CDI - Manager AI Engineer - Paris

Summary: Manage the deployment and optimization of LLM-based AI applications and agents for enterprise clients. Ensure model quality, cost-efficiency, and safety while building robust evaluation pipelines and maintaining production systems.

Mission

De nouveaux modèles, ouverts ou fermés, sortent chaque mois : encore faut-il choisir ceux qui sont assez bons pour la production, et le démontrer. Applications et agents s’appuient sur les grands modèles de langage (LLM), et la partie modèle de ces systèmes est entre vos mains. Nos clients s’en servent pour répondre à leurs propres clients, traiter des documents et interroger leurs connaissances.

Ce que le modèle voit, la manière dont il retrouve les connaissances, les outils qu’il peut appeler : ces choix vous appartiennent, de même que la mesure de la qualité des réponses. Le modèle retenu doit tenir l’objectif de coût et de qualité.

Ce poste est fait pour vous si vous voulez savoir si un système d’IA donne des réponses justes, et pas seulement s’il tourne.

Artefact accompagne les plus grandes entreprises du monde dans le déploiement de l’IA : 3 000 AI makers dans plus de 30 pays, plus de 1 000 clients. En France, le département Engineering réunit environ 300 personnes sous la responsabilité du CTO ; vous y rejoignez le chapter AI Applied Engineer, archétype AI Engineer.

Activités et responsabilités

Les Product Engineers construisent l’application autour du modèle ; le comportement du modèle à l’intérieur vous revient. Les Context & Analytics Engineers préparent les connaissances que vos agents retrouvent, et les Platform Engineers exploitent le serving, le harness et l’observabilité sur lesquels vous vous appuyez.

Avec l’AI Product Manager et les experts métier du client, une bonne réponse se définit, puis les résultats s’examinent ensemble. La relecture de code entre pairs et l’accompagnement des nouvelles recrues font partie du quotidien.

Vos responsabilités :

• Construire des applications et des agents LLM : conception du contexte, appel d’outils, workflows multi-étapes.
• Concevoir la façon dont les agents exploitent les connaissances : requêtes de retrieval, re-ranking, citations.
• Construire des jeux et des pipelines d’évaluation : réponses de référence, scoring automatisé, relecture par des experts métier.
• Suivre la qualité des réponses en production et corriger ce qui se dégrade.
• Choisir les modèles selon la qualité, le coût et la latence ; faire du fine-tuning ou de la distillation sur un modèle plus petit quand le prompting ne suffit pas.
• Ajouter des garde-fous contre les mauvaises réponses, les fuites de données et le prompt injection.
• Traiter des documents avec des LLM : extraction, classification, résumés.

Profil recherché

Les indispensables :

1. Vous avez construit une application ou un agent qui appelle un LLM, et vous savez expliquer ce qui a fonctionné et ce qui a échoué.
2. Votre code est testé et maintenable.
3. Les coding agents font déjà partie de votre quotidien, et vous vérifiez ce qu’ils produisent.
4. La qualité des sorties d’IA se mesure chez vous avec des jeux de test et des métriques, et vous savez limiter les hallucinations, le prompt injection et les fuites de données.
5. Mettre en production une application LLM et la maintenir (déploiement, monitoring, coût, latence) n’a pas de secret pour vous.
6. Le point de départ, pour vous, est le problème métier plutôt que le modèle ; reconnaître que l’IA n’est pas toujours le bon outil, et l’expliquer à des personnes non techniques, fait partie de votre pratique.

Un plus, pas un prérequis :

• Du fine-tuning ou de la distillation de modèles de langage.
• Une formation en machine learning ou en statistiques, par exemple en data science.
• Des frameworks ou des protocoles d’agents, comme MCP.
• Des entrées multimodales : documents, images, voix.
• Des outils d’observabilité LLM : tracing, suivi des coûts.

Pas besoin de cocher toutes les cases pour postuler : si vous avez l’essentiel des indispensables et l’envie d’apprendre le reste, parlons-en.

Pourquoi nous rejoindre ?

Dans ce métier, la difficulté est moins de faire parler un modèle que de savoir s’il dit juste. L’AI Engineer répond à cette question par la mesure : jeux de test, évaluations, suivi en production, plutôt que par l’impression d’une démonstration réussie.

Nous sommes des AI makers : l’IA se construit avec nos clients, pas seulement pour eux. Leurs enjeux deviennent les nôtres, et nos choix techniques s’expliquent dans le langage du métier. Les positions que nous prenons sont claires ; elles évoluent face aux faits, jamais sous la pression.

Notre domaine change tous les mois, et ce rythme nous convient : les nouvelles technologies et les nouveaux secteurs s’apprennent vite, et les habitudes qui ne servent plus s’abandonnent sans regret. Devant un problème difficile, le réflexe est de le découper en étapes vérifiables, avec un haut niveau d’exigence sur le code comme sur les livrables.

Quand il manque quelque chose, pour un client ou pour le chapter, nous le construisons. La progression passe par des retours constructifs, par le partage des connaissances, par la demande d’aide sans attendre et par la reconnaissance du travail des autres. Il y a beaucoup à apprendre, et beaucoup à construire.

Un counsellor accompagne vos premiers mois. L’onboarding technique ouvre le parcours, suivi d’un premier projet client ; si aucun n’est prêt, les starter kits internes prennent le relais.

Le reste s’approfondit sur les projets : évaluation, conception d’agents, adaptation de modèles, avec l’appui de la communauté AI Engineer. À partir de 2027, l’archétype AI Engineer disposera de sa propre grille de compétences et de son propre parcours de formation, en plus du socle commun à tous les AI Applied Engineers (responsabilité en production, bases de la sécurité de l’IA).

Plus tard, un rôle transverse devient possible (Project Tech Lead, Pre-sales Engineer, Engineering Manager), tout comme les chapters AI Architect et AI Product Manager.

Processus de recrutement

Le processus demande environ quatre heures, réparties en six étapes dont une seule sur site.

1. Entretien RH (45 min, à distance) : parcours, motivations et points pratiques, comme le calendrier et les prétentions salariales.
2. Appel avec le CTO (15 à 30 min, à distance).
3. Screening technique (30 min, à distance, avec un membre du chapter AI Applied Engineer) : retour détaillé sur vos projets passés, puis questions techniques et de design de solution.
4. Code review et live coding (60 min, sur site, avec un membre du chapter) : relecture d’un dépôt de code existant et correction de ses défauts, puis construction d’une nouvelle fonctionnalité avec un coding agent et présentation du résultat.
5. Cas technique (45 min, à distance, avec un membre du chapter) : cadrage d’un problème métier, proposition d’une solution technique, description de la méthode d’évaluation, puis discussion de vos choix.
6. Entretien final (30 min, à distance, avec une personne de l’encadrement du département, Engineering Manager ou Director) : reprise des points restés ouverts, choix de l’archétype et du niveau les mieux adaptés à votre profil, et réponses à toutes vos questions.

Selon les étapes, tous les outils d’IA sont autorisés, ou aucun. Lors du live coding, c’est la manière de travailler avec l’assistance de l’IA qui est observée.

Rémunération : 75 000€ à 85 000€ brut annuel (fixe) selon expérience et séniorité + jusqu’à 8 000€ de variable selon expérience et séniorité

*Chez Artefact, nous sommes convaincus que la diversité des parcours, des expériences et des perspectives fait la richesse de nos équipes. Nous nous engageons à offrir un environnement inclusif et des opportunités équitables, où chacune et chacun peut évoluer et exprimer pleinement son potentiel. Nos recrutements reposent sur les compétences, le potentiel et l’adéquation avec le rôle.*