Senior Product Engineer IA - Full-stack & GenAI (F/H/X) Ekinox

Le rôle en une phrase

Réduire le temps entre une hypothèse métier et un apprentissage fiable, en construisant des produits numériques à forte valeur et techniquement fiables et évolutifs.

Pourquoi ce rôle

Nous créons un rôle de Senior Product Engineer IA, à la croisée de l’ingénierie logicielle, du produit et de l’IA appliquée.

Vous êtes avant tout un·e ingénieur·e logiciel senior. Vous êtes également capable de parler directement aux utilisateurs, de contribuer au cadrage d’un problème, de construire une solution de bout en bout et d’en mesurer les résultats. Vous intervenez avant la spécification détaillée et restez directement impliqué·e dans la conception, le développement, le déploiement et l’amélioration du produit.

Le développement, la mise en production et la responsabilité du code occupent la majorité de votre activité. Votre culture produit vous permet de prendre de meilleures décisions d’ingénierie, pas de remplacer à vous seul·e toutes les expertises Produit, UX, Data, ML, Cloud ou Sécurité.

Votre mission

Partir d’un problème métier parfois ambigu et le transformer en une expérience testable, puis en un produit utile lorsque les résultats le justifient.

Vous utiliserez l’IA à deux niveaux :

• comme composant des produits que nous réalisons, lorsqu’elle apporte une valeur démontrable ;

• comme accélérateur du cycle de conception, de développement, de test et de validation.

Vous saurez aussi réduire le périmètre, supprimer une fonctionnalité ou recommander une approche sans IA lorsque celle-ci est plus simple, plus fiable ou plus pertinente.

Vos responsabilités

1. Comprendre et cadrer les problèmes

Vous intervenez directement auprès des utilisateurs, des experts métier et des sponsors clients afin de :

• comprendre leurs activités, leurs irritants, leurs processus et leurs contraintes ;

• distinguer les besoins exprimés des problèmes réellement rencontrés ;

• identifier les hypothèses de valeur, d’usage, de faisabilité et de viabilité à tester ;

• définir les critères de succès et les métriques nécessaires à la prise de décision ;

• prioriser les expérimentations selon leur valeur potentielle, leur niveau d’incertitude, leur coût et leurs risques ;

• déterminer le plus petit produit ou prototype permettant d’obtenir un apprentissage crédible.

Selon le contexte, vous pourrez mobiliser des interviews utilisateurs, Jobs to Be Done, Opportunity Solution Tree, Lean Canvas, story mapping, experiment backlog ou des frameworks de priorisation. Ces outils restent des moyens : nous attendons avant tout votre capacité à raisonner et à choisir le niveau de formalisme adapté.

2. Concevoir, développer et mettre en production

Vous prenez en charge la construction des solutions de bout en bout :

• concevoir les parcours et les principales interactions, avec l’appui des équipes UX lorsque nécessaire ;

• choisir l’approche la plus simple adaptée au problème : workflow déterministe, Data, Machine Learning, IA générative ou combinaison de plusieurs approches ;

• développer les interfaces, API, modèles de données et intégrations nécessaires ;

• produire un code lisible, testé et maintenable, y compris lorsqu’il a été généré ou modifié avec un assistant de développement ;

• déployer rapidement une première version auprès de vrais utilisateurs ;

• instrumenter le produit afin d’observer les usages, les erreurs et les résultats ;

• faire évoluer le niveau de robustesse en fonction de la maturité réelle du produit.

3. Intégrer et évaluer l’IA

Lorsque le cas d’usage le justifie, vous concevez et intégrez des capacités d’IA appliquée :

• modèles de langage et APIs de modèles ;

• sorties structurées, recherche sémantique et systèmes RAG ;

• appels d’outils, workflows agentiques et capacités multimodales ;

• mécanismes de mémoire, de validation humaine et de reprise ;

• jeux de cas représentatifs et jeux de référence ;

• évaluations automatiques et humaines adaptées au cas d’usage ;

• suivi de la qualité, du coût, de la latence et des comportements indésirables.

Vous savez qu’un système génératif ne se valide pas uniquement par une démonstration convaincante. Vous construisez les moyens d’en mesurer les performances, de comprendre ses échecs et de maîtriser ses limites.

4. Déployer, mesurer et décider

Vous organisez des boucles d’apprentissage courtes et exploitables :

• conduire des tests utilisateurs et analyser les retours qualitatifs ;

• mesurer l’adoption, le taux de réussite, la qualité, le coût, la latence et l’impact métier ;

• analyser les échecs, les cas limites et les écarts entre usage attendu et usage réel ;

• rendre les apprentissages compréhensibles par les équipes techniques et métiers ;

• recommander de poursuivre, faire évoluer, pivoter ou arrêter une expérimentation ;

• transformer les résultats en décisions produit explicites.

5. Maintenir une trajectoire technique crédible

La rapidité ne doit pas conduire à perdre la maîtrise du produit. Vous savez distinguer un prototype jetable, un MVP exploitable et un composant destiné à être industrialisé. Vous êtes notamment capable de :

• challenger les architectures et le code suggérés par les outils d’IA ;

• détecter les risques de sécurité, de scalabilité, de maintenabilité et de dépendance à un fournisseur ;

• traiter les enjeux d’authentification, d’autorisation, de gestion des secrets et de protection des données ;

• anticiper les risques propres aux applications génératives : prompt injection, exposition d’informations, non-déterminisme, contenus inappropriés ou actions incorrectes ;

• concevoir des mécanismes de contrôle, de validation humaine, de reprise et de dégradation maîtrisée ;

• mettre en place les tests, la CI/CD, le monitoring, le tracing et la documentation adaptés ;

• préparer le passage à l’échelle avec les équipes Engineering, Data, ML, Cloud et Sécurité.

6. Travailler avec les clients et faire progresser le collectif

Vous évoluez dans différents contextes clients et contribuez à la qualité du travail collectif :

• animer des ateliers de discovery, de cadrage et de priorisation ;

• présenter régulièrement des démonstrations, des résultats et des décisions ;

• expliquer les compromis entre valeur, expérience utilisateur, qualité, délai, coût et risque ;

• communiquer aussi bien avec des utilisateurs métier qu’avec des développeurs, architectes ou dirigeants ;

• accompagner des profils moins expérimentés et contribuer aux revues de conception ou de code ;

• capitaliser les apprentissages sous forme de composants, méthodes, exemples et playbooks réutilisables ;

• contribuer ponctuellement à la qualification des opportunités et aux phases d’avant-vente.

Un rôle autonome, au sein d’un collectif d’experts

Vous portez la boucle qui va du problème à une solution testable et mesurée, mais vous n’êtes pas censé·e tout faire seul·e. Selon les besoins, vous travaillez avec :

• les experts Produit et UX pour la discovery, la recherche utilisateur et la conception des parcours ;

• les experts Data et ML pour les problématiques de données, de modélisation et d’évaluation avancée ;

• les experts Cloud et Sécurité pour l’infrastructure, la conformité et la maîtrise des risques ;

• les experts Engineering pour l’architecture, la qualité logicielle et l’industrialisation.

Lorsqu’une hypothèse est validée et que le produit doit changer d’échelle, vous participez à son industrialisation ou organisez une transmission efficace vers l’équipe la plus adaptée.

Répartition indicative de l’activité

La répartition varie selon la maturité du produit et la phase de la mission. À titre indicatif :

• 50 à 70 % : conception, développement, déploiement et qualité technique ;

• 15 à 25 % : compréhension du problème, discovery et validation ;

• 15 à 25 % : architecture, communication client, décisions et transmission.

Le développement reste le centre de gravité du poste.

Environnement technique indicatif

Notre environnement actuel comprend notamment :

• Frontend : React, TypeScript, Vite et TanStack ;

• Backend : NestJS, Node.js, API REST et PostgreSQL ;

• IA et Data : Python lorsque pertinent, APIs de modèles, recherche sémantique, RAG, appels d’outils, workflows agentiques et outils d’évaluation ;

• Engineering : Git, tests automatisés, Docker, CI/CD, cloud, observabilité et monitoring ;

• Développement assisté par IA : assistants de code et agents utilisés pour explorer, développer, tester, documenter et effectuer des revues.

Nous ne recherchons pas une personne maîtrisant chaque technologie de cette liste. Nous recherchons quelqu’un capable de choisir les bons outils, d’apprendre rapidement et d’évaluer avec recul ce que les modèles proposent.