Le patrimoine salarié, c'est une jungle : contrats santé, prévoyance, retraite, épargne salariale, bulletins, avenants. Des dizaines de docs illisibles, différents chez chaque assureur, que personne ne pilote. Ton job : construire les systèmes IA qui transforment ce chaos en données exploitables puis en outils métier concrets, utilisés tous les jours par nos analystes et clients pour piloter la rémunération comme un investissement. Le tout dans un cadre frugal et souverain (modèles open source, on-premise, sécurité des données), un cadre posé par notre CTPO, dans lequel tu construis l'intelligence. Tes superpouvoirs techniques Ton cœur de métier (non négociable) - Python orienté IA / data, solide, idéalement en contexte B2B. - Écosystème LLM : LangChain, LlamaIndex ou équivalent. - Systèmes agentiques : multi-agents (orchestration, mémoire, planification), RAG, function calling, MCP. - LLM open source (Mistral, LLaMA.) : évaluation, prompting, fine-tuning selon les cas d'usage. - Rigueur sur l'éval : evals, benchmarks, détection des régressions. Pas de mise en prod « au feeling ». - Modélisation data pour l'IA : SQL, JSON Schema, Pandas / PgSQL, feature engineering, nettoyage, normalisation. - Agents de code comme levier de productivité : prompter juste, déléguer, itérer vite sur l'existant. Ce sur quoi tu t'appuies (tu livres, sans en être le lead) - Backends Python / FastAPI pour exposer tes capacités IA (tes APIs, tu les livres toi-même). - Interfaces analystes : connaissances React, Chainlit, assez pour livrer une interface utilisable. - Pipelines légers : Prefect, Snakemake. Tes missions, et le niveau attendu Agents & IA (50 % de ton temps) - tu construis le cerveau Concevoir et déployer des agents pour extraire et analyser les docs du patrimoine salarié. Architecturer du multi-agents (orchestration, mémoire, planification, MCP, function calling). Monter des pipelines RAG adaptés au métier. Expérimenter, évaluer, fine-tuner des LLM open source. Faire des choix frugaux dans tes propres systèmes (le bon modèle, pas le plus gros). Data pour l'IA (20 % de ton temps) - tu prépares le carburant de tes modèles Concevoir les schémas structurés qui alimentent tes agents (SQL, JSON Schema). Feature engineering, nettoyage, normalisation. Respecter la qualité, la traçabilité et la conformité (RGPD, souveraineté). Applicatif (30 % de ton temps) - tu livres du concret Backends Python pour exposer l'IA. Interfaces pour que les analystes bossent avec les agents. Interfaces conversationnelles (Chainlit). Itérations courtes, culture SaaS B2B rigoureuse. Du prototype à la prod, en autonomie. Ce qu'on cherche vraiment (lis bien cette partie) C'est ici que ça se joue. Pas dans la stack. - Tu veux grandir avec la boîte : main dans le cambouis des agents maintenant, chef d'orchestre d'une flotte d'agents demain. - Tu apprends une techno le week-end et tu l'expliques à l'équipe le lundi. La vitesse d'apprentissage, c'est ton vrai superpouvoir. - Tu transformes un besoin métier flou en système qui tourne en prod. « Faut qu'on lise ces 400 contrats » → une semaine plus tard, ça tourne. - Tu sens le bullshit IA à 10 mètres. Tu sais quand un LLM sert vraiment à quelque chose. et quand c'est juste du théâtre. - Tu challenges la technique. Quand une demande n'a pas de sens ou qu'il y a plus simple, tu le dis et tu proposes mieux. - Tu parles aux analystes et au métier pour construire les bons outils. Sans jargon. Sans slides de 42 pages. - Tu paries sur ta capacité d'apprentissage, d'adaptation et de curiosité. Pas sur ta maîtrise d'un framework périmé dans 18 mois. - Tu pilotes déjà des agents de code (Claude Code, Cursor, Windsurf.) comme un chef d'orchestre pas comme un correcteur d'autocomplétion. Tu délègues, tu itères vite, tu gardes le jugement. Cela ne se rattrape pas. Le reste, ou