erstellt hat, sollte Kosten, Geschwindigkeit und Qualität ausbalancieren.

Variante A richtet den Agenten über dbt MCP auf die Spalte mit den vollständigen Transkripten im Warehouse. Der hier vorliegende Quelltext endet mitten in der Beschreibung der Varianten, weshalb Details zu den übrigen Wegen und die vollständige Ergebnistabelle nicht abgedeckt sind.

Was das Kernergebnis bedeutet

Laut dbt Labs besteht das Kernergebnis darin, dass eine aufbereitete Zusammenfassung über dbt MCP die Kosten um 48,5 Prozent und die Laufzeit um 43,2 Prozent senkte, während die meisten Daten, Zahlen und nächsten Schritte aus dem vollständigen Transkript erhalten blieben. Entscheidungen und Jobtitel fehlten, und das Unternehmen kündigt an, im vollständigen Beitrag zu zeigen, wo.

Für Teams, die Agenten-Skills gegen Anbieter-Konnektoren betreiben, deutet das Experiment auf einen Zielkonflikt hin: Die vorgelagerte Aufbereitung des Kontexts kann die Ausgaben senken und den Druck auf gemeinsame API-Limits mindern, doch die Definitionen der Zusammenfassung bestimmen, was verloren geht. Weil das Unternehmen diese Definitionen im Warehouse selbst kontrolliert, kann es sie an den eigenen Geschäftsbedarf anpassen. Die Zahlen stammen aus einem Skill auf den Daten eines einzelnen Unternehmens und sind Angaben von dbt Labs selbst.