Un poste à part : fullstack Python + React + TypeScript, LLM déjà livré à de vrais utilisateurs

Le trou sur le tableau n’est pas « quelqu’un qui a aussi essayé GPT ». C’est un poste fullstack : Python sur l’API, React et TypeScript sur l’écran opérateur, et une feature LLM qui a déjà rencontré de vrais utilisateurs — abort au milieu du stream, un collage de 40 pages, un double tap sur envoyer. Cette barre, c’est le sens de l’offre.

J’ai déjà écrit le rôle fullstack générique, et la demande AI engineer Python qui nomme LangGraph et RAG en prod. Ici, l’autre poste. Ce ne sont pas des versions plus molles l’un de l’autre.

1. Pourquoi cette offre existe

Beaucoup de produits ne peuvent pas embaucher un AI engineer, un backend et un frontend pour une feature. Ils veulent une personne qui a déjà franchi la frontière produit avec un modèle. La JD est une décision de budget autant qu’une liste de compétences.

• Le travail LLM est une surface dans une app existante, pas une plateforme de retrieval. L’utilisateur a déjà un écran. Le modèle doit y vivre.
• « Livré à de vrais utilisateurs » est le filtre qui tue le hackathon. Localhost ne compte pas. Une démo au café non plus.
• Python plus React plus TypeScript est nommé parce que la stack est déjà coupée comme ça — FastAPI ou Django d’un côté, une UI typée de l’autre — et ils ne paieront pas une réécriture Next-only ou Python-only.

2. Ce que « solide des deux côtés » veut dire dans l’offre

Ça ne veut pas dire « je sais lire l’autre repo ». Ça veut dire que la personne a livré un contrat typé entre les deux runtimes et ne les a pas laissés diverger un vendredi.

• Python : l’API, l’auth, les jobs, l’adaptateur vers le modèle, les secrets qui ne quittent jamais le serveur.
• React + TypeScript : abort, états vides et dégradés, citations en UI, une carte de confirmation pour un outil — pas un dump markdown du modèle.
• Un schéma : Pydantic côté serveur, TypeScript depuis OpenAPI ou un Zod généré. Deux interfaces écrites à la main qui divergent, c’est comme ça que ce hire rate au deuxième mois.

3. Ce que « déjà livré à de vrais utilisateurs » élimine

Interviewez les cicatrices, pas le screenshot. Les utilisateurs abortent, collent un livre, et tapent envoyer deux fois. Si la personne ne peut pas nommer ces trois-là, elle n’a pas livré.

• Auth sur le stream, pas seulement sur la page. Une URL EventSource qui fuit, c’est un corpus qui fuit.
• Un stream en événements qu’une UI peut distinguer : token, citation, tool_propose, error, done. Des chaînes concaténées ne montrent ni source ni confirmation.
• Une erreur nommée quand le fournisseur est down. J’ai écrit le playbook de panne ChatGPT. Le produit a besoin d’une chaîne, pas d’une bulle vide.
• Un feature flag. Livré, ça veut dire qu’ils pouvaient couper le chemin du modèle sans rollback du site.

4. Qui publie ça — et qui ne devrait pas

Cette offre colle quand le produit a déjà une UI, que le backend est déjà Python ou le restera, et que la feature LLM est une tranche de l’app. Elle ne colle pas quand le job est une plateforme de corpus avec des evals et un graphe qui doit refuser.

• Équipes seed et petits produits, outils internes, agences qui posent un copilote dans une app React existante.
• Pas un substitut de l’AI engineer Python d’abord quand la douleur est un retrieval périmé, la fidélité, et un graphe en prod. Cette demande est l’autre article.

Conclusion : deux sièges, deux prix

Fullstack ici, ça veut dire que la boucle Python et l’écran React partagent un schéma, un stream et une confirmation — et que ça s’est déjà passé devant des utilisateurs. Un notebook avec une enveloppe React reste un notebook. Rédigez cette offre comme un siège à part. Si la même JD nomme aussi LangGraph, des pipelines RAG et un système LLM tenu en prod, vous cherchez deux seniors. Prixez-le ainsi, ou séparez l’offre.