Product owner ia

Missions principales

2.1 Vision & stratégie produit IA

Porter la vision produit des solutions d'IA en lien avec les équipes métier.
Identifier les opportunités d'usage de l'IA au service du Risque, du Paiement, du Digital et des autres lignes métiers.
Prioriser les projets en fonction de la valeur business et de la faisabilité (technique, réglementaire, ROI).

2.2 Gestion du backlog & priorisation

Être garant de la priorisation des initiatives Data Science/IA.
Traduire les besoins métier en features et user stories.
Alimenter, structurer et maintenir le backlog produit.
Arbitrer les priorités selon la valeur ajoutée attendue, le feedback utilisateur et les contraintes (réglementaires, techniques, ROI).
Maximiser l'impact business de chaque sprint livré.

2.3 Pilotage du delivery agile

Piloter la delivery des projets IA en méthodologie agile.
Organiser et animer les cérémonies Scrum/Kanban (planification, revues, démonstrations, rétrospectives).
Suivre l'avancement des développements et lever les obstacles en coordination avec les autres départements.
Veiller au respect des engagements de qualité, budget et délais.
Communiquer de manière proactive sur l'avancement auprès des sponsors et du management.

2.4 Coordination Métiers–Data–IT

Jouer le rôle d'interface et de facilitateur entre les équipes Data Science, les équipes IT (architectes, MLOps, sécurité…) et les métiers sponsors.
Co-construire les solutions avec les experts métier et favoriser leur adoption.
Intégrer les contraintes techniques avec les équipes Data/IT pour une implémentation fluide des solutions IA.

2.5 Crédit & Risque (Scoring) – Use cases Machine Learning

Piloter les évolutions des modèles de scoring crédit (scoring d'octroi, scores comportementaux).
En lien avec les équipes Risque et Validation, concevoir et suivre les projets d'optimisation des scores existants et le développement de nouveaux modèles.
Explorer des approches innovantes (nouvelles données, algorithmes avancés).
S'assurer que les modèles contribuent à la maîtrise/stabilité du coût du risque (suivi des KPIs de performance) et respectent les exigences réglementaires.
Veiller à la mise en production et au monitoring des modèles (détection de dérive, recalibrage) en collaboration avec les Data Scientists et Analystes Risque.

2.6 IA générative & agents

Explorer et déployer les cas d'usage liés à l'IA générative pour transformer les processus internes et la relation client.
Piloter des projets d'agents IA (chatbots avancés, assistants cognitifs, systèmes à base de LLM, approches RAG – Retrieval-Augmented Generation).
Lancer des MVP d'agents pour :
Automatiser l'analyse de documents complexes.
Assister les équipes internes (Audit, Marketing, etc.).
Enrichir le support client.
Définir les objectifs et indicateurs de succès de ces projets.
Superviser les étapes de prototypage et de déploiement en production.
Mettre en place des architectures agentiques robustes pour ces solutions.
Évaluer et optimiser les performances des agents (cohérence, pertinence, diversité des réponses), en s'appuyant sur des méthodologies de pointe (par ex. LLM as a Judge pour la qualité des réponses).
Garantir un usage responsable, sécurisé et efficace de l'IA générative pour l'entreprise.

Missions génériques associées au rôle :

Mener la livraison d'un produit de qualité répondant aux attentes des clients et équipes métiers.
Élaborer la vision produit avec les utilisateurs et les équipes techniques (UX, marketing) et être responsable de la conception du produit.
À chaque sprint, vérifier que la direction prise est la bonne, que les priorités métier sont respectées et que la qualité des livrables est adéquate.
Identifier les attentes des utilisateurs et les bénéfices attendus du produit.
Réaliser des benchmarks des solutions du marché, notamment chez les concurrents.
Élaborer les fonctionnalités attendues et les prioriser dans le backlog produit.
Travailler en collaboration avec l'UX sur le parcours client cible et sa déclinaison en trajectoire (MVP).
Partager la vision produit avec les équipes de développement agile.
Définir et planifier les releases/versions du produit.
Créer chaque fonctionnalité retenue sous forme de user story suffisamment petite pour être implémentée en une itération, avec critères d'acceptation clairs.
Comprendre les "Technical Stories" (besoins non fonctionnels) et les "Defect Stories" proposées par les équipes de développement.
Répondre aux demandes de clarification des équipes de développement sur les stories en cours.
Contribuer aux réunions agiles avec les équipes de développement et le Scrum Master.
Faciliter la communication et la collaboration entre l'ensemble des parties prenantes et porter la voix métier avec persuasion.
Accepter ou refuser les stories implémentées par les équipes de développement.
Réaliser ou organiser les tests utilisateurs/métiers des versions (avec une équipe de recette si projet complexe).
Le cas échéant, animer une équipe de Business Analysts, rédacteurs et testeurs métier lorsque le backlog le nécessite.
Récolter les feedbacks utilisateurs et évaluer le fonctionnement des versions précédentes en production.
Assurer la non-régression des nouvelles versions.
Manager des équipes de rédaction et de recette de user stories pour des projets agiles d'envergure.
Co-construire et animer le dispositif de conduite du changement avec un PMO Deploy.
Communiquer sur l'avancement de la réalisation du produit auprès du management et des utilisateurs.

Profil candidat:

4.1 Qualités personnelles

Rigueur, autonomie, sens de la communication, agilité et dynamisme.
Capacité à mener de bout en bout des missions complexes dans un environnement exigeant.

4.2 Management de produit & agilité

Expérience confirmée en tant que Product Owner (ou poste équivalent) dans un contexte agile.
Capacité à définir une vision produit, gérer un backlog, rédiger des user stories et animer une équipe agile pluridisciplinaire.
Une certification Product Owner ou Scrum Master est considérée comme un plus.

4.3 Culture Data Science & IA

Solide culture des technologies Data et IA.
Compréhension des concepts clés du Machine Learning (modèles prédictifs supervisés, scoring, etc.).
Compréhension des approches d'IA générative (LLMs, agents conversationnels…).
Capacité à échanger avec des Data Scientists sur des sujets comme la performance d'un modèle ou le fine-tuning d'un LLM.
Veille active sur les avancées du domaine (ex. nouvelles offres d'OpenAI/HuggingFace, frameworks comme LangChain) et capacité à les projeter sur des cas d'usage métier concrets.

4.4 Coordination technique & MLOps

Bonne compréhension de l'écosystème Data Engineering / MLOps.
Participation aux discussions techniques sur l'architecture des solutions IA.
Familiarité souhaitée avec le cycle de vie d'un modèle ML : du prototypage à la mise en production cloud (Azure, conteneurisation Docker/Kubernetes, pipelines automatisés), incluant le monitoring (data drift, performance, feedback utilisateurs).
Capacité à challenger et soutenir techniquement l'équipe dans les choix de solution, et à comprendre les contraintes d'échelle et de sécurité propres au secteur bancaire.

4.5 Outils & méthodologies

Maîtrise des outils de gestion agile et de collaboration (JIRA, Confluence, etc.) pour assurer un suivi transparent des tâches et une documentation de qualité.
Aisance avec la data et le cloud, idéalement dans un environnement Azure/Databricks ou équivalent.
Connaissance des enjeux réglementaires bancaires (ex : réglementations sur le scoring crédit, contraintes de conformité) appréciée.

4.6 Leadership & soft skills

Excellente communication et capacité à vulgariser des sujets techniques complexes.
Capacité à embarquer les métiers dans la vision produit, à négocier les priorités avec diplomatie et à créer un esprit d'équipe positif.
Leadership naturel pour fédérer autour des projets IA, influencer les décideurs et gérer les changements de cap.

4.7 Parcours et motivation

Environ 5 à 7 ans d'expérience professionnelle, dont une part significative en gestion de produit digital ou en pilotage de projets Data/IA.
Capacité à naviguer aisément entre les problématiques techniques et métier (modélisation ML, architecture SI, enjeux Risque/Paiement/Marketing/Conformité, etc.).