🎁 Avant de postuler, entraînez-vous à cet entretien. Créez votre compte WorkMundi gratuit et recevez un Entraînement à l'entretien sur HelpsYouSpeak — sans frais, sans carte. Je veux mon entraînement →
Pourquoi rejoindre Keyrus aujourd'hui ? Keyrus est un groupe international de 2 800 consultants et experts présents dans 28 pays , porté par une conviction forte : ce n'est pas l'intelligence artificielle qui transforme les entreprises, mais l'intelligence conçue, structurée et intégrée à leur fonctionnement. Depuis plus de 30 ans, nous construisons les fondations data qui permettent aux systèmes intelligents de créer de la valeur. Nous concevons le système d'exploitation de l'entreprise intelligente, où la donnée, l'IA et l'expertise humaine s'intègrent au cœur des processus métiers pour générer une performance durable. Chez Keyrus, nous donnons vie à l'intelligence opérationnelle. L'intelligence artificielle ne remplace pas l'humain. Elle lui permet de se concentrer sur ce qu'aucun système ne peut reproduire : comprendre, décider, concevoir et innover. Rejoindre Keyrus, c'est construire son jugement, son expertise et sa capacité à résoudre des problématiques complexes. La technologie est un accélérateur. La culture Keyrus fait la différence. L'excellence opérationnelle permet de relier les deux. Data Engineer Le Data Engineer prépare et fiabilise la donnée qui alimente les systèmes intelligents : pipelines robustes, plateformes data modernes, exposition de la donnée aux agents autant qu'aux tableaux de bord. Sans donnée prête et gouvernée, aucun système d'IA ne tient en production. Ce qui vous attend Vous concevez et industrialisez des pipelines de données robustes, de la donnée brute jusqu'à son exploitation par les applications et les agents. Vous déployez et exploitez des plateformes data modernes (lakehouse, entrepôts cloud) pour rendre la donnée accessible, gouvernée et performante à l'échelle. Vous rendez la donnée exploitable par des systèmes d'IA générative et agentique (Anthropic, OpenAI, Mistral, Google Gemini, etc.) : structuration pour le RAG, alimentation de bases vectorielles, préparation de jeux de données pour l'évaluation de modèles. Vous garantissez la qualité, la fraîcheur et la traçabilité de la donnée par des tests et des contrats de données, pas seulement par une supervision manuelle. Vous transformez rapidement une maquette en preuve de concept exploitable, pour valider un cas d'usage avant d'industrialiser le pipeline définitif. Vous mettez en place la restitution (BI, tableaux de bord) lorsque le cas d'usage l'exige, en complément de l'exposition de la donnée aux agents. Ce que vous apportez Le socle Architect of Intelligence : des qualités indispensables, présentes dans les critères ci-dessous : curiosité, créativité, communication, conscience professionnelle, culture, capacité à faire. Expérience et parcours Une expérience significative de conception et d'industrialisation de pipelines de données en production, quel que soit votre point de départ : ESN, éditeur, startup, ou client final. Une pratique avérée des plateformes data modernes (cloud ou lakehouse), au-delà de l'ETL traditionnel. Une expérience, si possible, de préparation de données au service de systèmes d'IA générative ou agentique. Posture et savoir-être Une rigueur d'ingénierie sur la qualité et la fiabilité de la donnée : une donnée non fiable invalide tout ce qui est construit au-dessus. Une curiosité pour les usages permis par la donnée que vous préparez, au-delà du pipeline lui-même. Une capacité à collaborer avec l'AI Engineer et le Foundations Architect sur l'exposition de la donnée aux modèles et aux agents. Une autonomie réelle pour transformer un besoin encore mal défini en preuve de concept exploitable. Une capacité à produire, documenter et transmettre les pipelines que vous construisez, pour qu'ils restent exploitables au-delà de votre présence sur la mission. Compétences techniques indispensables Maîtrise avancée de SQL, socle non négociable quel que soit le langage dominant. Maîtrise d'un langage de pipeline en profondeur : Python en priorité, Java ou Scala selon l'écosystème (Spark, Kafka). Mise en œuvre de traitements distribués avec Apache Spark. Orchestration de pipelines de données avec Airflow ou Dagster. Transformation de données industrialisée avec dbt. Déploiement et exploitation de plateformes data cloud (Snowflake, BigQuery, Databricks). Conception d'architectures de streaming et de traitement de données en temps réel (Kafka), lorsque le cas d'usage l'exige. Utilisation de bases de données vectorielles pour des cas d'usage RAG (Pinecone, Milvus, Chroma, ou équivalent). Compréhension pratique du prompting et de la préparation de jeux de données pour l'évaluation de modèles de langage (Anthropic, OpenAI, Mistral, Google Gemini, etc.). Mise en place de tests et de contrats de données pour garantir la qualité et l'observabilité de la donnée. Modélisation et préparation de données pour des usages analytiques et opérationnels. Prototypage rapide à l'aide d'outils légers (Streamlit) pour transformer une maquette en preuve de concept exploitable. Production, documentation et transmission des pipelines, pour qu'ils restent exploitables au-delà de votre présence. Anglais professionnel courant, à l'écrit comme à l'oral, indispensable quel que soit le niveau d'expérience. Ce qui nous anime Intelligence Collective La collaboration entre expertises, métiers et géographies nous permet de combiner les savoir-faire et d'apporter des réponses plus complètes aux défis de nos clients. Fiabilité Notre capacité à délivrer des projets complexes avec rigueur et exigence constitue l'un des fondements de la relation de confiance que nous construisons avec nos clients. Pragmatisme Nous privilégions l'impact concret et la création de valeur mesurable plutôt que les discours technologiques abstraits. Esprit Entrepreneurial La curiosité, l'énergie et l'autonomie sont au cœur de notre culture. Elles favorisent l'initiative, l'innovation et le développement continu de nos expertises. À propos de Keyrus Chez Keyrus, nous accompagnons les organisations dans leur passage d'une IA expérimentale à une IA industrialisée, d'agents isolés à des systèmes orchestrés, et de l'analyse à l'exécution. C'est cette expertise que nous appelons l'Architecture de l'Intelligence. Grâce à notre modèle propriétaire Human Orchestrated Model™ (HOM), nous concevons des environnements intelligents reposant sur trois piliers fondamentaux : des fondations data et intelligence robustes et fiables ; une gouvernance garantissant que l'humain reste au cœur de la décision ; des mécanismes de pilotage de la performance permettant une amélioration continue. Fort de plus de 30 ans d'expertise et de 2 800 collaborateurs répartis dans 28 pays, Keyrus accompagne les entreprises bien au-delà de leur transformation. Keyrus est coté sur Euronext Growth Paris (ALKEY – Code ISIN : FR0004029411).
Here's how to pick the right one and stand out in your application.
144.883Jobs
31.687IN
81%EN
That number is real. WorkMundi's database shows 144,883 open engineer roles across the world. India has the most with 31,687 jobs, followed by the United States with 30,084. If you just finished reading one job ad and felt paralyzed by choice, you're not alone—but this scale is actually an advantage. It means you can afford to be selective.
Start by geography and language. The majority of engineer ads—117,837 of them—have the job posting text written in English. Use that as one filter, but remember: the ad text language tells you nothing about whether the role actually requires you to speak English day-to-day. Read the job description carefully. Then check which countries have the volume you're targeting. Singapore, Poland, and Australia round out the top five after India and the US.
Next, learn who's hiring. Accenture has posted 2,801 engineer roles. andurilindustries, speechify, and jobgether are also actively recruiting. If you're applying to one of these names, research their hiring patterns and interview style before you apply. That homework pays off.
When you interview, expect the question every engineer hears: 'Tell me about a time you had to debug a problem that wasn't in your job description.' Have a specific story ready—not a general one. Name the tools, the deadline pressure, and what you learned. Hiring managers listen for whether you see problem-solving as part of the role itself, not a favour.