【正社員】LLMエンジニア

【正社員】LLMエンジニア — 複数LLMを使い分け、80億レコードのAI機能を設計・実装する｜精度とコストを同時に設計し、本番運用まで担う｜フルリモート・フルフレックス

仕事概要

＜SalesNowについて＞

SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。LLMエンジニアは、その土台となるデータの取得・加工で、モデル選定から品質評価、本番での改善までを担います。

その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。

この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集です。実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。LLMエンジニアは、この3つのルートから来るデータの処理で、LLMが担う工程を設計します。

データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。
組織図と部署の直通番号まで持ち、部署連絡先は750万件超。営業担当者が、代表電話を経由せずに狙う部署へ直接つながるためのデータです。拠点・部署の単位まで一意に扱うデータなので、LLMの出力も企業名の一致だけでは正しいと言えません。何をもって正しい出力とするかを、拠点・部署の単位で定めることになります。Web・アナログな収集・ユーザー投稿を組み合わせたこの基盤で、LLMによる補完結果を採用する条件と、人が根拠を確認する条件を、自分で設計できます。

法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合して1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。付与できる情報は50項目超。業種は大業界30件〜／小業界400件〜／事業内容3,000件〜の3層で持ち、従業員数は月次の時系列で追えます。分類の粒度も情報の時点も異なるため、項目ごとに何を正しい出力とするかを定めるのが、LLMの評価設計の中心になります。
AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。LLMをどこに、どの基準で組み込むかが、その前提の精度をそのまま左右します。

このデータは、企業データベース『SalesNow』の画面と、Salesforce・HubSpot・kintoneとの連携で届けています。Data APIはベータ版で、Company / News / Recruit / Organization の4種別です。企業の基本情報・ニュース・採用情報・組織情報の取得・加工と品質評価を設計します。法人・拠点・部署の違いと時系列の変化を踏まえ、データの性質に応じてLLMの処理方法を決めます。SalesNow MCPでは、Claude・CursorなどのAIエージェントから企業データを直接使えます。人が画面で読むときと、AIエージェントが直接呼ぶときでは、返すべき粒度と根拠の示し方が変わります。その線引きを決めるのが、LLMエンジニアの設計です。

営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。こうした企業に届けるデータの製造工程で、LLMの評価と改善が、そのまま本番の品質になります。

営業の専門性・データ基盤・AIの先進性は、どれか1つなら他にもあります。3つが揃っているから、LLMの出力を実データで検証し、顧客の現場で使われるところまで一社の中で確かめられます。

*\人を増やした分だけ売上が伸びる時代は、終わりました。\* バリューに「AIネイティブ」を掲げ、2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。この目標に届くかどうかは、データをつくる工程とプロダクトのAI機能で、LLMをどこにどう置くかに懸かっています。

＜募集背景＞

SalesNowのエンジニアは、データをつくる工程そのものにLLMを組み込んでいます。上場企業の開示資料をLLMで構造化し、データの判定には、人が定めた基準にもとづいてLLM as a Judgeを使います。LLMはAzure OpenAI（gpt-4o-mini）、Gemini Flash-Lite、Anthropicを用途ごとに併用しています。

用途ごとに求める精度と、許容できるコスト・レイテンシを定める必要があります。評価基盤を設計し、その結果からモデルと処理方法を選び、データ取得・加工パイプラインに実装するLLMエンジニアを募集します。LLMで検索精度やレコメンドを高め、AIエージェントで開発の進め方を組み替える仕事も、この募集の範囲です。モデルの選び方ひとつで、1,600万件超のデータの精度と1件あたりの費用が変わります。リリース後も精度・コスト・レイテンシの改善まで担います。

＜入社後に取り組む課題＞

• LLMを本番のデータ製造工程に載せ、LLMで処理する範囲と人が判断する範囲を設計します。評価するデータと基準を定め、コストと判定品質の両方を確かめます
• AI出力を採用する条件と「特定不可」にする条件を定め、出力と根拠を検証する品質評価基盤を設計・実装します
• 社内では、フリーランス求人から常駐先企業を推定するロジックを、AIを使って独立検証しました。根拠を確認できない企業特定が多く見つかり、ロジックとマッチ率の表示を修正しました。この事例が出発点です
• データ取得1件あたりの費用を確かめます。コストが読めない処理は、小さくつくってから見積もります。必要な精度を満たしたまま、本番で回せる費用に収めるところまでが、この仕事の範囲です

＜お任せしたい業務内容＞

• LLMを使ったデータ取得・加工パイプラインの設計・実装
• 複数LLMの特性評価と、用途ごとの最適モデル選定・パイプライン設計
• プロンプトの設計・最適化と、AI出力の品質評価基盤の構築
• プロダクトのAI機能の設計・実装
• データ製造工程でのLLM活用。上場企業の開示資料の構造化や、LLM as a Judge による品質評価を設計・実装します
• AI機能のリリース後の、精度・コスト・レイテンシの継続的な改善
• 機能実装後の、開発チームへの技術サポート
• 開発支援（例：AIによるテストなど）
• 生成AI関連の技術トレンドの調査・検証と、チームへの還元
• プロジェクトの進捗管理・品質管理・スケジュール管理

※従事すべき業務の変更の範囲：有り

＜利用する技術・ツール＞

• 言語: Python（FastAPI）、TypeScript（Next.js）、SQL
• データベース・検索: PostgreSQL（Aurora）、Elasticsearch / OpenSearch
• インフラ: AWS、GCP、Fastly
• データ: Scrapy、Airflow、Spark on Databricks、S3
• AI・LLM: Amazon Bedrock（Claude系）、Azure OpenAI、Claude、Gemini、Dify（AWS上で稼働）、n8n（AWS上で稼働）
• 開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、ChatGPT、Perplexity
• デザイン: Figma
• コミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace

メンターとの1on1や技術勉強会で、自分の設計判断を相談できます。モデル選定や品質評価で得た知見は、勉強会でチームの開発に還元します。

＜AIとの働き方＞

• AIツールへの支出は、1人あたり月平均10万円以上です。Claude・Geminiは全員が使え、Codexも併用しています。どのモデルを何に使うかは、日々の開発で比べて自分で選びます
• 成果物について複数のLLMにレビューを依頼し、人が根拠を確認して採否を決めます
• AIツールは乗り換えやすいよう月額で契約しています。新しいモデルを精度・コスト・レイテンシで評価し、本番に採用するモデルと処理方法を自分で設計できます。データを学習に使わせない設定は全員に求めています。企業データを扱うときの運用条件も、モデル選定の判断材料に入ります
• 目的と予算を合意したあとは、担当者が進め方を決めます。AIで処理する範囲、人が判断する範囲、使うツールも自分で決めます。自らコードを書く経営陣と、モデル選定の技術的な根拠と費用を直接議論できます

＜ポジションの魅力＞

① LLMを、PoCではなく本番のデータ製造工程で動かす

1,600万件超・80億レコードの法人・組織データベースをつくる本番の工程に、LLMを組み込みます。上場企業の開示資料をLLMで構造化し、人が定めた基準にもとづくLLM as a Judge でデータを判定します。LLMを使った検索精度やレコメンドの改善も、担当範囲です。取得・加工したデータの品質を高め、利用者が必要な企業情報にたどり着ける機能まで設計します。

日次で更新する基盤が数百万件規模のタスクを処理しており、1件の判定の誤りがそのまま顧客の判断材料の誤りになります。企業データベース収録件数No.1（2025年10月期・日本マーケティングリサーチ機構調べ）の製造工程で、評価用データと基準の設計から、モデル・処理方法の選定、リリース後の改善までを担います。実データでモデルを比べ、必要な精度を満たす処理を、運用できる費用と速度で設計する力を磨けます。

② モデルが入れ替わっても崩れない設計力を磨く

Azure OpenAI・Gemini・Anthropicを用途ごとに併用しています。企業・拠点・部署まで扱う取得・加工のパイプラインで、精度・コスト・レイテンシを比べ、採用するモデルを自分で選びます。新しいモデルが出たら、本番の評価データで比べ、優れていれば切り替えられます。独自データの品質を保ちながらモデルを更新するなかで、モデルが変わっても使える評価基準と切り替え手順を自分で設計します。

③ 「特定不可」と言い切れる品質基準を、自分で決める

Web・アナログな収集・ユーザー投稿を束ねる独自データで、個々の出力と根拠を検証します。実データで見つけた誤りから、採用できる出力と「特定不可」にする出力の基準を定め、評価基盤を設計・実装します。回答の正しさに加え、回答を出してよい条件まで設計する、本番LLMの品質管理の専門性を磨けます。

④ データからユーザー体験までを見通して、LLMの使いどころを決める

SalesNowの企業データは、画面・Salesforce/HubSpot連携・Data API・SalesNow MCPを通じて、人とAIエージェントの双方が利用します。独自のJCコードと部署の直通番号を扱うので、正しさの基準を拠点・部署の単位で定める必要があります。企業名の一致だけでは解けない品質課題に取り組めます。人とAIエージェントの利用場面から定めた品質基準を、取得・加工からLLM出力の評価まで一貫して適用し、データの使われ方から逆算した製造工程の設計が可能です。

⑤ 経営と直接議論し、会社の生産性目標を技術で動かす

2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。処理費用と判定精度の改善が、データ製造工程の生産性をどれだけ動かすかを測ります。その数字を根拠に、自らコードを書く経営陣と、次にLLMを組み込む工程・必要な品質基準・開発の優先順位を直接決められます。

数年後、AIを使えることは当たり前になります。差がつくのは、AI前提で仕事と組織を設計し直せるかどうかです。SalesNowのLLMエンジニアは、人が判断する範囲とAIで処理する範囲を自分で線引きし、チームが成果を出す工程そのものを組み替える経験を積めます。

＜選考プロセス＞

原則すべてのステップをオンラインで実施します。

1. エントリー
2. 書類選考
3. Web面談（2〜5回）
4. リファレンスチェック
5. オファー面談

＜SalesNow Information＞

• 一緒に働くメンバーのインタビュー（インターンから正社員になり、API／MCPを開発しているエンジニア）：
• 採用サイト：
• 全社資料：
• Culture deck：
• CEO note：
• COO note：

必須スキル

＜SalesNowについて＞

SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。LLMエンジニアは、その土台となるデータの取得・加工で、モデル選定から品質評価、本番での改善までを担います。

その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。

この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集です。実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。LLMエンジニアは、この3つのルートから来るデータの処理で、LLMが担う工程を設計します。

データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。
組織図と部署の直通番号まで持ち、部署連絡先は750万件超。営業担当者が、代表電話を経由せずに狙う部署へ直接つながるためのデータです。拠点・部署の単位まで一意に扱うデータなので、LLMの出力も企業名の一致だけでは正しいと言えません。何をもって正しい出力とするかを、拠点・部署の単位で定めることになります。Web・アナログな収集・ユーザー投稿を組み合わせたこの基盤で、LLMによる補完結果を採用する条件と、人が根拠を確認する条件を、自分で設計できます。

法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合して1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。付与できる情報は50項目超。業種は大業界30件〜／小業界400件〜／事業内容3,000件〜の3層で持ち、従業員数は月次の時系列で追えます。分類の粒度も情報の時点も異なるため、項目ごとに何を正しい出力とするかを定めるのが、LLMの評価設計の中心になります。
AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。LLMをどこに、どの基準で組み込むかが、その前提の精度をそのまま左右します。

このデータは、企業データベース『SalesNow』の画面と、Salesforce・HubSpot・kintoneとの連携で届けています。Data APIはベータ版で、Company / News / Recruit / Organization の4種別です。企業の基本情報・ニュース・採用情報・組織情報の取得・加工と品質評価を設計します。法人・拠点・部署の違いと時系列の変化を踏まえ、データの性質に応じてLLMの処理方法を決めます。SalesNow MCPでは、Claude・CursorなどのAIエージェントから企業データを直接使えます。人が画面で読むときと、AIエージェントが直接呼ぶときでは、返すべき粒度と根拠の示し方が変わります。その線引きを決めるのが、LLMエンジニアの設計です。

営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。こうした企業に届けるデータの製造工程で、LLMの評価と改善が、そのまま本番の品質になります。

営業の専門性・データ基盤・AIの先進性は、どれか1つなら他にもあります。3つが揃っているから、LLMの出力を実データで検証し、顧客の現場で使われるところまで一社の中で確かめられます。

*\人を増やした分だけ売上が伸びる時代は、終わりました。\* バリューに「AIネイティブ」を掲げ、2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。この目標に届くかどうかは、データをつくる工程とプロダクトのAI機能で、LLMをどこにどう置くかに懸かっています。

＜募集背景＞

SalesNowのエンジニアは、データをつくる工程そのものにLLMを組み込んでいます。上場企業の開示資料をLLMで構造化し、データの判定には、人が定めた基準にもとづいてLLM as a Judgeを使います。LLMはAzure OpenAI（gpt-4o-mini）、Gemini Flash-Lite、Anthropicを用途ごとに併用しています。

用途ごとに求める精度と、許容できるコスト・レイテンシを定める必要があります。評価基盤を設計し、その結果からモデルと処理方法を選び、データ取得・加工パイプラインに実装するLLMエンジニアを募集します。LLMで検索精度やレコメンドを高め、AIエージェントで開発の進め方を組み替える仕事も、この募集の範囲です。モデルの選び方ひとつで、1,600万件超のデータの精度と1件あたりの費用が変わります。リリース後も精度・コスト・レイテンシの改善まで担います。

＜入社後に取り組む課題＞

• LLMを本番のデータ製造工程に載せ、LLMで処理する範囲と人が判断する範囲を設計します。評価するデータと基準を定め、コストと判定品質の両方を確かめます
• AI出力を採用する条件と「特定不可」にする条件を定め、出力と根拠を検証する品質評価基盤を設計・実装します
• 社内では、フリーランス求人から常駐先企業を推定するロジックを、AIを使って独立検証しました。根拠を確認できない企業特定が多く見つかり、ロジックとマッチ率の表示を修正しました。この事例が出発点です
• データ取得1件あたりの費用を確かめます。コストが読めない処理は、小さくつくってから見積もります。必要な精度を満たしたまま、本番で回せる費用に収めるところまでが、この仕事の範囲です

＜お任せしたい業務内容＞

• LLMを使ったデータ取得・加工パイプラインの設計・実装
• 複数LLMの特性評価と、用途ごとの最適モデル選定・パイプライン設計
• プロンプトの設計・最適化と、AI出力の品質評価基盤の構築
• プロダクトのAI機能の設計・実装
• データ製造工程でのLLM活用。上場企業の開示資料の構造化や、LLM as a Judge による品質評価を設計・実装します
• AI機能のリリース後の、精度・コスト・レイテンシの継続的な改善
• 機能実装後の、開発チームへの技術サポート
• 開発支援（例：AIによるテストなど）
• 生成AI関連の技術トレンドの調査・検証と、チームへの還元
• プロジェクトの進捗管理・品質管理・スケジュール管理

※従事すべき業務の変更の範囲：有り

＜利用する技術・ツール＞

• 言語: Python（FastAPI）、TypeScript（Next.js）、SQL
• データベース・検索: PostgreSQL（Aurora）、Elasticsearch / OpenSearch
• インフラ: AWS、GCP、Fastly
• データ: Scrapy、Airflow、Spark on Databricks、S3
• AI・LLM: Amazon Bedrock（Claude系）、Azure OpenAI、Claude、Gemini、Dify（AWS上で稼働）、n8n（AWS上で稼働）
• 開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、ChatGPT、Perplexity
• デザイン: Figma
• コミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace

メンターとの1on1や技術勉強会で、自分の設計判断を相談できます。モデル選定や品質評価で得た知見は、勉強会でチームの開発に還元します。

＜AIとの働き方＞

• AIツールへの支出は、1人あたり月平均10万円以上です。Claude・Geminiは全員が使え、Codexも併用しています。どのモデルを何に使うかは、日々の開発で比べて自分で選びます
• 成果物について複数のLLMにレビューを依頼し、人が根拠を確認して採否を決めます
• AIツールは乗り換えやすいよう月額で契約しています。新しいモデルを精度・コスト・レイテンシで評価し、本番に採用するモデルと処理方法を自分で設計できます。データを学習に使わせない設定は全員に求めています。企業データを扱うときの運用条件も、モデル選定の判断材料に入ります
• 目的と予算を合意したあとは、担当者が進め方を決めます。AIで処理する範囲、人が判断する範囲、使うツールも自分で決めます。自らコードを書く経営陣と、モデル選定の技術的な根拠と費用を直接議論できます

＜ポジションの魅力＞

① LLMを、PoCではなく本番のデータ製造工程で動かす

1,600万件超・80億レコードの法人・組織データベースをつくる本番の工程に、LLMを組み込みます。上場企業の開示資料をLLMで構造化し、人が定めた基準にもとづくLLM as a Judge でデータを判定します。LLMを使った検索精度やレコメンドの改善も、担当範囲です。取得・加工したデータの品質を高め、利用者が必要な企業情報にたどり着ける機能まで設計します。

日次で更新する基盤が数百万件規模のタスクを処理しており、1件の判定の誤りがそのまま顧客の判断材料の誤りになります。企業データベース収録件数No.1（2025年10月期・日本マーケティングリサーチ機構調べ）の製造工程で、評価用データと基準の設計から、モデル・処理方法の選定、リリース後の改善までを担います。実データでモデルを比べ、必要な精度を満たす処理を、運用できる費用と速度で設計する力を磨けます。

② モデルが入れ替わっても崩れない設計力を磨く

Azure OpenAI・Gemini・Anthropicを用途ごとに併用しています。企業・拠点・部署まで扱う取得・加工のパイプラインで、精度・コスト・レイテンシを比べ、採用するモデルを自分で選びます。新しいモデルが出たら、本番の評価データで比べ、優れていれば切り替えられます。独自データの品質を保ちながらモデルを更新するなかで、モデルが変わっても使える評価基準と切り替え手順を自分で設計します。

③ 「特定不可」と言い切れる品質基準を、自分で決める

Web・アナログな収集・ユーザー投稿を束ねる独自データで、個々の出力と根拠を検証します。実データで見つけた誤りから、採用できる出力と「特定不可」にする出力の基準を定め、評価基盤を設計・実装します。回答の正しさに加え、回答を出してよい条件まで設計する、本番LLMの品質管理の専門性を磨けます。

④ データからユーザー体験までを見通して、LLMの使いどころを決める

SalesNowの企業データは、画面・Salesforce/HubSpot連携・Data API・SalesNow MCPを通じて、人とAIエージェントの双方が利用します。独自のJCコードと部署の直通番号を扱うので、正しさの基準を拠点・部署の単位で定める必要があります。企業名の一致だけでは解けない品質課題に取り組めます。人とAIエージェントの利用場面から定めた品質基準を、取得・加工からLLM出力の評価まで一貫して適用し、データの使われ方から逆算した製造工程の設計が可能です。

⑤ 経営と直接議論し、会社の生産性目標を技術で動かす

2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。処理費用と判定精度の改善が、データ製造工程の生産性をどれだけ動かすかを測ります。その数字を根拠に、自らコードを書く経営陣と、次にLLMを組み込む工程・必要な品質基準・開発の優先順位を直接決められます。

数年後、AIを使えることは当たり前になります。差がつくのは、AI前提で仕事と組織を設計し直せるかどうかです。SalesNowのLLMエンジニアは、人が判断する範囲とAIで処理する範囲を自分で線引きし、チームが成果を出す工程そのものを組み替える経験を積めます。

＜選考プロセス＞

原則すべてのステップをオンラインで実施します。

1. エントリー
2. 書類選考
3. Web面談（2〜5回）
4. リファレンスチェック
5. オファー面談

＜SalesNow Information＞

• 一緒に働くメンバーのインタビュー（インターンから正社員になり、API／MCPを開発しているエンジニア）：
• 採用サイト：
• 全社資料：
• Culture deck：
• CEO note：
• COO note：

歓迎スキル

• LLM（OpenAI / Claude / Geminiなど）を使ったサービス開発の実務経験
• LLMプラットフォームや生成AI関連ツールの利用経験
• プロンプト設計・最適化の経験
• 検索拡張生成（RAG）の実装経験
• AIエージェントやワークフロー自動化ツールの活用経験
• 大規模データの処理・分析経験
• データエンジニアリング、MLOps / LLMOpsの知識や経験
• PdMやソフトウェアエンジニアとしてのプロダクト開発経験
• 生成AIの業務導入に、積極的に携わりたい方

求める人物像

• SalesNowのミッション・バリュー（AIネイティブ・コト志向・最高品質）に共感し、AIを使いこなす意志がある方
• シリーズB目前のスタートアップならではのスピード感を楽しみ、変化の中でも目的から考えて課題を発見し、解決に導ける方
• 誠実さとオーナーシップを持って、チームや顧客に向き合える方
• LLMの進化を追って新しい技術を自ら試し、得た知見をプロダクトとチームに還元し続けられる方
• LLMの出力を鵜呑みにせず1件ずつ確かめ、前提を疑って本質的な設計判断ができる方
• 精度・コスト・レイテンシのどれを優先するかを数字で説明し、ボトルネックの改善やプロセスの効率化を進められる方

応募概要

給与

年収600万〜1,500万

勤務地

渋谷オフィス（リモートワーク可）
※就業場所の変更の範囲：無し

雇用形態

正社員

勤務体系

勤務形態

• フルリモート勤務（東京近郊：月1回の出社推奨日あり／地方在住：年1〜2回の全社イベント出席のみ）
• 地方在住者の全社イベント出席時：交通費・宿泊費全額支給
• SlackやGoogle Meetを中心としたオンラインコミュニケーション
• ※就業場所の変更の範囲：無し

勤務時間

• フルフレックスタイム制（コアタイムなし）
• 1日の標準労働時間：8時間

休日・休暇

• 完全週休2日制（土日祝）
• 年末年始休暇
• 夏季休暇
• 有給休暇（入社6ヶ月後10日付与、最大20日まで繰り越し可）
• female休暇（年5日）
• 慶弔休暇
• 産前産後休暇・育児休業
• 介護休業

試用期間

あり（3ヶ月）

福利厚生

各種手当

• 交通費全額支給
• 読書支援手当（上限5,000円／月）
• スキルアップ・生産性向上支援（上限10,000円／月）
• 飲みニケーション手当
• リファラル採用手当
• 残業手当

健康・安心サポート

• 社会保険完備（健康保険・厚生年金・労災保険・雇用保険）
• ベビーシッター補助制度
• 人間ドック（隔年／40歳以上対象）

その他

• ストックオプション制度
• AIツールへの支出は、1人あたり月平均10万円以上（会社負担）