Skapa est une des premières agences en France à exploiter les méthodes du Design Thinking et à les adapter à chaque organisation. Skapa facilite la transformation des organisations, à travers la conception collaborative de nouveaux modèles économiques tournés vers les services. Skapa ancre une dynamique positive de transformation des méthodes de travail et insuffle auprès des équipes qu’elle accompagne, une organisation plus agile, créative, fédératrice, transverse et communicante. Skapa impacte vos offres, crée de nouvelles solutions opérationnelles adaptées à vos clients cibles, vos stratégies, vos ressources. Skapa exploite ses compétences d’innovation et son esprit de challenge pour innover et concevoir vos solutions digitales, vos labs, vos sièges sociaux, vos objets connectés. Skapa stimule l’adhésion de toute l’organisation autour des solutions innovante crées et prépare ainsi un contexte positif à leur éclosion en interne et sur le marché. Skapa accompagne votre politique d’innovation, de transformation stratégique et réintègre vos clients dans la construction de vos enjeux d’avenir, dans le financement de vos innovations. Skapa conçoit une véritable expérience collaborateurs/client et réalise des solutions produit et digitale.
🎯 Rôle et mission générale
Le PO IA est responsable de
la vision, du cadrage, de la priorisation et de la valeur métier
des projets IA.
Il se positionne comme
interface stratégique
entre les équipes Métiers, Data Science, Data Engineering, MLOps, Conformité, et l’AI Factory.
Il Garantit Que Les Projets IA
répondent à une problématique métier réelle,
sont faisables techniquement,
sont déployables et maintenables,
respectent les règles de gouvernance IA et RGPD,
délivrent de la valeur mesurable.
🧩 Responsabilités clés
Cadrage \& analyse métier
Formaliser les besoins métier et les convertir en problèmes IA.
Définir le scope, les objectifs, les KPIs métier, et la valeur attendue.
Animer les ateliers avec les utilisateurs, experts métier et équipes Data.
Gestion du backlog IA
Prioriser les user stories IA selon la valeur et la faisabilité.
Définir les acceptance criteria (y compris qualité data / performance).
Arbitrer les évolutions avec les métiers et la Data Science.
Pilotage du cycle de vie des modèles
Suivre l’avancement des travaux (data prep, modeling, évaluation, MLOps).
S’assurer du respect des pratiques de gouvernance IA (documentation, CT-AI, explicabilité).
Participer à la définition des conditions de mise en production.
Déploiement \& adoption
Préparer le plan de déploiement (communication, formation, conduite du changement).
Contribuer à la rédaction des guides utilisateurs et processus d’escalade.
Suivi de performance \& amélioration continue
Surveiller les KPIs métier / KPIs IA post-déploiement.
Déclencher les revues de performance et mises à jour.
Proposer des optimisations basées sur les retours utilisateur.
Gouvernance IA
Travailler avec DPO / Conformité sur les risques IA, RGPD, explicabilité.
Rédiger les notes de cadrage IA et participer aux comités IA.
Garantir la cohérence avec la gouvernance AI Factory.
🛠️ Types de missions réalisées
Cadrage d’un assistant conversationnel GenAI
Pilotage d’un modèle prédictif (CLV, segmentation, scoring, forecast)
Mise en production d’un moteur RAG ou d’un agent multi-actions
Déploiement d’un modèle en boutique / call center / e-commerce
Évaluation de solutions IA externes (vendors / SaaS)
Animation d’un comité de gouvernance IA
Compétences techniques / data
Compréhension des modèles ML / DL, LLM, RAG, pipelines MLOps
Lecture et validation de métriques (accuracy, F1, recall, perplexity, hallucination rate)
Culture Data Engineering (ETL, qualité, versioning)
Culture MLOps (CI/CD, monitoring, drift)
Connaissances en gouvernance IA (CT-AI, explicabilité, fairness)
Compétences fonctionnelles
Cadrage produit
Priorisation / Roadmapping
Définition KPIs métier
User research / ateliers
Soft Skills
Leadership transversal
Capacité de vulgarisation technique
Gestion de conflits / arbitrages
Orientation ROI et business value
🔧 Technologies / outils à maîtriser
(niveau PO : compréhension, pas développement)
ML/DL : scikit-learn, XGBoost, PyTorch, TensorFlow (vision conceptuelle)
GenAI : OpenAI, HuggingFace, Llama, RAG, LangChain
Data pipelines : Airflow / Dagster
MLOps : MLflow, Vertex AI, Databricks, Sagemaker
Monitoring : EvidentlyAI, Fiddler, WhyLabs
Collaboration : Jira, Confluence, Notion
UX / CX : Figma, Miro