SQL + Python: Nova lacuna de habilidades oculta
O mercado de trabalho para profissionais de dados passou por uma mudança estrutural. Por anos, a combinação de SQL e Python era suficiente para conseguir uma vaga. Empresas de médio porte, ao adotar uma abordagem baseada em dados, contratavam qualquer pessoa que soubesse escrever um comando GROUP BY e manipular um DataFrame do pandas. Esse cenário, no entanto, não é mais a realidade.
SQL e Python continuam sendo importantes e aparecem em todas as descrições de vagas, mas deixaram de ser diferenciais. Eles se tornaram pré-requisitos. A diferença agora está entre o que os candidatos preparam e o que as empresas realmente precisam.
Uma análise da Future Proof Data Science, de janeiro de 2026, com mais de 700 vagas para cientistas de dados, mostrou que Python e SQL ainda estão entre as três habilidades mais pedidas. No entanto, habilidades em aprendizado de máquina e inteligência artificial (IA) ocupam o segundo e o quarto lugar. Cerca de uma em cada três vagas relacionadas a IA exige conhecimento prático na área. A demanda é por profissionais que possam construir e implantar sistemas de IA.
Mudanças na engenharia de dados
A barreira técnica para a engenharia de dados também subiu. Habilidades como pipelines, orquestração, plataformas em nuvem e verificações de qualidade de dados, além de aprendizado de máquina em produção, que inclui monitoramento de modelos e detecção de desvios, são agora expectativas centrais, e não bônus. Vagas para cientistas de dados listam ferramentas como Snowflake, dbt, Airflow e a responsabilidade sobre pipelines de ETL como requisitos.
Quatro habilidades se destacam como os novos diferenciais no mercado. A primeira é a modelagem de dados, que é a capacidade de projetar como os dados devem ser estruturados e relacionados. Com ferramentas como Snowflake e BigQuery, os cientistas de dados agora precisam tomar decisões de modelagem que antes eram dos engenheiros de dados. Um esquema de dados errado pode impactar o trabalho de aprendizado de máquina.
A segunda habilidade é a otimização de desempenho. Isso envolve entender por que uma consulta funciona de determinada forma e como fazê-la rodar mais rápido ou com menor custo. Com o aumento do volume de dados, uma consulta ineficiente pode custar caro e não funcionar em produção. Os cientistas de dados agora precisam garantir que seu código esteja pronto para produção.
A terceira habilidade é a consciência de infraestrutura. O profissional precisa entender os sistemas onde os dados residem e por onde eles passam, incluindo plataformas em nuvem, pipelines e formatos de armazenamento. Como parte do trabalho de engenharia de dados foi transferida para o cientista de dados, depender de engenheiros para cada decisão de infraestrutura cria um gargalo.
A quarta habilidade está relacionada ao trabalho prático com IA. É preciso saber projetar sistemas de recuperação aumentada por geração (RAG), que conectam modelos de linguagem a fontes de dados reais, além de construir estruturas de avaliação e realizar experimentos. Com ferramentas como LangChain e LlamaIndex, construir um pipeline de RAG se tornou mais acessível. A questão agora é se é possível construí-lo bem, avaliá-lo e confiar nele em produção.
Essas quatro habilidades — modelagem de dados, otimização de desempenho, consciência de infraestrutura e habilidades práticas de IA — formam a lacuna entre o profissional e o mercado de trabalho atual.