Engineer H/F

L'AI Engineer construit, orchestre et déploie l'intelligence artificielle en production : briques d'IA générative (Anthropic, OpenAI, Mistral, Google Gemini, etc.), modèles de machine learning, agents multi-étapes intégrés aux systèmes du client. C'est la colonne technique du dispositif Keyrus AI, garant que ce qui est déployé fonctionne, tient à l'échelle et reste maîtrisé en coût : chaque brique construite porte sa propre responsabilité FinOps, du prototype à la production. Il construit avec le qui en définit l'architecture et le qui prépare la donnée, confie l'intégration applicative au, et travaille main dans la main avec le au contact du client et le sur la valeur visée ; le encadre la gouvernance de ce qu'il déploie et le en assure l'exploitation dans la durée.
- Vous concevez et déployez des systèmes d'IA agentique de bout en bout : du modèle de langage (Anthropic, OpenAI, Mistral, Google Gemini, etc.) capable de raisonner à l'agent autonome capable d'agir, en environnement de production réel, pas en prototype isolé.
- Vous architecturez des agents multi-étapes qui orchestrent outils, mémoire et prise de décision : vous ne branchez pas un modèle sur une API, vous structurez la manière dont l'IA agit dans le système d'information du client.
- Vous intégrez ce que vous construisez au sein des architectures du système client, en vous appuyant sur les connecteurs, API et protocoles disponibles (CRM, ERP, MCP, webhooks).
- Vous maîtrisez le coût des modèles (Anthropic, OpenAI, Mistral, Google Gemini, etc.), des tokens et de l'inférence (FinOps IA), pour que la valeur créée tienne à l'échelle, pas seulement en démonstration.
- Vous documentez chaque agent que vous construisez (périmètre, capacités, limites, KPIs), pour qu'il reste exploitable au-delà de votre présence sur la mission.
- Vous itérez à partir des retours d'usage réels (pilotes, métriques), plutôt que de considérer un agent comme terminé dès son premier déploiement.
- Vous accompagnez la montée en compétences des équipes internes sur ces sujets, en posture de champion du changement.
- Une expérience de construction de briques d'IA générative (Anthropic, OpenAI, Mistral, Google Gemini, etc.) ou agentique en production, pas seulement en prototype ou en atelier, quel que soit votre point de départ : ESN, éditeur, startup, ou client final.
- Une pratique de l'intégration système (API, CRM, ERP, webhooks, connecteurs) dans des environnements de production réels.
- Une trajectoire technique orientée vers l'autonomie croissante sur le déploiement de solutions IA, avec l'ambition d'évoluer aux côtés du et du.
- Une rigueur d'ingénierie qui dépasse la validation en démonstration : vous pensez production, coût et maintenabilité dès la conception.
- Une curiosité pour le résultat métier produit par ce que vous construisez, pas seulement pour la technique elle-même.
- Une capacité à produire, documenter et transmettre ce que vous construisez, pour qu'un agent survive à votre départ de la mission.
- Une posture d'enablement : vous aimez faire monter les autres en compétence, pas seulement livrer seul.
- Maîtrise d'un langage de prédilection pour l'IA : Python en priorité, Java ou Node.js/TypeScript en alternative selon l'écosystème du client.
- Conception d'architectures d'agents multi-étapes (prompts, tools, mémoire, guardrails).
- Utilisation de frameworks d'orchestration d'agents (LangChain, LangGraph, LlamaIndex, CrewAI).
- Mise en oeuvre de RAG et d'évaluation de LLM (Anthropic, OpenAI, Mistral, Google Gemini, etc.).
- Utilisation de bases de données vectorielles (Pinecone, Milvus, Chroma, pgvector).
- Maîtrise pratique des APIs et SDKs des principaux fournisseurs de modèles (Anthropic, OpenAI, Mistral, Google Gemini, etc.), avec function calling / tool use.
- Mise en place de frameworks d'évaluation et de test de sorties LLM (Anthropic, OpenAI, Mistral, Google Gemini, etc.) : evals, guardrails.
- Intégration système au sein d'architectures client (CRM, ERP, MCP, webhooks, connecteurs).
- Utilisation d'outils d'orchestration low-code/no-code (n8n, Make, Dust).
- Maîtrise des fondamentaux Data Engineering : SQL, modélisation, plateformes data (Snowflake, BigQuery, Databricks).
- Maîtrise des leviers FinOps IA : cache sémantique, model tiering, prompt optimization.
- Rédaction éprouvée de documentation technique (agents, pipelines, architectures d'intégration) destinée à d'autres équipes.
- Anglais professionnel courant, à l'écrit comme à l'oral, indispensable quel que soit le niveau d'expérience. La collaboration entre expertises, métiers et géographies nous permet de comb