▍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含みます。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。 ▍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います。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を設計できます。 【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。