プロダクトエンジニア

必須

• Webアプリケーションの開発経験5年以上
• バックエンドとフロントエンドの双方を、担当領域を限定せず実装した経験
• 要件が固まっていない状態から作るべきものを見極め、選んだ設計を自分の言葉で説明できること
• Slack・Linear上などで行われる要件定義・設計の議論とプルリクエストのレビューを行う事ができるレベルの日本語力

歓迎

• コーディング・テスト・リファクタリングの過程で、生成AIを日常的に使っていること（ツールの指定はありません）
• LLMを用いた機能開発、LLMOps、評価基盤の構築経験
• ナレッジグラフやグラフデータベースの設計・運用経験
• 大企業向けB2B SaaSの設計・開発・運用経験
• 認証・認可、マルチテナントの設計と運用経験
• セキュリティを意識した設計と実装
• リアーキテクチャやリプレイスなど、複雑性の高いプロジェクトの経験

求める人物像

• ユーザーの課題を解くことに関心が向いている方。何を作るかを決める過程そのものを面白いと感じられる方
• プロダクトマネジャー、カスタマーサクセス、顧客と直接話しながら仕様を決めていける方
• 仕様の穴に気づいたときに、確認と提案ができる方
• 異なる意見を受けて、自分の設計を組み立て直せる方
• 自分が引き受けた仕事を、完結まで持っていける方

使用ツール

募集背景

• 私たちは、開発プロセスそのものを作り変えている最中です。
• これまでの8年は、少人数で意思決定を速く回すことを最優先にしてきました。機能の幅が狭いうちはそれが最も合理的でしたが、いまはプロダクトの守備範囲が広がりとAIという大きな変革に伴い、前提が大きく変化しました。
• その中で私たちは、一人あたりのアウトプットや貢献範囲をAIで広げる道を選びました。これからのプロダクト開発においては、何を作るべきかを決める力と、LLMの出力を製品の品質として保証する設計こそが求められます。そして、この2つを開発組織として対応していくために、体制強化を目的とした採用に取り組んでいます。

期待する役割

• Kakeaiに蓄積された1on1データを、ユーザーが次の一手を決められる情報へ変える。その機能と、支える基盤を設計・実装し、品質を保ち続ける状態まで持っていく役割です。
• 対象はプロダクトの中核ロジックの構築です。何を作るかの定義、アーキテクチャの選定、LLMの出力品質をどう測るかの基準づくりまで含みます。
• 進め方は決めていません。目的を達せられるなら、実装で解くことも、問題そのものをなくすことも、どちらも良い解決だと考えています。
• また、約10名の小規模な開発チームにジョインしていただくため、お一人の判断がプロダクトの方向に大きなインパクトを与えます。だからこそ、期待する役割も条件も、お互いに納得できるまで話したいと考えています。

具体的な業務内容

• Kakeaiの機能開発、運用改善、パフォーマンスの最適化
• アーキテクチャ設計、技術選定、技術検証
• AIを活用した機能の企画と実装
• 生成AIを前提とした実装・レビュー・テストの進め方の設計と改善
• 事業課題に対する技術提案
• 技術的負債の解消と開発者体験の向上
• チーム内での設計レビューとコードレビュー
• テクニカルサポート対応（持ち回りで担当）

チャレンジできる技術イシュー

• 向こう1年で6つのテーマに並行して取り組みます。どれを担当するかは、入社の時期とご本人の志向をふまえて一緒に決定していく予定です。アプリケーション寄りの方にはテーマ1か2を、基盤寄りの方にはテーマ3〜6をご提案します。
• 1. Kakeaiの大規模機能アップデート — 生成AIを全面的に使い、1on1の質と定着を一段引き上げます。難所はリリース後で、プロンプトの管理、評価データセットの整備、品質の継続計測、コストとレイテンシの最適化を回し続ける仕事が立ち上がります
• 2. ナレッジグラフの新規プロダクト化 — 業務データを構造化する機能を切り出し、独立したプロダクトとして立ち上げます。既存システムからの移管と認証統合を伴うため、稼働中のサービスを止めずに境界を引き直す設計が要ります
• 3. 外部SaaS連携基盤のリアーキテクチャ — バッチ中心の構成からリアルタイムに近い連携へ移行するとともに、複数のカレンダープロバイダーに対するデータ取得・トークン管理を共通化するサブシステムを構築します。
• 4. データ分析基盤の統合 — 蓄積された1on1データを、さまざまな集計・分析ニーズに応えられる基盤へ統合します。分析結果をそのままプロダクト機能へ転用できる場面が多く、ひとつの改善が複数の機能に返ってきます
• 5. クラウドインフラのガバナンス強化 — AWS環境のアカウント設計を発展させます。大企業の要求水準に応えながら、開発の速度を落とさない線引きが論点です
• 6. 開発・検証環境の運用効率化 — プルリクエストや商談・デモごとに、環境をオンデマンドで作成・破棄できる状態にします

アーキテクチャ

• 既存機能の一部はRuby on Railsで動いており、新アーキテクチャへ順次移行しています。新しく作れるものはPython / FastAPIで作り、機能の大部分がRails側にあるものはRailsを改修する方針で、実際に触る比率はおおよそ半々です。移行のために機能を止めない前提があるため、どこまでを一度に作り替えるかの判断が都度発生します。
• また、1on1の実施が月初に集中するため、ピークは月初に約50万リクエスト／時間に達します。リクエスト単位とバッチ単位の双方で、設計の見直しが継続的に必要です。

開発環境・技術スタック

• 言語
• Python, TypeScript, Ruby
• フレームワーク
• FastAPI（Asyncio）, Angular, Ruby on Rails
• インフラ
• AWS（Aurora・MySQL / ECS・Fargate / Lambda / CloudWatch / Chime / S3 / AWS Batchなど）, Terraform
• CI/CD
• GitHub, CodePipeline
• 監視
• Datadog
• AI基盤
• ナレッジグラフ（Graphiti + Neo4j）, LLMOps（Langfuse自社ホスト）
• 開発端末
• Mac / Windows / Linuxから選択可
• デュアルディスプレイ環境（標準モニター / 曲面型から選択可）

開発で使えるAIツール

• 開発部門でAI予算を確保しており、Claude CodeとCodexは全員が使えます。AIコードレビューツールのCodeRabbitも導入済みです。
• 必要と判断した投資は速く決めます。Datadogへの移行も、AIエージェントの法人プランへの移行も、いずれも数日で意思決定しました。

AIの利活用領域

• いま主にAIを活用している領域は下記の4つです。
• プロダクトの中核ロジックLLMが生成した解釈をユーザーの次の行動につなげる部分で、年内のリリースに向けて本番に近づいています。
• 業務文脈の構造化業務で発生する各種データを、人・組織・仕事の関係性を図るための一次情報として蓄積しています。Graphiti + Neo4j を用いて、取り込みを層ごとに疎結合なパイプラインとして組み、推論を担う層だけを差し替えて評価できる構造にしています。
• 品質の継続計測生成された事実が原文から論理的に導けるかを、より強いモデルによる判定で採点します。スキーマ違反や矛盾は決定論的なルールで機械検出し、判定に使うモデルとプロンプトと閾値もバージョン管理して、過去の測定と比較できる状態にしています。
• 開発と運用の可観測性Langfuseを自社ホストし、トレース・プロンプト・評価スコアを、いつでも遡って追える状態にしています。

意思決定出来る範囲

• 担当テーマの設計と実装方針は、ご自身で決めて進めていただきます。アサインが決まった後の進め方はチームに委ねています。
• LLMを使う機能では、プロンプトの構成、評価の指標、品質の閾値をどこに置くかを提案し、決めていただきます。
• 技術選定はチームの設計レビューを経て決めます。既存の構成をそのまま踏襲する前提は置いていません。
• 技術的な意思決定や、同僚が抱える課題への支援は、役職ではなく意欲に応じて担える体制にしています。範囲を広げたい方は広げられますし、実装に集中したい方はそのまま力を発揮していただけます。

開発組織

• エンジニアとプロダクトマネジャーを合わせて約10名の開発部門です。大手IT企業のテックリードやHR系スタートアップのCTOなど、経歴の異なるメンバーが集まっています。
• プロダクトマネジャーやカスタマーサクセスと密に連携するため、顧客の課題がそのまま設計の判断材料として届きます。分業はあえてせず、複雑な仕様を整理して実装まで携わるような、フルスタック・フルサイクルな開発環境です。

開発の進め方

• コーディングとテストでは生成AIを日常的に使い、設計の判断は人が確認します。要件定義や設計は、チームで一緒に言語化しながら進めます。
• マイルストーンは関係者全体で設定 — 事業計画をもとに、エンジニア・プロダクトマネジャー・セールス・カスタマーサクセスで、向こう3か月の流れを合意します。
• 週次で優先順位を調整 — 毎週、CTOとプロダクトマネジャーが優先順位とアサインを確認し、5〜6名の職能横断チームで開発を進めます。
• 迷う場面はチームで相談 — 5〜6名のチームで朝会を持ち、設計レビューとコードレビューを相互に行います。
• 隔週金曜日のTechミーティング — プロダクトの数値レビュー、課題感の共有、エンジニアからの技術提案を議論する場です。

立ち上がりの流れ

• 〜1か月
• 既存機能の改修を通じて、プロダクトの特性と業務ドメインを掴んでいただきます。設計・レビュー・デプロイの流れを一緒に確認しながら進める期間です。
• 1〜3か月
• 開発組織としてその時に取り組むテーマの中から1つご担当いただき、既存の担当メンバーに相談・レビューを受けながら主体となって開発を進めていただきます。
• 3〜6か月
• 新規プロダクトへの移行のように、チームで分担して進める規模のプロジェクトに入っていただきます。担当範囲を一部分から段階的に広げていく形を想定しています。

この仕事で得られる経験

• これから本番に乗せるAI基盤を、設計から決められる
• ナレッジグラフとLLMの品質計測は、いずれも検証から製品化へ向かう段階です。設計の判断が残っている分、決められる範囲が広くなります。
• LLMの出力を製品の品質として保証する経験
• 生成物の品質を測る指標を決め、閾値を置き、継続的に計測する。答えが定まっていない領域を、基準ごと自分たちで作ります。
• 少人数とAIで生産性を引き上げる体制づくりに、立ち上げから関与できる
• 開発ワークフロー全体のAI化は、いま方針を決めている段階です。
• 大企業の要求水準に応えるSaaSの設計と運用
• 高いセキュリティ水準と、300万回分を超える1on1データを扱う大量データ処理・パフォーマンス改善の両方を経験できます。
• 職種の境界に縛られない担当範囲
• インフラを見ながら新規プロダクトのバックエンドを考えるといった動き方ができます。