Lead Delivery IA

Responsabilités principales

1. Cadrage et qualification des cas d’usage

• Animer les ateliers de cadrage avec les métiers

• Évaluer la faisabilité fonctionnelle et l’effort de delivery

• Définir les critères de succès (valeur, adoption, qualité, risques)

• Intégrer les exigences liées aux données, à la traçabilité et aux contrôles

2. Pilotage du delivery & coordination multi-acteurs

• Construire et piloter le plan de delivery (jalons, sprints, capacité, risques)

• Orchestrer l’ensemble des parties prenantes (métiers, IT, data, IA)

• Garantir la qualité des livrables fonctionnels (backlog, spécifications, comptes-rendus de décisions)

3. Recette & décision go/no-go

• Préparer et animer les revues de jalons

• Organiser la recette fonctionnelle (UAT) et définir les critères d’acceptation

• Coordonner les validations finales avec les parties prenantes

4. Adoption, déploiement & mesure de la valeur

• Définir et piloter le plan de déploiement (pilote, généralisation, support)

• Contribuer à la formation, communication et support avec le Performance Lab

• Mettre en place et suivre les KPI d’usage (adoption, fréquence, satisfaction)

• Mesurer la valeur générée (gains de temps, qualité, réduction des risques)

• Piloter l’amélioration continue via des boucles de feedback

5. Qualité & fiabilité

• Définir les règles de qualité fonctionnelle des solutions IA

• Mettre en place des contrôles et un suivi des écarts

6. Industrialisation & réutilisation

• Capitaliser sur les retours d’expérience (REX)

• Standardiser les bonnes pratiques (copilots, agents IA, RAG)

• Contribuer à la création de templates et référentiels de delivery

Langues

• Français : courant

• Anglais : intermédiaire (B1/B2) – environnement international

Livrables attendus

• Dossier de cadrage (valeur, périmètre, KPI, risques, dépendances)

• Backlog et roadmap (priorisation, MVP, jalons)

• Spécifications fonctionnelles (règles métier, conformité, UX)

• Plan de recette et procès-verbal (PV)

• Plan de déploiement et d’adoption (avec Performance Lab)

• Retours d’expérience (REX) et templates de delivery IA

Compétences requises

Compétences techniques

• Bonne connaissance des solutions GenAI (copilots, agents IA, RAG) : fonctionnement, limites, hallucinations

• Compréhension des principes MLOps (niveau utilisateur / consommation)

• Compréhension fonctionnelle des architectures RAG

• Connaissance de la structuration des données pour l’IA (Golden Data, référentiels)

Compétences transversales

• Formation Bac +5 (ingénieur, data science, digital, produit ou SI)

• Expérience en environnement transverse (métiers, DSI, data, IA)

• Compétences en Product Management : roadmap, backlog, priorisation, MVP

• Maîtrise des méthodologies Agile (Scrum, Kanban)

• Pilotage multi-projets et gestion des dépendances

• Compétences AMOA : expression de besoins, animation d’ateliers, rédaction de spécifications

• Culture data, IA et processus métiers