Missions

• Transformer la R&D en plateforme produit : industrialisation des modèles/pipelines, APIs exposant les capacités Morphism, traitements asynchrones, tests, déploiement, monitoring, optimisation performance/fiabilité/coûts ;
• Construire les premières expériences produit avec le CPO, sur toute la chaîne donnée → backend → modèles → API → agent → interface ; prototypage rapide puis passage en production sélectif ;
• Rendre Morphism exploitable par des agents : tools/APIs agent-ready, serveurs/clients MCP, structured outputs, authentification, workflows agentiques multi-étapes, évaluation ;
• Contribuer à une entreprise AI-native : identification et automatisation de tâches à forte valeur (R&D, engineering, sales ops, veille…).

Compétences techniques

• Socle software engineering solide : Python, conception d'APIs, architectures backend/distribuées, bases de données, pipelines asynchrones, tests (unitaires, intégration, e2e), Docker, CI/CD, cloud, observabilité, sécurité ;
• Expérience réelle des systèmes IA modernes : APIs des LLM, tool/function calling, structured outputs, orchestration agentique, MCP, gestion du contexte et de l'état, fallback et human-in-the-loop, évaluation, arbitrages qualité/latence/coût ;
• Pratique AI-native du développement : usage quotidien de coding agents, décomposition et délégation maîtrisées, relecture critique du code généré ;
• TypeScript et capacité à intervenir sur une interface web : un atout, sans exigence d'expertise frontend.

Expérience attendue

Profil jugé sur les réalisations plutôt que sur le nombre d'années ou l'école.

Expériences valorisées : produit livré de bout en bout, passage prototype → production, contexte startup ou zero-to-one, mise en production d'une fonctionnalité LLM/agent, travail direct avec des fondateurs, arbitrages rapidité / dette technique / robustesse.

Aptitudes

• Ownership et jugement (décision réversible vs choix structurant) ;
• Goût du produit et capacité à discuter usage, ergonomie et valeur autant que technique ;
• Autonomie face à l'ambiguïté, dans un contexte de petite équipe deeptech ;
• Rigueur sur des systèmes probabilistes destinés à éclairer des décisions importantes ;
• Communication claire avec chercheurs, produit, fondateurs, partenaires et clients.

Atouts supplémentaires

• Traitement de graphes, calcul scientifique ou optimisation ;
• MLOps, systèmes data-intensive, infrastructures distribuées ;
• APIs développeurs / SDK, produits B2B techniques, cybersécurité ;
• Plateformes sociales, industrialisation de code issu de la recherche, contraintes de confidentialité ou de souveraineté.