Uma equipe com um especialista em ML que não toca em mais nada, um especialista em ingestão que não sabe modelar, um especialista em BI que não entende os pipelines. Soa familiar? É o resultado da hiperespecialização. E é uma armadilha.
Cada pessoa é um ponto único de falha. A mobilidade entre assuntos é impossível. A frustração aumenta. As dependências se multiplicam. Alguém pergunta "posso adicionar uma feature?" — o especialista em ML diz sim, o especialista em ML Ops diz que precisa mudar a infra, o especialista em Feature Store precisa de uma migração. Três semanas para uma feature. Francamente, é insustentável.
O perfil full-stack data: do que estamos falando?
Um perfil full-stack data compreende a cadeia completa de valor. Ele pode escrever uma query SQL para auditar dados brutos, um modelo dbt para uma transformação, Python para uma análise complexa, um modelo preditivo com scikit-learn, expor os resultados via uma API e monitorar tudo em produção.
Ele entende as arbitragens de custos — "essa agregação adicional em dbt custa quanto em créditos Snowflake?" — e sabe debugar em produção. Fala tão bem com um data engineer quanto com um especialista em ML ou um analista de negócios.
Não é um especialista absoluto em cada domínio. É alguém competente em tudo, e é a polivalência que cria o valor.
A abordagem T-shaped: profundidade + largura
O T-shaped é a maneira correta de pensar isso. A vertical do T: uma especialidade profunda. A horizontal do T: competências em todos os outros domínios.
Um analytics engineer especialista em dbt — profundo em modularidade, versionamento, testes — mas competente em SQL, Python, análise de negócios, bases de ML. Um data scientist expert em XGBoost e feature engineering — profundo em ML — mas competente em SQL, dbt, deploy, infraestrutura cloud.
A profundidade cria a expertise. A largura cria a agilidade. Sem a largura, um expert em dbt fica travado assim que a necessidade sai do seu perímetro. Sem a profundidade, um "full-stack" superficial é apenas um junior lento.
O impacto na produtividade
A equipe hiperespecializada diante de uma demanda simples: três pessoas precisam se coordenar, três agendas para alinhar, três handoffs com perda de informação. Resultado: três semanas.
A equipe T-shaped diante da mesma demanda: duas pessoas que entendem o assunto de ponta a ponta discutem, projetam juntas, implantam em três dias. A produtividade é multiplicada por três. As dependências diminuem: ninguém espera que alguém desbloqueie.
E os perfis T-shaped ficam mais satisfeitos. Aprendem continuamente, entendem a cadeia de ponta a ponta, veem o impacto do seu trabalho em produção. É um círculo virtuoso.
Recrutar o perfil certo
Como identificar um candidato T-shaped? Olhar o portfólio — ele mexeu com várias tecnologias? Fazer perguntas abertas — "Descreva um projeto completo de A a Z." Avaliar a curiosidade — "O que você aprendeu recentemente?"
Os candidatos T-shaped são geralmente generalistas que aprofundaram uma especialidade. Não especialistas que ampliam lentamente. A nuance é importante.
O onboarding também é diferente. Em vez de "aprender ML", é "entender toda a nossa stack". Pair programming com um data scientist, depois com um data engineer, depois um pequeno projeto end-to-end em autonomia. O tempo de ramp-up é mais curto. E a retenção é melhor — perfis T-shaped veem a diversidade do trabalho e se entediam menos.
A evolução de carreira ampliada
Em uma organização hiperespecializada, a única opção é "expert ML" ou "expert infra". O tédio chega rápido, a carreira é estreita. Com T-shaped, a progressão se diversifica.
Um analytics engineer junior pode explorar sua especialidade dbt, mas também aprender ML, infra ou product management. O caminho IC se amplia: Junior, Mid, Senior, Staff, Principal em dbt — mas também opções laterais. "Staff Data Scientist com expertise dbt", "Principal Engineer com background analytics". É mais satisfatório: criamos carreiras, não becos sem saída.
A cultura anti-silos
Os T-shaped criam uma cultura naturalmente colaborativa. Um data scientist que também sabe desenvolver em Python entende o que exige a manutenção desse código. Ele escreve código limpo, compreensível. Um analytics engineer que entende ML sabe que um cálculo de feature leva tempo e propõe otimizações.
Os silos desaparecem. A humildade aumenta — ninguém é um "expert intocável". O respeito cresce porque cada um aprecia a complexidade de cada domínio.
Na Bomzai, cada consultor é um empreendedor dos dados. T-shaped por convicção. É esse perfil que cocriamos com as equipes dos nossos clientes: polivalente, operacional, capaz de colocar casos de uso em produção de ponta a ponta. Porque os resultados mensuráveis vêm das pessoas que entendem o sistema inteiro, não daquelas que só veem um pedaço.
