dltHub gewinnt 2026 Snowflake Product Partner of the Year

Am 3. Juni 2026 um 18:15 Uhr MEZ nahm dltHub auf dem Snowflake Summit 2026 den Award „2026 Snowflake Startup Program Product Partner of the Year" entgegen. Die Schlagzeile ist der Award. Die eigentlich bemerkenswerte Zahl findet sich erst zwei Absätze tiefer in der Pressemitteilung: Im Januar 2026 wurden 91 % der 81.000 neuen dlt-Pipelines, die in diesem Monat ausgeliefert wurden, von KI-Agenten erstellt – im Vorjahr waren es 5 % bei einem monatlichen Volumen von ca. 2.400. Das entspricht einem 34-fachen Volumenanstieg und einer nahezu vollständigen Umkehrung der Frage, wer – oder was – den Integrationscode schreibt.

Was passiert ist

Das in Berlin ansässige Unternehmen hinter der Open-Source-Python-Bibliothek dlt, das von Bessemer Venture Partners unterstützt wird, wurde auf der jährlichen Nutzerkonferenz des Anbieters als Snowflakes Product Partner of the Year ausgezeichnet, wie TradingView in der EQS-Meldung berichtete. Der Award krönt ein Jahr strategischer Weichenstellungen: dltHub erwarb Snowflake Industry Competencies in den Bereichen Financial Services, Technology, Manufacturing & Industrial sowie Healthcare & Life Sciences und ist nun Snowflake Premier AI Data Cloud Products Partner.

Die in der Ankündigung genannten Kundenreferenzen sind konkret. Stellantis betreibt 60.000 Snowflake-Pipelines pro Monat auf einer dlt-basierten Plattform. Sparebank1 nutzt dlt als Standard-Ingestion-Layer für eine Allianz unabhängiger Banken. Flatiron Health meldete im Gesundheitswesen eine Kostenreduzierung von 50 % bei Pipeline-Kosten nach der Migration zu dlt plus Snowflake. Mehr als 1.000 Organisationen betreiben dlt mit Snowflake in der Produktion; insgesamt nutzen mehr als 10.000 Unternehmen dlt im breiteren Ökosystem – das bedeutet, dass rund 10 % des Community-Footprints auf Snowflake entfallen.

Auf der Produktseite der Ankündigung: eine Snowflake Native App, die Daten von MSSQL, Oracle, MySQL und PostgreSQL repliziert, wobei die gesamte Pipeline im Snowflake-Account des Kunden läuft und kein externer Orchestrator benötigt wird. Amy Kodl, SVP Worldwide Alliances & Channels bei Snowflake, beschrieb dies als die Möglichkeit, operative Datenbanken zu replizieren, „ohne dass Daten jemals ihren Account verlassen." Was die Quelle nicht offenbart, sind Preis, Compute-Verbrauchsprofil oder die Handhabung von Change Data Capture für schreibintensive Oracle-Workloads – alles Aspekte, die für die Käufer aus Financial Services und Healthcare relevant sind, für die dltHub nun kompetenz-zertifiziert ist.

Technische Architektur

Die interessante technische Aussage ist die Agent-Authorship-Zahl, die einer genaueren Betrachtung wert ist. Laut dltHub Community-Telemetrie aus Januar 2026 wurden 91 % von 81.000 neuen monatlichen Pipelines von KI-Agenten erstellt, die in Claude Code, Cursor oder Codex gegen die dltHub Pro-Toolchain arbeiteten. Ein Jahr zuvor lag dieser Wert bei 5 % von rund 2.400 Pipelines. Übersetzt: Vom Menschen erstellte Pipelines stiegen von etwa 2.280 pro Monat auf rund 7.290 – ein 3,2-facher Anstieg. Von Agenten erstellte Pipelines stiegen von etwa 120 auf rund 73.710 – ein 614-facher Anstieg. Die menschliche Kurve ist gesund. Die Agenten-Kurve ist die eigentliche Geschichte.

Architektonisch gesehen sitzt dltHub Pro zwischen einem KI-Coding-Agenten und Snowflake. Der Agent findet eine Quelle, dlt erstellt das Pipeline-Gerüst, der Entwickler validiert lokal, und ein einziger Befehl deployt in die Produktion. Sobald die Daten in Snowflake landen, übernimmt CoCo, Snowflakes KI-Coding-Assistent, das Schreiben von SQL, das Erstellen von Streamlit-Apps und die Konfiguration von Cortex Analyst Semantic Views. Die Übergabe ist das Design: Agenten auf der Ingestion-Seite, Agenten auf der Consumption-Seite, Menschen prüfen an der Grenze. Das ist dem, was dbt für die Transformation getan hat, näher als einem klassischen ETL-GUI.

Das Native App-Muster ist der andere Aspekt, der Beachtung verdient. Indem MSSQL-, Oracle-, MySQL- und Postgres-Replikation als Snowflake Native App verpackt wird, die im Kundenkonto läuft, umgeht dltHub das Fivetran-typische Egress- und Vertrauensmodell. Es gibt keinen externen Orchestrator zu härten, keinen SaaS-Tenant, der Produktions-Credentials hält. Für regulierte Käufer ist das eine Abkürzung bei der Beschaffung. Was wir noch nicht wissen – und was entscheidend ist – sind die Fehler-Semantiken: wie die Native App mit Back-Pressure, Schema-Drift bei einer 1.200-Tabellen-Oracle-Quelle und partiellem Replay umgeht. Die Grenze ist das, was Snowflakes Task- und Stream-Primitive garantieren können – das ist nicht trivial, aber auch nicht unbegrenzt.

Wenn diese Architektur Bestand hat, würde ich erwarten, dass die Snowflake Marketplace Native App-Kategorie in den nächsten vier Quartalen bei Produktions-Replikations-Workloads mindestens ein 3-faches Wachstum verzeichnet, während traditionelle Managed-ELT-Anbieter in regulierten Vertikalen sichtbar Logo-Ankündigungen verlieren.

Wer unter Druck gerät

Die offensichtliche Bedrohung betrifft die Managed-ELT-Kategorie. Die im Release zitierte Tasman Analytics-Fallstudie ist genau der Datenpunkt, der ein Fivetran-Verlängerungsgespräch torpediert: 20 Minuten von der API-Dokumentation bis zur laufenden Pipeline, gegenüber zuvor etwa zwei Wochen. Ein erfahrener Ingenieur bei dem rund 20-köpfigen Beratungsunternehmen aus Amsterdam und London liefert jetzt an einem Nachmittag einen produktionsreifen REST API-Connector – eine Arbeit, die zuvor einen Senior-Ingenieur eine Woche kostete. Wenn sich dieses Verhältnis verallgemeinern lässt, beginnt die Pro-Connector-Preislogik von GUI-first-Anbietern im Vergleich zu den Grenzkosten eines agent-erstellten Äquivalents falsch bewertet auszusehen.

Zweite Bedrohung: der Legacy-ERP-Integrationsberatungsmarkt. Martin Seifert, Datenlead bei Pro Juventute, richtete Claude Code mit dltHub Pro auf ein 1.231-Tabellen-Legacy-ERP ohne Dokumentation und beschrieb die Arbeit als „einige Minuten zum Schreiben und einige Stunden zum Ausführen." Im Vergleich dazu steht das Standard-SI-Engagement für ein undokumentiertes ERP, das typischerweise in Monaten und Headcount gemessen wird. Die Quelle gibt keine Datenqualitätsergebnisse preis und auch nicht, wie viele der 1.231 Tabellen tatsächlich referenzielle Integrität aufweisen – was wichtig ist, da „laufende Pipelines" nicht dasselbe ist wie „korrekte Pipelines."

Dritte Bedrohung – und diejenige, die Analytics-Verantwortliche zuerst bedenken sollten: das interne Datenplattform-Team, das vor zwei Jahren maßgeschneidertes Airflow plus benutzerdefiniertes Python-Ingestion aufgebaut hat. Die Wartungskosten dieses Stacks wurden gerade gegen eine code-first, Python-native Alternative benchmarkt, bei der 91 % der neuen Pipelines von Agenten erstellt werden. Headcount-Begründungen aus 2024 werden eine Budget-Überprüfung 2026 nicht unverändert überstehen.

Die Verlierer der nächsten 90 Tage, in der Reihenfolge: GUI-first-ELT-Anbieter, die in Snowflake-Accounts verkaufen, mittelständische Datenintegrations-SIs ohne Agenten-Praxis, und jedes interne Plattform-Team, dessen Roadmap Pipeline-Erstellung noch als Senior-Ingenieur-Aufgabe beschreibt.

Playbook für Daten-Teams

Drei konkrete Maßnahmen für diese Woche. Erstens: Messen Sie die aktuellen Kosten für die Pipeline-Erstellung. Ziehen Sie die neuen Connectoren oder Quellen aus dem letzten Quartal, dividieren Sie durch verbrauchte Ingenieur-Wochen, und Sie haben eine Baseline pro Pipeline. Ohne diese Zahl können Sie keine agent-erstellte Alternative ehrlich bewerten. Das Tasman-Verhältnis (Nachmittag gegenüber einer Woche) entspricht etwa dem 10-fachen. Ihre Zahl könnte 3-fach oder 30-fach sein, aber es muss Ihre Zahl sein.

Zweitens: Wenn Sie bereits Snowflake nutzen, evaluieren Sie die dltHub Native App gegenüber Ihrem aktuellen Replikationspfad für mindestens eine operative Datenbank. Die zu beantwortende architektonische Frage lautet nicht „ist es günstiger", sondern „ändert das Halten der Replikation im Account meine Compliance-Position genug, um einen SOC 2-Sub-Prozessor abzulösen." In regulierten Branchen ist diese Ablösung oft mehr wert als die reine Kostenposition.

Drittens: Führen Sie ein kontrolliertes Pilotprojekt mit einer der unterstützten Agenten-Toolchains durch – Claude Code, Cursor oder Codex – gegen eine einzelne unkritische Quelle. Messen Sie zwei Dinge: Zeit von der Spezifikation bis zum gemergte PR, und die im Staging gefundene Defektrate. Die zweite Kennzahl ist diejenige, die die meisten Teams überspringen – und sie ist diejenige, die bestimmt, ob agent-erstellte Pipelines ein echter Produktivitätsmultiplikator oder eine aufgeschobene Wartungsrechnung sind.

Die überprüfbare Prognose: Teams, die in diesem Quartal einen Agenten-plus-dlt-Workflow einführen, sollten die Zeit für die Connector-Erstellung innerhalb von 60 Tagen um mindestens das 5-fache senken. Liegt die Zahl unter dem 3-fachen, liegt der Engpass bei Review und Validierung, nicht bei der Erstellung – und Ihre Investitionen sollten sich entsprechend verschieben.

Die wichtigsten Erkenntnisse

• dltHub gewann am 3. Juni 2026 Snowflakes 2026 Product Partner of the Year Award; mehr als 1.000 Organisationen betreiben dlt mit Snowflake in der Produktion von insgesamt über 10.000 dlt-Nutzern.
• Die entscheidende Zahl: 91 % von 81.000 neuen monatlichen dlt-Pipelines im Januar 2026 wurden von Agenten erstellt, gegenüber 5 % von 2.400 ein Jahr zuvor – ein 34-facher Anstieg des Gesamtvolumens und ein 614-facher Anstieg bei agent-erstellten Pipelines.
• Die Snowflake Native App für MSSQL-, Oracle-, MySQL- und Postgres-Replikation läuft vollständig im Snowflake-Account des Kunden und beseitigt die externe Orchestrator-Abhängigkeit, die die aktuellen Managed-ELT-Wirtschaftlichkeiten definiert.
• Kundenreferenzen umfassen Stellantis mit 60.000 monatlichen Pipelines, Sparebank1 als Standard-Ingestion-Layer für eine Bankenallianz und Flatiron Health mit einer gemeldeten Pipeline-Kostenreduktion von 50 %.
• Noch unbekannt: Datenqualität und Defektraten pro Pipeline für agent-erstellte Arbeit, die die Quelle nicht offenbart und die bestimmen, ob die 10-fache Beschleunigung bei der Erstellung real ist oder zu nachgelagerten Review-Kosten verlagert wird.