開発(Product) の求人一覧 - 株式会社SalesNow

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。BtoBの仕事の進め方を、企業データとAIで組み替え、1人が生み出せる価値を増やします。AI時代の企業データインフラをつくるData AI Companyです。企業・組織・拠点・部署まで構造化した、1,600万件超の法人・組織データベース（80億レコード）を持っています。企業データベース収録件数No.1を獲得しています（2025年10月期・日本マーケティングリサーチ機構調べ）。このポジションでは、このデータを画面・API・MCPを横断して、人とAIエージェントがそれぞれ使いやすい形で届けます。このデータは、独自の収集網「SalesNow Data Network」の3つのルートから集めています。Web情報をAIで日次更新する基盤、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集、月間700万PVの自社メディアに集まるユーザー投稿。アナログな収集は実地調査から紙の資料の読み取りまで及び、自社メディアのユーザーネットワークもその一部を担います。この3つを組み合わせ、検索では出てこない組織図や部署の直通番号まで取りにいっています。独自のJCコードで、本社だけでなく工場・支社支店・店舗まで拠点ごとに一意のIDを振り、多拠点やグループ会社を正確に串刺しできます。企業ごとに付与できる情報は50項目を超えます。本社・拠点・部署の構造を踏まえ、検索条件、一覧・詳細画面の配置、APIで返す情報を設計します。企業データを使う人の視点で、情報設計からUI・APIの実装まで一貫して担えます。このデータを、企業データベース『SalesNow』、SalesNow MCP、Data API（ベータ版）で届けています。顧客は条件検索でターゲット企業を特定し、採用の増加・資金調達・拠点の開設といったシグナルでアプローチの時期をつかみます。営業担当者は、AIワークフローで商談準備のレポート作成や議事録のSFA登録を進め、商談に集中できます。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。導入実績のあるプロダクトで、検索画面からAPIまで設計・開発・運用を担うことも可能です。人を増やした分だけ売上が伸びる時代は、終わりました。働き手が減る日本で、1人が生み出せる価値を増やすことは、あらゆる仕事の前提になります。SalesNowはバリューに「AIネイティブ」を掲げ、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。エンジニアにとっては、1人で届けられるプロダクトの価値をAIでどこまで増やせるかを、実際の事業で試せる環境です。＜募集背景＞企業データを使う入口が、画面だけではなくなりました。『SalesNow』の画面に加えて、Salesforce・HubSpotとの連携、API、MCPと、企業データが使われる経路が増え、ユーザーが直接触れるInterfaceレイヤーの開発ニーズが急増しています。人が使う画面と、担当者がAIエージェントを通じてデータを取得するMCPを、同じデータ基盤の上で設計します。提供形態の拡張に伴い、画面とAPIの情報設計・実装・運用を担うWebエンジニアを増員します。企業データの届け方を、自分の技術判断で磨き込めるポジションです。＜ミッション＞営業担当者やAIエージェントが、1,600万件超の法人・組織データから必要な企業に最短でたどり着ける入口をつくることです。画面とAPIの設計を通じて、顧客企業で働く一人ひとりが生み出せる価値を増やします。その検索・表示機能とAPIを、顧客が日々の業務で使い続けられるプロダクトに育てます。機能を足すだけでなく、データ設計・アーキテクチャ・評価基盤まで含めて、プロダクト全体を進化させます。＜お任せしたい業務内容＞PdMなどと連携し、『SalesNow』の設計・開発・運用を担います。フロントエンド開発・UI/UXの持続的な改善と運用設計バックエンドAPIの設計・実装1,600万件超の企業データを活用した検索・表示機能の開発AI機能（企業サマリ、課題サジェスト等）のフロントエンド実装パフォーマンス改善・アクセシビリティ向上技術選定、アーキテクチャ設計、実装開発プロセスの改善、開発組織の強化・運営経営陣（CEO・COO）と長期的な技術課題や組織構築について密に議論し、開発組織の戦略を検討するいま取り組んでいる課題の例全文検索基盤（OpenSearch・約1.05億ドキュメント・約460GB）で、企業・拠点・部署などを横断する検索を支えるデータの取得と投入を設計し直し、検索インデックスの再構築時間を縮める※従事すべき業務の変更の範囲：有り＜利用する技術・ツール＞技術スタック言語: Python（FastAPI）, TypeScript（Next.js）, SQLミドルウェア: PostgreSQL, Elasticsearch / OpenSearchインフラ: AWS, GCP, Fastlyデータ: Scrapy, Airflow, Spark on Databricks, S3, Aurora PostgreSQLAI/LLM: Amazon Bedrock, Azure OpenAI, Claude, Gemini開発ツール: Claude Code, Codex, Cursor, GitHub Copilot, CodeRabbit, n8nデザイン: Figmaコミュニケーション: Slack, GitHub, Notion, Asana, Google Workspace開発の進め方スクラム開発をベースとしたアジャイル開発です。ミッションごとにスクラムチームを編成し、デイリースクラム・スプリントプランニング・スプリントレビュー・ポストモーテムを実施しています。AIを前提にした開発AIツールへの支出は、1人あたり月平均10万円以上です（会社負担）Claude・Geminiは全員が使えます。Codexも併用し、用途でモデルを使い分けますClaude Code・Cursor・GitHub Copilotで実装の初稿をつくり、CodeRabbitをPRレビューの一次チェックに使いますClaude Codeを複数並列で動かし、調査から実装・検証・リリースまでを1人で回す進め方も取り入れていますn8nでAIを組み込んだ業務フローを構築しています。プロダクト開発で使うAIに加え、自分の業務をどう組み替えるかも、担当者自身が設計できます複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます直近30日でマージされたPRは2,229本です（2026年9月12日時点・全リポジトリ）。この開発量のなかで、担当する画面とAPIへの変更の影響を確かめ、品質を保ったまま改善を届けます＜ポジションの魅力＞① 実装の初稿はAIでつくり、設計と品質の判断に時間を使う実装の初稿はClaude Code・Cursorでつくり、PRの一次チェックにはCodeRabbitを使います。全リポジトリで直近30日に2,229本のPRをマージした開発環境です（2026年9月12日時点）。この開発量を支える品質確認にも携わり、複数のLLMの指摘を実データやログで検証して採否を決める経験を積めます。初稿の作成にAIを使う分、検索・表示体験をどう設計すれば顧客が使い続けるかに力を注げます。フロントエンドとバックエンドAPIの両方を担当し、使いやすさと性能を一体で磨けます。設計の選択から実装・品質検証まで、自分の技術判断を通せる仕事です。② 人が画面とAIで企業データを使う入口を、自分の設計でつくる画面・Data API・SalesNow MCPと、提供形態を横断してInterfaceを設計します。営業担当者が画面で企業を探す体験と、顧客の担当者がClaude・Cursorを通じてSalesNow MCPから企業データを引く体験の両方を、自分の設計で形にできます。JCコードで識別する本社・拠点と、組織図・部署情報を、画面ではどう探せるようにし、API・MCPではどう取得できる形にするか。実際のユーザーの使い方を確かめながら、独自の企業データ構造を使いやすいインターフェースに変える設計力を磨けます。③ 目的と予算を合意したら、進め方は自分で決めるAIで処理する範囲、人が判断する範囲、使うモデルやツールも担当者が選びます。経営陣も自分でコードを書きます。画面・API・MCPの情報設計から、1億件規模の検索基盤の改善、技術選定やアーキテクチャまで、実装を示しながら経営陣と直接議論できます。ユーザー体験と性能への影響を根拠に技術を選び、自ら実装までつなげます。④ フルリモート×フルフレックスで、住む場所に縛られずに働く住む場所を変えずに、導入実績のあるプロダクトの画面・API・MCPを横断する開発に携われます。プロダクト職はフルリモートで、地方在住なら、出社は年1〜2回の全社イベントだけです。コアタイムのないフルフレックスです。Slack・GitHub・Notionでの非同期のやり取りが定着しているので、設計に深く潜る時間を自分で確保できます。2〜3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では、それを毎日の開発で実践しています。＜身につくもの＞人が画面で使う検索体験と、AIエージェントがSalesNow MCP・Data APIから企業データを呼び出す体験を、同じデータの上で設計した経験が残ります。1億件規模の検索基盤で、データ取得と投入のボトルネックを検証し、検索インデックスの再構築時間を縮める設計にも取り組めます。PdMと連携して届ける機能を具体化し、AI機能のフロントエンド実装から本番運用まで担います。合意した目的と予算のもとで、LLMのコストと精度を踏まえた実装方法を自分で決めます。＜選考プロセス＞原則すべてのステップをオンラインで実施します。エントリー書類選考Web面談（2〜5回）リファレンスチェックオファー面談＜SalesNow Information＞採用サイト：https://recruit.salesnow.co.jp/全社資料：https://speakerdeck.com/salesnow/company-deckCulture deck：https://speakerdeck.com/salesnow/culture-deck一緒に働くメンバーのインタビュー（API・MCPの開発を担うエンジニア）：https://note.com/salesnow/n/na813feacc9cbCEO note：https://note.com/atsunori_muraokaCOO note：https://note.com/yosukekume

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。この基盤の上で、画面・CRM連携・Data API・SalesNow MCPが使う企業データの取得処理を設計します。用途に応じて性能と正確性を両立させることが、バックエンドエンジニアの仕事の中心です。この規模と粒度は、Webを集めるだけでは組み上がりません。独自の収集網「SalesNow Data Network」は3つのルートでできています。1つめは、Web情報をAIで日次更新するデジタルの基盤です。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集で、実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。アナログな収集・投稿・Webという性質の違うデータを1つのIDに収斂させるため、取り込みと名寄せの設計がそのままデータの価値を決めます。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。組織図と部署の直通番号まで持ち、部署連絡先は750万件超。50項目超の情報と、大業界30件〜／小業界400件〜／事業内容3,000件〜の3層分類を扱います。拠点ごとのJCコードと組織・部署の階層、多数の属性を、APIと検索インデックスにどう反映するかを設計します。グループ会社を横断する検索や部署単位の絞り込みを支え、検索の粒度と応答性能を両立させる経験を積めます。AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。企業データは、『SalesNow』の画面と、Salesforce・HubSpot・kintoneとの連携で届けています。Data APIはベータ版として、Company / News / Recruit / Organization の4種別を提供しています。SalesNow MCPを通じて、Claude・CursorなどのAIエージェントからも直接利用できます。営業戦略コンサルティングからデータ基盤の構築・AI実装・営業BPOまで一社で提供しているので、顧客が企業データを実際にどう使っているかが、要望ではなく事実として設計に届きます。APIの仕様や検索の粒度を、現場の使われ方を知ったうえで自分で決められます。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。いま設計するAPIとデータ構造は、その広がりを前提に考えることになります。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。大手企業への導入実績があるプロダクトだからこそ、APIの応答速度と後方互換の判断が、顧客の業務を止めない設計の力として問われます。営業の現場で鍛えられた要件と、独自に集めた企業データの両方を手元に持ったまま、拠点ごとのIDと組織・部署の階層を、人にもAIエージェントにも返せる形に設計できます。人を増やした分だけ売上が伸びる時代は、終わりました。 だからSalesNowは、組織が大きくなる前にAI前提の組織へつくり替えました。バリューに「AIネイティブ」を掲げ、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。実装から品質検証までの開発工程を設計し直し、1人が担える開発の範囲を広げることが、バックエンドエンジニアのこの目標への関わり方です。＜募集背景＞中核のプロダクトAPIは、Python（FastAPI）で実装しています。バックエンドエンジニアは、このAPIとLLM機能・SalesNow MCPの設計・実装を担います。画面で検索する人と、企業データを取得するAIエージェントの双方を支えるバックエンドをつくれる仕事です。同じデータに対して、人が1回ずつ検索する場合と、エージェントが連続で叩く場合では、必要な設計が変わります。APIのリポジトリでは、直近30日間で780本のPRがマージされています（2026年9月12日計測）。AIを使うことで、実装できる量は増えました。一方で、その変更を設計とデータの前提から確かめられる人が足りていません。検索基盤の性能、モデル層の設計、LLM機能の品質を同時に引き上げ、増えた変更を本番へ届ける仕組みをつくるバックエンドエンジニアを募集します。＜入社後に取り組む課題＞2026年9月12日時点で、次の課題に取り組んでいます。フルリインデックスの時間を縮める。対象は、企業・拠点・部署などを横断するOpenSearchの全文検索基盤（1.05億ドキュメント・約460GB）です。改善候補である取得側のDBクエリと投入処理を設計し直します2,800行のモデル層を、稼働を止めずに分解する。循環インポートを解消し、レイヤーの境界を明確にする4フェーズの計画です。Strangler Fig・Feature Flag・APIバージョニングを使い、後方互換を保ちながら段階的に分解します。障害対応と並行して進めますどちらも、顧客が毎日使うプロダクトで、設計の判断がそのまま性能と安全性に表れる課題です。＜お任せしたい業務内容＞PdM・セールス・アカウントマネジメント・フロントエンドの担当者と連携し、SalesNowの中核を支えるバックエンド開発をリードしていただきます。LLMとAI Agentを使った機能を中心に、設計・実装を担います。経験や志向に応じて調整します。Python（FastAPI）・TypeScript（AWS Lambda）によるバックエンドAPIの設計・実装・保守・最適化LLMを活用したAI機能（企業サマリ、課題サジェスト、経済情報サマリ等）の設計・実装商談準備のレポート作成、リストの生成、議事録のSFA登録、CRMへの記録、リードのスコアリングを支えるAIワークフローの設計・実装（AI Agent自体の設計・実装を含む）SalesNow MCPの設計・開発プロンプトエンジニアリングとLLMパイプラインの設計AIモデルの評価基盤の構築（精度・コスト・レイテンシのバランス最適化）数千万〜数億件規模の法人データ基盤の構築・運用（PostgreSQL / Elasticsearch / DynamoDB / S3 / Databricks / n8n / LLM）高頻度アクセス・大量データに対応するパフォーマンスチューニング・データベースチューニングAWS上でのインフラ設計・監視・セキュリティ対応新機能・改善における要件整理・技術検証・設計提案CI/CD環境の整備、開発プロセスの改善、技術的な意思決定のリードプロダクトの成長に向けた、経営陣との技術戦略の検討 ※従事すべき業務の変更の範囲：有り＜利用する技術・ツール＞言語: Python（FastAPI / SQLAlchemy）、TypeScript（Next.js）、SQLデータベース・検索: Aurora PostgreSQL、Elasticsearch / OpenSearch、DynamoDBインフラ: AWS（Lambda / ECS / CloudFront / S3 / Firehose / Athena）、GCP、Fastly、Terraformデータ: Scrapy、Airflow（MWAA）、Databricks（Spark / Delta Lake）AI・LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8nデザイン: Figmaコミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace＜開発の進め方＞スクラムをベースにしたアジャイル開発です。ミッションごとにチームを組み、2週間のスプリントで開発します。デイリースクラム・スプリントプランニング・スプリントレビュー・ポストモーテムを行います。AIとの開発は、次のように進めています。Claude・Geminiは全員が使え、Codexも併用し、用途でモデルを使い分けます成果物は複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。エンジニアはCodeRabbitでPRの一次チェックを行い、その結果を踏まえて設計の妥当性・データの前提・影響範囲を確かめますAIへの指示書（.claude/skills/）も、コードと同じ手続きでPRレビューします。自分が見つけた指示の工夫を、チームで検証したうえで、ほかのメンバーも使える開発手法として共有できますClaude Codeを6並列で動かし、調査から実装・検証・リリースまで回すメンバーもいます。成果物はGitHubで管理し、並列で進んだ実装も、複数のLLMの指摘と人の確認を経てから本番に入ります。速さと検証を両立させる開発の型を、自分の手で回せます目的と予算を合意したあとは、担当者が進め方を決めます＜ポジションの魅力＞1,600万件超・80億レコードの法人・組織データベースとLLMを組み合わせ、PoCではなく本番で使われる機能へ仕上げます。LLMパイプラインの実装から本番の評価基盤まで一貫して担い、大規模な企業データを使うAI機能の品質を、実装と検証の両面から支えられるエンジニアになれます。Data → AI → Agent → Interface の4層のうち、AIレイヤーとAgentレイヤーを中心に担い、データが蓄積するほど機能が賢くなる構造を自分の手でつくります参照するのは、調査網と社内の体制がアナログに集めた情報と自社メディアの投稿、拠点ごとに一意のIDで紐づいた構造、組織図と部署の直通番号まで含むデータです。LLMの出力の品質を、プロンプトだけでなく参照データの構造から設計できます1.05億ドキュメント・約460GBの検索基盤の再設計と、2,800行のモデル層の段階的な分解を、稼働中のAPIを止めずに、自分の設計で進めます。Strangler Fig・Feature Flag・APIバージョニングを本番で使い分けた判断が、そのまま自分の設計の実績として残りますAIで変更量が増えたAPIのリポジトリで、変更を設計・データの前提・影響範囲から確かめる検証工程を、自ら設計できます。会社は社員1人あたりARRを3年で10倍にする目標を置いています。1人が担える開発の範囲をAI前提で広げる工夫が、そのまま事業の目標に直結しますAIツールへの支出は1人あたり月平均10万円以上（会社負担）です。目的と予算を合意したあとは、用途に合うモデルやツールを自分で選び、開発工程に組み込んで検証できます。複数のLLMを開発とレビューに組み込み、どこをAIで進め、何を人が検証するかまで自分で設計しますAzure OpenAI・Gemini・Anthropic のモデルを用途別に併用しています。精度・コスト・レイテンシを検証し、用途ごとのモデル選定から構成設計まで担うことで、特定のモデルに依存しないアーキテクチャを設計する力が身につきます企業データの品質判定にLLM as a Judgeを使います。判定の基準は人が定め、本番での検証工程を設計します。判定結果をどの根拠で採用するかまで設計するので、LLMを組み込むだけでなく、その出力の品質を保証する側の専門性が身につきます大手企業や急成長スタートアップ出身のエンジニア・ビジネスパーソンと共に働きます。高い技術力と開発組織の知見を吸収しながら、これから組織が拡大していくフェーズで、設計の方針もレビューの基準も決める側に回れます。技術の判断だけでなく、開発組織のつくり方まで経験として持ち帰れます技術選定や設計提案に、経営陣と直接議論しながら関われます。経営陣も自分でコードを書くので、実装の重さが分かる相手と、技術の判断を事業の優先順位から詰められます2〜3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前提で組織と業務を設計できるかどうかです。SalesNowのバックエンドエンジニアは、AIと人の役割分担を開発工程に組み込み、その設計を毎日の実装で試しています。＜選考プロセス＞原則すべてのステップをオンラインで実施します。エントリー書類選考Web面談（2〜5回）リファレンスチェックオファー面談＜SalesNow Information＞採用サイト：https://recruit.salesnow.co.jp/全社資料：https://speakerdeck.com/salesnow/company-deckCulture deck：https://speakerdeck.com/salesnow/culture-deckCEO note：https://note.com/atsunori_muraokaCOO note：https://note.com/yosukekume一緒に働くメンバーのインタビュー（API・SalesNow MCPの開発を担うエンジニア）：https://note.com/salesnow/n/na813feacc9cb

※This position is also open to non-Japanese candidates who are able to work in Japan as full-time employees.＜About SalesNow＞SalesNow upholds 「誰もが活躍できる仕組みをつくる。」 (Create systems where everyone can thrive) and is taking on the challenge of fundamentally changing how people work. We rebuild how B2B work gets done, using corporate data and AI so that each person can create more value. SalesNow is the corporate data infrastructure for that work. Our database covers more than 16 million corporate and organizational profiles, structured down to offices and departments, and built on 8 billion records.SalesNow Data Network, our own collection network, combines three routes. Our platform updates web information daily using AI. A partner network of tens of thousands of data researchers, working alongside our own in-house team, collects offline — from on-site surveys to reading paper documents. Our own corporate-information media attracts 7 million page views a month, and that user network also takes on part of the offline collection. Together these sources provide information unavailable through web search, including org charts and more than 7.5 million department contacts. You gain experience turning this proprietary company and department data into backend models that serve both search and LLM features.Our own JC code assigns a unique ID to each site — headquarters, plants, branches, and stores — not only to the company. Records are matched on corporate number, name, address, phone, URL, and email, through fifteen levels of priority. When a match stays inconclusive, an AI workflow supplements the company information from the latest web sources. Sales teams use signals such as a rise in hiring, a funding round, or a new office to see why a company is worth approaching now. You design the backend models and APIs that keep company, site, and department data usable for search and LLM features as those records change.Customers use search filters in SalesNow to find target companies. Through the Salesforce and HubSpot integrations, they enrich CRM records with company data and identify records that refer to the same company. Customers reach the same data from Claude and Cursor through SalesNow MCP. They connect their own systems through our Data API (beta), which ships as four APIs: Company, News, Recruit, and Organization. The Organization API covers departments, org charts, and sites. Our product, the CRM integrations, MCP, and the Data API put corporate data into different workflows. You improve the underlying APIs and data models, gaining experience representing companies, departments, and sites consistently across CRM integrations, customer applications, and LLM workflows.SalesNow ranks No.1 in corporate database record count (企業データベース収録件数No.1; survey period: October 2025; research by Japan Marketing Research Organization). Companies that have adopted SalesNow include Yamato Transport, Panasonic, LY Corporation, SMBC Nikko Securities, PERSOL CAREER, JCB, and GMO Payment Gateway. You develop the APIs and data models behind a product with adoption by major enterprises, which is where you build judgment about backend reliability and performance at that scale.The era when revenue grew in proportion to headcount is over. As Japan's workforce shrinks, each person needs to create more value. We have set a goal, starting from November 2025, of increasing ARR per employee tenfold within three years. As a backend engineer, you help shape how the team builds and verifies changes with AI, connecting architecture and review practices to the productivity of the whole engineering team.＜Why We Are Hiring＞At the center of the product is our Python (FastAPI) product API. 780 pull requests were merged into it in the last 30 days (measured on 2026-09-12). You will help design how the team verifies changes at this pace. SalesNow is approaching Series B, and you can shape the backend architecture and engineering practices as the product enters its next growth phase.Working with AI has increased how much code we can ship. Engineers exercise judgment by checking whether each change fits the architecture and handles the underlying data correctly. We are looking for a backend engineer who can improve search performance, redesign the model layer, and improve the quality of LLM features.＜Problems You Will Work On＞As of 2026-09-12, these are open:Reduce full reindexing time for our OpenSearch platform, which holds 105 million documents (about 460 GB) and supports searches across companies, offices, and departments. Source-side DB queries and the ingestion process are the candidates for improvement, and you will redesign themBreak up a 2,800-line model layer without stopping the service. A four-phase plan is in place to resolve circular imports and clarify layer boundaries, and you will refine and execute it. It uses the Strangler Fig pattern, feature flags, and API versioning to preserve backward compatibility. This work runs alongside incident response＜Responsibilities＞You will be responsible for backend development at the core of SalesNow. The scope will be adjusted to your experience and interests.Backend development of generative AI and data features using Python (FastAPI) and TypeScriptDesign, PoC, and production implementation of new LLM-based featuresStructuring, summarizing, and interpreting company data with LLMsUsing LLMs to prepare company information and suggested next steps for salespeople to review and act onFast product iteration with PdMs: hypothesis, implementation, user validation, and improvementImproving and refactoring existing APIs and data modelsImproving the performance of features that handle large volumes of dataEvaluating edge-case behavior and verifying quality and reproducibility※Scope of changes to duties: yes (従事すべき業務の変更の範囲：有り)＜Tech Stack＞Languages: Python (FastAPI / SQLAlchemy), TypeScript (Next.js), SQLDatabases / Search: PostgreSQL (Aurora), Elasticsearch / OpenSearchInfrastructure: AWS (ECS and others), GCP, FastlyAI coding and review: Claude Code, Codex, Cursor, CodeRabbitWorkflow: n8nInternal tools: GitHub, Slack, Notion, Asana, Google Workspace＜How We Work＞We run Scrum-based agile development in small teams formed per mission, with daily scrums, sprint planning, sprint reviews, and postmortems. You also discuss the product with board and business members almost every week, so customer problems reach your design decisions directly.This is how we work with AI:AI tool spending averages more than JPY 100,000 per person per month (company-paid). Everyone can use Claude and Gemini, and we also use Codex. You can compare models in implementation and review, and build the judgment to choose which tools fit each backend task and how to verify their outputWe ask multiple LLMs to review our work, and people check the evidence before deciding what to adopt. CodeRabbit does the first pass on pull requests, so engineers can focus on design validity, data assumptions, and impactEngineers use AI to prepare candidate outputs. They then verify the evidence and make the final decision. We do not build AI features as black boxes, so you design features whose reasoning engineers can inspect and verifyOnce the goal and budget are agreed, the person in charge decides how to get there. Our leadership team also writes code＜Why Join Us＞Ship LLM features that businesses use in their daily workYou design and ship LLM features that structure, summarize, and interpret company data to support business decisions. You build them on SalesNow's database of more than 16 million corporate and organizational profiles, backed by 8 billion records. You own their accuracy and cost in production, which is how you build the judgment to say when an LLM feature is ready to ship and when it is not.Shape architecture for an API with 780 PRs merged in 30 daysAs measured on 2026-09-12, 780 pull requests had been merged into the product API over the preceding 30 days. You design checks for backward compatibility, data assumptions, and LLM outputs across this volume of changes. You gain experience designing a release process that supports AI-assisted development while keeping engineers responsible for production quality. Product roles here work fully remotely, and several of our employees live in Kyushu, so you can do this from anywhere in Japan.Design how engineers build and verify with AIOne of our engineers runs six Claude Code sessions in parallel to carry work from investigation through implementation, verification, and release. Instructions for AI (.claude/skills/) go through pull request review like code. AI tool spending averages more than JPY 100,000 per person per month (company-paid), so you can test Claude, Gemini, and Codex against real backend work and decide which one fits each task. You decide which implementation tasks to accelerate with AI and where engineers must verify the results. You design the development process to handle a growing volume of changes while keeping quality decisions in engineers' hands.In two to three years, using AI will be a given. What will set people apart is the ability to redesign workflows and organizations around AI. At SalesNow, we do that every day.＜Hiring Process＞Application screeningInterviews (multiple rounds)Reference checkOffer meeting (job offer)＜Links＞Interview with an engineer on our team, who joined as an intern and now develops SalesNow MCP and our API (Japanese): https://note.com/salesnow/n/na813feacc9cbFull job details (Japanese): https://herp.careers/v1/salesnow0801/HEBpyxeUCiszRecruiting site: https://recruit.salesnow.co.jp/

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集で、実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。出所も更新方法も異なる3つのルートを、同じ企業へ正しく結び付ける。その統合の設計が、シニアデータエンジニアの仕事の中心です。データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。組織図と750万件超の部署連絡先では、どの部署にどの直通番号を結び付けるか、その照合基準を設計します。営業担当者が代表電話を経由せず狙う部署につながれるよう、データの整合性を設計から支えます。法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合して1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。50項目超の付与情報について、何を根拠に採用し、どう品質を確かめるかの設計が可能です。大業界30件〜・小業界400件〜・事業内容3,000件〜という3層の分類を扱います。粒度の異なる情報をどう整合させるかは、あなたの判断で決まります。データソースは100万件以上。月次で追う従業員数の時系列も含め、変化する企業情報の品質を継続して保つ仕組みをつくれます。シニアデータエンジニアは、これらの情報の整合性と更新時の品質を、基盤全体の設計から支えます。AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。担当者は『SalesNow』の画面や、Salesforce・HubSpot・kintoneとの連携を通じて企業データを利用できます。Data APIはベータ版として、Company・News・Recruit・Organization の4種別を提供しています。SalesNow MCPを通じて、Claude・CursorなどのAIエージェントからも直接参照できます。同じデータが営業の担当者とAIエージェントの両方に届くので、基盤の設計1つが、届け先すべての品質を決めます。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。顧客の窓口は営業出身のコンサルタントとアカウントマネジメントで、その背後でデータチームが分析と実装を支えます。顧客が実際にどう使っているかが、基盤を設計する側に届く体制です。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。あなたが設計する基盤は、特定の1プロダクトの裏側ではなく、会社が扱う範囲そのもののデータインフラです。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。あなたが設計する基盤が、こうした大手企業に届けるデータの品質を決めます。営業の専門性・データ基盤・AIの先進性が揃うSalesNowでは、顧客が必要とする情報から逆算して基盤を設計できます。＜募集背景＞人を増やした分だけ売上が伸びる時代は、終わりました。 SalesNowはバリューの1つに「AIネイティブ」を掲げ、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。データ基盤の設計は、その目標の前提です。あなたが担うのは、80億レコードの収集・名寄せ・品質検証の進め方を設計し、チームの1人ひとりが扱える仕事の範囲を広げることです。企業データの提供は、『SalesNow』の画面に加えてData APIとSalesNow MCPへ広がっています。そのなかで、バッチ処理の安定化、APIのスケール対応、コストを意識した性能最適化を、個別の改善ではなく基盤全体の設計として解く段階に来ています。このデータ基盤のアーキテクチャ設計と運用をリードし、データチームの技術的な方向を決めるシニアデータエンジニアを募集します。構築・改善を担うメンバー層も採用しており、これまでの技術リード経験を、80億レコードの基盤全体とチームの開発方針を決める役割へ広げられます。設計レビューとメンタリングを通じて、自分の設計判断をチーム共通の品質基準に落とし込めます。＜ミッション＞デジタル・アナログな収集・ユーザー投稿という性質の違う3つのルートから届く情報を、根拠のある1つの企業像として束ね続けることです。何を集め、どの条件なら使えるデータとみなすか。その基準を決め、チームの誰が開発しても同じ品質で動く仕組みにします。基準が決まるほど、80億レコードは人の目視ではなく設計で守れるようになり、メンバーは新しい収集ルートの設計に時間を使うことも可能です。＜お任せしたい業務内容＞数十TB・80億レコード規模の企業データ基盤のアーキテクチャ設計・最適化日次で更新するデータ収集パイプライン（Webクローリングを含む）の設計・運用・改善Spark on Databricksを活用した大規模データ処理・変換の設計データ品質管理基盤の設計・構築（クレンジング・エンリッチメント・名寄せの設計方針を含む）、品質モニタリング環境の構築・改善Elasticsearch / OpenSearchの検索インデックス設計・チューニングインフラ・ガバナンス・コスト最適化の方針決定将来のデータサイエンス活用に向け、データ基盤に必要な構成と品質基準を決めるデータチームのテクニカルリード、メンバーの設計レビューと技術的メンタリング上記すべてについて、技術選定と運用の方針を決める入社後に取り組む課題の例Databricks＋Delta Lakeで生データ→クレンジング→提供用の3層を運用し、提供用のデータをPostgreSQLへUpsertしています。ジョブ定義はModel Servingのエンドポイントまで含めてTerraformで管理しています。この構成を、データ量と用途（画面・Data API・SalesNow MCP）の広がりに合わせてどう進化させるか。層の切り方からジョブ管理の方式まで、技術選定を自分の判断で決められます。根拠の足りない企業特定を、仕組みで止める。フリーランス求人から常駐先の企業を推定するロジックを別のAIで独立に検証したところ、100件のうち根拠を確認して特定できたのは12件でした。これを受けてロジックを直し、根拠が足りない案件は「特定不可」と出すようにしています。この考え方を品質基準に反映するのが、このポジションの仕事です。求人の停止は、営業が使うシグナルの1つです。その掲載終了を検知するロジックが3系統に割れ、媒体によって挙動が揃っていません。個別の修正を重ねるのではなく、判定の共通設計と媒体ごとの例外の持ち方を決め、メンバーが同じ設計で実装できる状態にします。会社概要やサービス情報を新しく保つため、全企業のWebサイトの情報を取得し、更新の差分を追い続ける工程を設計します。※従事すべき業務の変更の範囲：有り＜利用するツール・技術＞データ収集: Python（Scrapy）、AWS Fargate for Amazon ECS、Amazon Managed Workflows for Apache Airflowデータストア: Amazon S3、Amazon Aurora PostgreSQLデータトランスフォーム: Apache Spark on Databricks（Delta Lake）言語: Python（FastAPI）、TypeScript（Next.js）、SQL、Scalaミドルウェア: PostgreSQL、Elasticsearch / OpenSearchインフラ: AWS、GCP、Fastly、TerraformAI/LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8nデザイン: Figmaコミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace＜AIを前提にした働き方＞Claude・Geminiは全員が使え、Codexも併用し、用途でモデルを使い分けます。成果物は複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。LLM as a Judgeによるデータ判定も、判定の基準は人が定めます。目的と予算を合意したあとは、担当者が進め方を決めます。コストが読めない処理は、小さくつくってから見積もります。職種を問わず、AIで自分の仕事を組み替えることを求めています。経営陣もコードを書きます。経営陣と直接連携し、事業の要求をデータ基盤の技術選定や設計方針につなげる経験を積めます。＜ポジションの魅力＞① 80億レコードの企業データ基盤の、アーキテクチャに責任を持つ数十TB・80億レコード規模の基盤で、技術選定から運用方針までを決め、データチームの技術的な方向を示します。扱うのはWebから取れるデータだけではありません。数万人規模の調査網と社内の体制がアナログに集めた情報も、自社メディアへのユーザー投稿も統合します。出所も更新方法も異なる3つのルートの情報を、同じ企業へ正しく結び付けるアーキテクチャを、稼働中の基盤で設計し直せます。② 自分が決めた品質基準が、人とAIが使うデータ全体に効くJCコードによる拠点ごとの一意なID、組織図と部署の直通番号、50項目超の付与情報について、照合の根拠と品質基準を決めます。80億レコードの基盤で定めた基準を『SalesNow』の画面・CRM連携・Data API・SalesNow MCPに共通で適用し、人とAIエージェントが同じ企業を正しく識別できる状態をつくれます。③ LLMを本番のデータ品質管理に組み込むフリーランス求人から常駐先の企業を推定する処理のように、ルールでは書き切れない判定があります。合意した目的と予算のもと、LLMを使う工程を選びます。本番データで検証し、出力を採用する条件と「特定不可」とする基準を設計できます。さらに、設計レビューとメンタリングを通じて、メンバーがその基準を実装できる状態までつくれます。精度と1件あたりの処理費用の両方を本番で検証し、品質と継続運用のコストを両立させるところまでが担当範囲です。④ AI前提で組み替えた開発組織で、データ基盤の進め方そのものを設計するSalesNowは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。AIツールへの支出は1人あたり月平均10万円以上で、経営陣もコードを書きます。複数のLLMを使う設計レビューの進め方と、指摘を採用する品質基準をあなたが決めます。80億レコードの収集・名寄せ・品質検証で、どこにAIを組み込むかを自分で設計することが可能です。レビューとメンタリングを通じて、その方法と品質基準をチームに定着させ、1人が扱える仕事の範囲を広げられます。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では、それを毎日の開発で実践しています。＜選考プロセス＞書類選考面接（複数回）リファレンスチェックオファー面談＜参考リンク＞採用サイト：https://recruit.salesnow.co.jp/

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集で、実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。組織図と部署の直通番号まで持ち、部署連絡先は750万件超。代表電話を経由せずに狙う部署へ直接つながります。この750万件超の連絡先が、企業・拠点・部署のどこに属するかを崩さずに保てるかは、データエンジニアの設計で決まります。法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合し、1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。付与する企業情報は50項目超。業種は大業界30件〜／小業界400件〜／事業内容3,000件〜の3層で持ち、従業員数は月次の時系列で追えます。80億レコードの基盤で、この細かな分類と月次の推移を保ったまま、表記揺れや欠損を見つけて正す処理を設計・実装できます。AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。企業データは、『SalesNow』の画面と、Salesforce・HubSpot・kintoneとの連携で届けています。Data APIはベータ版として、Company・News・Recruit・Organization の4種別を提供しています。SalesNow MCPでは、Claude・CursorなどのAIエージェントから企業データを直接利用できます。届け先が増えるほど、同じデータが人の画面とAIの入力の両方で使われ、スキーマの決め方も鮮度の基準もデータエンジニアが設計し直す対象になります。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。あなたが設計する基盤は、1つのプロダクトの裏側にとどまりません。画面・CRM連携・Data API・SalesNow MCPへの供給をまとめて支え、営業に限らないBtoBの仕事を企業データとAIで組み替えていく先を見据えて、設計の判断に関われます。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。営業の専門性・データ基盤・AIの先進性は、どれか1つなら他にもあります。3つが揃っていることが、SalesNowの差です。社内のコンサルタントやAIエンジニアと直接議論し、顧客のデータ利用で見つかった課題を、収集・名寄せ・品質検証の設計に反映できます。＜募集背景＞人を増やした分だけ売上が伸びる時代は、終わりました。 人がAIと一緒に働くほど、AIが扱う企業データの正確さが、そのまま仕事の質になります。SalesNowは組織が大きくなる前にAI前提の組織へつくり替え、バリューの1つに「AIネイティブ」を掲げています。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。人を増やさずに届けるデータを増やすには、取得と検証の工程そのものを組み替える必要があります。データエンジニアは、その組み替えを自分の手で設計する立場にいます。企業データの提供は、『SalesNow』の画面に加えてData APIとSalesNow MCPへ広がっています。DatabricksやRedashを使った基盤は整いつつありますが、バッチ処理の安定化、APIのスケール対応、コスト効率を意識した性能最適化など、解くべき課題は増え続けています。チームの設計方針のもとで、データの取得から統合、品質の検証までを実装し、改善するデータエンジニアを募集します。基盤全体のアーキテクチャの設計と並行して実装を担い、設計の議論に加わりながら、基盤全体を見渡す役割へ広げていけます。＜ミッション＞あなたのミッションは、デジタルの日次更新、アナログな収集、ユーザー投稿という性質の違う3つのルートから届く情報を、根拠のある1つの企業像として構造化することです。同名企業を見分け、住所の表記揺れや合併・移転を扱い、独自のJCコードで企業から拠点単位まで名寄せします。掲載終了や企業サイトの更新を捉え、情報の鮮度と正確さを確かめ続ける監視の仕組みも、あなたが設計します。あなたが名寄せした1件が、大手企業の担当者とAIエージェントにとって、同じ企業を正しく識別する根拠になります。＜お任せしたい業務内容＞数十TB・80億レコード規模の企業データ基盤の構築・改善を担います。入社初日から、インフラ・ガバナンス・コスト最適化まで横断的に関わります。具体的には、以下のいずれか、もしくは複数を担当していただきます。Webデータクローリングのためのパイプライン新設や改善データのクレンジング・エンリッチメント・名寄せ処理の実装データ品質モニタリング環境の構築・改善スケーラブルでコスト効果の高いデータ基盤への改善将来的なデータサイエンス活用を見据えたデータ基盤・品質整備の設計入社後に取り組む課題の例「その求人はまだ募集中か」の判定を直す。求人の停止は、営業が使うシグナルの1つです。一覧ページに掲載終了情報を出さない媒体があり、取得した求人一覧の差分で募集終了を判定すると、一時的な取得漏れを掲載終了と取り違えるおそれがあります。募集中の求人を終了扱いにする誤りと、終了した求人を募集中として残す誤りのどちらを抑えるか、媒体ごとに判定基準を決めて実装します。企業のWebサイトの更新を追う。会社概要やサービス情報を新しく保つため、全企業のWebサイトの情報を取得し、更新の差分を検知する処理を実装します。企業データの判定にLLMを組み込む。上場企業の開示資料（IR情報）をLLMで構造化し、人が定めた基準でLLM as a Judgeによる判定を行います。チームで定めた品質基準のもとで、担当する判定の条件を決めて実装します。※従事すべき業務の変更の範囲：有り＜利用するツール・技術＞データ収集: Python（Scrapy）、AWS Fargate for Amazon ECS、Amazon Managed Workflows for Apache Airflowデータストア: Amazon S3、Amazon Aurora PostgreSQLデータ可視化: Redashデータトランスフォーム: Apache Spark on Databricks（Delta Lake。生データ→クレンジング→提供用の3層で処理）言語: Python（FastAPI）、TypeScript（Next.js）、SQLミドルウェア: PostgreSQL、Elasticsearch / OpenSearchインフラ: AWS、GCP、FastlyAI/LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8nデザイン: Figmaコミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace週1回60分のチーム定例、メンターとの1on1による技術相談、週1回60分の技術勉強会があります。担当するパイプラインの設計をメンターに相談し、勉強会で得た知見をデータ基盤の改善に生かせます。＜AIを前提にした働き方＞Claude・Geminiは全員が使え、Codexも併用します。クローラの実装、名寄せの検証、品質チェックの設計など、用途に合うモデルを自分で選んで試せます。成果物は複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。PRの一次レビューにはCodeRabbitも使います。目的と予算を合意したあとは、担当者が進め方を決めます。AIで処理する範囲、人が判断する範囲、使うツールも自分で決めます。AIへの指示書も、コードと同じくPRでレビューを受けます。成果物はGitHubで管理し、プロンプトを勘に頼らず、再現と検証ができる成果物として設計します。データ取得では1件あたりの費用まで確認し、精度と費用を比べて取得方法を自分で選びます。LLMの時代に欠かせない、データの費用と精度を設計する判断を、実際の予算を使って重ねられます。職種を問わず、AIで自分の仕事を組み替えることを求めています。データエンジニアなら、取得・検証の工程を自分で組み替え、1人で扱えるパイプラインの数を増やしていけます。全社でマージされたPRは、直近30日で2,229本です（2026年9月12日時点・社内計測）。名寄せや品質判定の改善を、コードとAIへの指示書に落とし込みます。複数のLLMと人のレビューを通じて、変更の妥当性をデータの精度と処理費用の両面から説明する力を磨けます。＜ポジションの魅力＞メンバークラスから設計判断に関われます。何を集めるか、どこまで正確なら使えるかを、担当する処理の範囲で自分で決め、根拠を示して実装まで持っていきます。80億レコード・数十TBの基盤と、55媒体のクローラ、Databricksの3層処理を扱います。媒体ごとの取得漏れを考慮した掲載終了の判定、JCコードで拠点まで結びつける名寄せ、その品質を確かめる監視までを実装します。データの正確さ・処理性能・運用コストを同時に天秤にかける設計は、この規模の基盤でこそ身につきます。扱うのはWebから取れるデータだけではありません。数万人規模の調査網と社内の体制がアナログに集めた情報も、自社メディアに集まるユーザー投稿も、同じ1社に束ねます。入力の性質が違うデータを1つの企業像に収斂させる仕事は、公開データだけを扱う環境では経験できません。整えたデータは、『SalesNow』の画面・CRM連携・Data API・SalesNow MCPを通じて、主に大手企業・上場企業で使われます。改善したデータ品質が、名寄せとシグナルの精度として顧客の判断に直接届きます。LLMを本番のデータ処理に組み込み、コストと精度を同時に管理する経験が身につきます。AIツールへの支出は1人あたり月平均10万円以上（会社負担）です。その環境で、どこまでをLLMに処理させ、どこから人が判断するかを自分で設計します。AI前提で取得・検証の工程を組み替え、1人で回せるパイプラインを増やす。品質・性能・コストを実測で確かめながら、1人が扱えるデータ量を押し上げる仕組みを自分でつくれます。取得・検証にかかる人の時間を減らす設計を通じて、社員1人あたりARRを3年で10倍にする目標に貢献できます。経営陣も自分でコードを書きます。取得方法の変更やコストと精度の兼ね合いを、実装の重さが分かる相手と直接議論でき、技術の選択を事業への影響まで含めて詰められます。メンバーとして名寄せ・品質監視・クローラの実装を積み上げた先に、基盤全体のアーキテクチャを決める役割、さらにテックリードへと広げていけます。データ量とプロダクトの提供先（画面・Data API・SalesNow MCP）が同時に広がっている今だから、任される範囲の広がりも速くなります。2〜3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前提で組織と業務を設計できるかどうかです。SalesNowは、それを毎日やっています。＜選考プロセス＞原則すべてのステップをオンラインで実施します。エントリー書類選考Web面談（2〜5回）リファレンスチェックオファー面談＜参考リンク＞採用サイト：https://recruit.salesnow.co.jp/全社資料：https://speakerdeck.com/salesnow/company-deckCulture deck：https://speakerdeck.com/salesnow/culture-deckCEO note：https://note.com/atsunori_muraokaCOO note：https://note.com/yosukekume一緒に働くメンバーのインタビュー（開発チームのエンジニア。企業データをAPI・MCPで届ける開発について）：https://note.com/salesnow/n/na813feacc9cb

This position is open to non-Japanese candidates who can work in Japan as full-time employees and use Japanese at a business level.＜About SalesNow＞SalesNow upholds 「誰もが活躍できる仕組みをつくる。」 (Create systems where everyone can thrive) and is taking on the challenge of fundamentally changing how people work. We rebuild how B2B work gets done, using corporate data and AI so that each person can create more value. SalesNow is the corporate data infrastructure for the AI era, supplying the data that people and AI agents work from. Our database covers over 16 million corporate and organizational profiles, structured down to individual offices and departments, and built on 8 billion records. SalesNow ranks No.1 in corporate database record count (企業データベース収録件数No.1; survey period: October 2025; research by Japan Marketing Research Organization).SalesNow Data Network, our own collection network, combines three routes. Our platform uses AI to update web information daily. A partner network of tens of thousands of data researchers, working alongside our own in-house team, collects offline — from on-site surveys to reading paper documents. Our own corporate-information media draws 7 million page views a month, and that user network also takes on part of the offline collection. Together they give us what search engines never return, including org charts and more than 7.5 million department contacts.Our own JC code assigns a unique ID to each site — headquarters, plants, branches, and stores — not only to the company. Multi-site groups can therefore be traced accurately. Records are matched on corporate number, name, address, phone, URL, and email. Fifteen levels of priority resolve them to a single company. For unresolved company matches, our team uses an AI workflow to supplement company information from current web sources. The platform can attach more than 50 attributes to company records, including registry information, industry classification, revenue, capital, headcount with its rate of change, sites, contacts, and scores. This collection, matching, and validation work is what you will design at production scale.Sales teams use signals such as a rise in hiring, a funding round, a new office, or a stop in job postings to see why a company is worth approaching now. Customers use the data in the corporate database SalesNow, in their Salesforce and HubSpot records, and from AI agents such as Claude and Cursor through SalesNow MCP. Our Data API (beta) ships as four APIs: Company, News, Recruit, and Organization (departments, org charts, and sites). Companies that have adopted SalesNow include Yamato Transport, Panasonic, LY Corporation, SMBC Nikko Securities, PERSOL CAREER, JCB, and GMO Payment Gateway. You develop your data engineering expertise on a product with enterprise adoption, where the matching and validation you design decide what those customers can rely on.＜Why We Are Hiring＞The era when revenue grew in proportion to headcount is over. As Japan's workforce shrinks, each person needs to create more value. We have set a goal to grow ARR per employee tenfold in three years, starting from November 2025. On the data side, that means redesigning how corporate data is collected, matched, and verified, rather than adding people to check it.SalesNow is approaching Series B. You will set the collection requirements and the quality criteria behind SalesNow MCP and the Data API: which sources to trust, what evidence a record needs, and when a pipeline result is good enough to ship.The same record now serves the SalesNow screen, customers' Salesforce and HubSpot data, the Data API, and AI agents through SalesNow MCP. We need an engineer who owns collection, matching, and verification end to end, because a quality rule set at one stage decides what all four of those consumers receive.＜Mission＞You will build structured company profiles that capture what each company does and what has changed recently. You will tell apart companies with the same name and handle address variations, mergers, and relocations. You define the matching rules that distinguish separate companies and link records belonging to the same company. Customers rely on those records when they research companies in SalesNow, or through AI agents connected via SalesNow MCP.＜What You Will Do＞You will build and improve our corporate data platform, which runs at the scale of tens of terabytes. You will take on one or more of the following:Build and improve pipelines for web data crawlingImplement data cleansing and enrichmentBuild a monitoring environment to improve data qualityImprove the data platform for scalability, performance, and cost efficiencyDesign the data platform and data quality foundations with future data science use in mindExamples of problems you will work onDecide whether a job posting is still open. Closure detection is currently split across three systems and behaves differently by source. Some sources do not show closures on their listing pages. If disappearance from a crawl triggers closure, a single missed page can incorrectly mark a posting as closed. You will set criteria for each source that balance false closure detections against missed closuresKeep company website information current. You will design the process that fetches information from company websites and keeps tracking what has changed since the last fetch, so that each company's profile stays up to date※Scope of changes to duties: yes (従事すべき業務の変更の範囲：有り)＜Tech Stack＞Data collection: Python (Scrapy), AWS Fargate for Amazon ECS, Amazon Managed Workflows for Apache AirflowData storage: Amazon S3, Amazon Aurora PostgreSQLData transformation: Scala and Python on Databricks (Apache Spark, Delta Lake; processed in three layers: raw, cleansed, and serving)Infrastructure: AWS, DatabricksOther: GitHub, Slack, Notion, Asana, Google WorkspaceDevelopment tools: Claude Code, Codex, Cursor, CodeRabbit, n8n＜How We Work＞Working with AIYou use company-funded AI tools to build and verify pipelines; spending averages over JPY 100,000 per person per monthEveryone can use Claude and Gemini. We also use Codex. You compare models on matching and extraction tasks, and select them based on your own quality checksYou have several LLMs review your pipeline code and data rules, and you decide which findings to adopt after checking the evidence yourselfEngineers use CodeRabbit for first-pass PR reviews, and focus their own review on design validity, data assumptions, impact, edge cases, data quality, and reproducibilityIn data processing, we structure listed companies' disclosure documents with LLMs, and use LLM as a Judge to check data against criteria that people defineOnce the goal and budget are agreed, the person in charge decides how to proceed and where to use AIEvery role is expected to redesign its own work with AI. Our leadership team writes code too, and you discuss design decisions with them directlyDevelopment processWe run agile development based on Scrum. You build and improve production data pipelines in a mission-based Scrum team. We hold daily scrums, sprint planning, sprint reviews, and postmortems.TeamWith colleagues already working from Kyushu, you can build production data infrastructure while continuing to live where you are in JapanAlmost-weekly discussions with leadership and business colleagues give you direct access to the customer problems behind data requirements, and you use that context to shape data models and quality criteria＜Why Join＞Build the data that people and AI agents work onPeople use this data in SalesNow, or reach it through AI agents such as Claude and Cursor via SalesNow MCP. You design the entity matching and validation behind both. The platform holds 8 billion records gathered through three routes, including offline collection and user contributions that no crawler reaches. A matching rule that works on one route still has to be shown to hold on the others, and you decide what evidence settles that. You come away able to design entity resolution across sources of very different shapes.Define the requirements yourselfYou decide what to collect, from which of our three routes, and under what conditions a record is fit to ship. When web crawling, offline collection, and user contributions give different answers for the same company, you set which evidence wins. For example, you define when a company URL found on the web can be linked to a Japanese corporate number. That rule decides what customers see in SalesNow and what AI agents receive through SalesNow MCP.Build the platform that carries the ARR-per-employee goalWe have set a goal to grow ARR per employee tenfold in three years from November 2025. On the data side, the platform you design is how we get there: by redesigning collection and verification, not by adding people to check records.In two to three years, using AI will be a given. What will set people apart is the ability to redesign workflows and organizations around AI. Here, you sit close enough to the business to see which decisions the data has to support, and you have the room to change how the data team works with AI to support them.＜Hiring Process＞Application screeningInterviews (multiple rounds)Reference checkOffer meeting (offer)＜Links＞Recruiting site: https://recruit.salesnow.co.jp/Interview with a SalesNow engineer who joined as an intern and now develops SalesNow MCP and our API (Japanese): https://note.com/salesnow/n/na813feacc9cbFull job details (Japanese): https://herp.careers/v1/salesnow0801/aLtdW6WbCZ0h

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。この規模と粒度は、Webを集めるだけでは組み上がりません。独自の収集網「SalesNow Data Network」は、3つのルートを組み合わせています。1つ目は、Web情報をAIで日次更新するデジタルの基盤です。2つ目は、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集で、実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つ目は、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系です。組織図と部署の直通番号まで持ち、部署連絡先は750万件超。付与できる情報は50項目超、業種は大業界30件〜／小業界400件〜／事業内容3,000件〜の3層です。この粒度のデータを扱う検索基盤で、クエリとインデックスの設計を見直し、応答性能と運用コストを両立させる経験を積めます。更新の周期も形式も違う3つの流れを拠点単位のIDで1つに束ね、画面・API・MCPへ同じ品質で届け続ける。この基盤を止めずに動かし、速くし続けることが、SalesNowのSREの仕事です。AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。このデータを、企業データベース『SalesNow』の画面、Salesforce・HubSpot・kintoneとの連携、Data API（ベータ版）、Claude・CursorなどのAIエージェントから直接使えるSalesNow MCPで届けています。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。営業の専門性・データ基盤・AIの先進性が揃う環境です。プロダクトが顧客の業務に組み込まれるところまで社内にあるので、顧客の業務への影響とインフラの実測値を結びつけ、信頼性・性能・コストを自分で設計します。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。届ける形も対象の業務も増えるため、SREが設計するのは1つのSaaSの運用ではなく、広がるたびに現れる新しい負荷特性と信頼性です。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。大手企業に届けるサービスの監視・SLO・性能改善を、SREとして設計します。人を増やした分だけ売上が伸びる時代は、終わりました。 バリューに「AIネイティブ」を掲げ、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。開発者がAIを使って増やした変更を、安全に検証し、本番へ届ける仕組みが要ります。SREは監視・CI/CD・IaCを設計し、信頼性を保ちながらリリースを速めます。＜募集背景＞開発者がAIエージェントと実装を進めるSalesNowでは、全社で直近30日に2,229本のPRをマージしており、リポジトリは298あります（2026-09-12計測）。この変更を安全に本番へ届ける監視・CI/CD・IaCを設計することが、SREの挑戦です。企業データは、企業データベース『SalesNow』の画面に加えて、Data APIと、Claude・CursorなどのAIエージェントから直接使えるSalesNow MCPで提供しています。担当者が商談準備や議事録のSFA登録に使うAIワークフローも提供しています。顧客の日々の業務が、このインフラの稼働にそのまま乗っています。扱うデータはAurora PostgreSQLで80億レコードの規模です。負荷の性質が異なるサービスが増えるなかで、信頼性とパフォーマンスを設計で担保し、コストを事業の成長に見合う水準に保つSREを募集します。＜入社後に取り組む課題＞1億件規模の検索基盤で、フルリインデックスの時間を縮める。対象はOpenSearchの1.05億ドキュメント・約460GB（r7g.2xlarge.search × 3）です。取得側のDBクエリ、投入時の設定、4インデックスの直列処理を見直します55媒体の収集からPostgreSQLへの反映まで、監視・アラートを設計・運用する。対象はMWAA（Airflow）による収集と、DatabricksとDelta LakeのBronze / Silver / Goldの3層による処理です。ジョブ定義とModel Serving endpointはTerraformで管理します媒体ごとに更新の周期も失敗の仕方も違うなかで、どこで止まれば顧客に届くデータが古くなるかを見極め、アラートの閾値とSLOに落とす＜お任せしたい業務内容＞AWS / GCPを中心としたクラウドインフラの設計・構築・運用（IaCを含む）監視・アラート基盤の設計・運用と、人の画面操作とAIエージェント経由の利用の両方を測るSLI / SLOの策定利用者が安心して快適に使えるよう、画面・Data API・SalesNow MCPの安定稼働と応答性能を設計する。メトリクスでボトルネックを切り分けて改善します障害対応とポストモーテムAurora PostgreSQL / Elasticsearchのパフォーマンスチューニングと、事業の成長を阻害しないためのインフラコスト最適化。インスタンス配置・キャッシュ・ストレージを含め、インフラ全体の費用を実測して配分を決めますCI/CDパイプラインの設計・運用とセキュリティ基盤の整備、サービス運用の仕組み化と効率化。監視・障害対応・CI/CDを対象に、AIと実装を進める開発者が安全に変更を届けられる工程を設計します※従事すべき業務の変更の範囲：有り＜利用する技術・ツール＞クラウド: AWSが中心（Lambda / ECS / Aurora / OpenSearch / CloudFront / DynamoDB / S3 / Firehose / Athena / MWAA）、一部GCP・Azure、FastlyIaC: Terraform、AWS CDK言語: Python（FastAPI）、TypeScript（Next.js）、SQL、Scalaデータ: Scrapy、Airflow、Databricks（Spark / Delta Lake）AI・LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8n社内ツール: Slack、GitHub、Notion、Asana、Figma、Google Workspace、Salesforce、Pardot＜AIとの働き方＞AIツールへの支出は、1人あたり月平均10万円以上です。Claude・Geminiは全員が使え、Codexも併用します。インフラの調査や設計案の比較に応じてモデルを選び、複数の観点から自分の設計を検証できます成果物は複数のLLMにレビューを依頼し、採否は自分でログやメトリクスを確かめて決めます。AIを使っても、品質に責任を持つのは担当者ですAIツールは月額契約なので、より良いモデルが出ればすぐ乗り換えられます。データを学習に使わせない設定を守ったうえで、障害調査や設計の検証に一番合うモデルを、その都度自分で選べます成果物をGitHubに残すので、自分の改善をチームが再現し、使い続けられる運用手順に育てられます目的と予算を合意したあとは、担当者が進め方を決めます。どこをAIで調べ、どこを人が判断するか、どのツールを使うかも自分で決めます自らコードを書く経営陣と、プロダクトや組織の設計から議論できます。インフラの改善を、事業の優先順位と結びつけて進められます＜ポジションの魅力＞80億レコードと1億件規模の検索基盤を、自分の設計で支えるAurora PostgreSQLの80億レコードと、企業・拠点・部署を横断して引くOpenSearchの約1.05億ドキュメントを扱います。データ処理と検索基盤の両方に関わり、DBクエリ・投入設定・4インデックスの直列処理まで遡って取得と投入の工程を設計し直し、検索インデックスの再構築にかかる時間を自分の手で縮められます。検索では手に入らない、アナログに集めたデータまで、欠かさず顧客に届け続ける仕組みを担います。収集から配信までを見渡し、各工程のつながりを踏まえてインフラを設計する力が身につきます。可用性とコストのトレードオフを、担当者として数字で決める収集（MWAA）、処理（Databricks）、保存（Aurora・S3）、検索（OpenSearch 約460GB・r7g.2xlarge.search × 3）。費用のかかる場所が層ごとに違う基盤で、クエリの改善、キャッシュ戦略、インスタンス配置を比較し、性能と費用の実測値から、どの施策を優先するか自分で決めます。その判断が、そのまま事業の収益構造に効きます。改善案を経営陣に説明し、技術上の選択を事業の投資判断につなげられます。AIと実装を進める開発組織で、変更を安全に届ける仕組みをつくる監視・CI/CD・IaCを横断して設計し、開発者が変更を本番へ届ける工程そのものを改善できます。AIで1人が出せる変更が増えるほど、本番を守りながら速度を落とさない仕組みの価値は上がります。その仕組みを、経営陣と優先順位から議論し、育てられます。人とAIの両方から使われるサービスのインフラを設計する人が使う画面、Data API、Claude・CursorなどのAIエージェントから使われるSalesNow MCP。人の1回の検索と、エージェントが連続で叩くAPIでは、負荷の性質がまったく違います。この3つを、同じ80億レコードのデータ基盤の上で同時に成り立たせるインフラを、形にできます。あなたの設計の良し悪しが、そのまま顧客企業の仕事が進む速さになります。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。2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標へ、SREとして挑みます。開発者が安全に届けられる変更を増やし、インフラの改善を1人あたりの生産性につなげる仕事です。＜選考プロセス＞原則すべてのステップをオンラインで実施します。エントリー書類選考Web面談（2〜5回）リファレンスチェックオファー面談＜SalesNow Information＞採用サイト：https://recruit.salesnow.co.jp/全社資料：https://speakerdeck.com/salesnow/company-deckCulture deck：https://speakerdeck.com/salesnow/culture-deckCEO note：https://note.com/atsunori_muraokaCOO note：https://note.com/yosukekume

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。LLMエンジニアは、その土台となるデータの取得・加工で、モデル選定から品質評価、本番での改善までを担います。その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集です。実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。LLMエンジニアは、この3つのルートから来るデータの処理で、LLMが担う工程を設計します。データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。 組織図と部署の直通番号まで持ち、部署連絡先は750万件超。営業担当者が、代表電話を経由せずに狙う部署へ直接つながるためのデータです。拠点・部署の単位まで一意に扱うデータなので、LLMの出力も企業名の一致だけでは正しいと言えません。何をもって正しい出力とするかを、拠点・部署の単位で定めることになります。Web・アナログな収集・ユーザー投稿を組み合わせたこの基盤で、LLMによる補完結果を採用する条件と、人が根拠を確認する条件を、自分で設計できます。法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合して1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。付与できる情報は50項目超。業種は大業界30件〜／小業界400件〜／事業内容3,000件〜の3層で持ち、従業員数は月次の時系列で追えます。分類の粒度も情報の時点も異なるため、項目ごとに何を正しい出力とするかを定めるのが、LLMの評価設計の中心になります。 AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。LLMをどこに、どの基準で組み込むかが、その前提の精度をそのまま左右します。このデータは、企業データベース『SalesNow』の画面と、Salesforce・HubSpot・kintoneとの連携で届けています。Data APIはベータ版で、Company / News / Recruit / Organization の4種別です。企業の基本情報・ニュース・採用情報・組織情報の取得・加工と品質評価を設計します。法人・拠点・部署の違いと時系列の変化を踏まえ、データの性質に応じてLLMの処理方法を決めます。SalesNow MCPでは、Claude・CursorなどのAIエージェントから企業データを直接使えます。人が画面で読むときと、AIエージェントが直接呼ぶときでは、返すべき粒度と根拠の示し方が変わります。その線引きを決めるのが、LLMエンジニアの設計です。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。こうした企業に届けるデータの製造工程で、LLMの評価と改善が、そのまま本番の品質になります。営業の専門性・データ基盤・AIの先進性は、どれか1つなら他にもあります。3つが揃っているから、LLMの出力を実データで検証し、顧客の現場で使われるところまで一社の中で確かめられます。人を増やした分だけ売上が伸びる時代は、終わりました。 バリューに「AIネイティブ」を掲げ、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。この目標に届くかどうかは、データをつくる工程とプロダクトのAI機能で、LLMをどこにどう置くかに懸かっています。＜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、この募集の範囲です。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。＜入社後に取り組む課題＞LLMを本番のデータ製造工程に載せ、LLMで処理する範囲と人が判断する範囲を設計します。評価するデータと基準を定め、コストと判定品質の両方を確かめますAI出力を採用する条件と「特定不可」にする条件を定め、出力と根拠を検証する品質評価基盤を設計・実装します社内では、フリーランス求人から常駐先企業を推定するロジックを、AIを使って独立検証しました。根拠を確認できない企業特定が多く見つかり、ロジックとマッチ率の表示を修正しました。この事例が出発点ですデータ取得1件あたりの費用を確かめます。コストが読めない処理は、小さくつくってから見積もります。必要な精度を満たしたまま、本番で回せる費用に収めるところまでが、この仕事の範囲です＜お任せしたい業務内容＞LLMを使ったデータ取得・加工パイプラインの設計・実装複数LLMの特性評価と、用途ごとの最適モデル選定・パイプライン設計プロンプトの設計・最適化と、AI出力の品質評価基盤の構築プロダクトのAI機能の設計・実装データ製造工程でのLLM活用。上場企業の開示資料の構造化や、LLM as a Judge による品質評価を設計・実装しますAI機能のリリース後の、精度・コスト・レイテンシの継続的な改善機能実装後の、開発チームへの技術サポート開発支援（例：AIによるテストなど）生成AI関連の技術トレンドの調査・検証と、チームへの還元プロジェクトの進捗管理・品質管理・スケジュール管理※従事すべき業務の変更の範囲：有り＜利用する技術・ツール＞言語: Python（FastAPI）、TypeScript（Next.js）、SQLデータベース・検索: PostgreSQL（Aurora）、Elasticsearch / OpenSearchインフラ: AWS、GCP、Fastlyデータ: Scrapy、Airflow、Spark on Databricks、S3AI・LLM: Amazon Bedrock（Claude系）、Azure OpenAI、Claude、Gemini、Dify（AWS上で稼働）、n8n（AWS上で稼働）開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、ChatGPT、Perplexityデザイン: Figmaコミュニケーション: Slack、GitHub、Notion、Asana、Google Workspaceメンターとの1on1や技術勉強会で、自分の設計判断を相談できます。モデル選定や品質評価で得た知見は、勉強会でチームの開発に還元します。＜AIとの働き方＞AIツールへの支出は、1人あたり月平均10万円以上です。Claude・Geminiは全員が使え、Codexも併用しています。どのモデルを何に使うかは、日々の開発で比べて自分で選びます成果物について複数のLLMにレビューを依頼し、人が根拠を確認して採否を決めますAIツールは乗り換えやすいよう月額で契約しています。新しいモデルを精度・コスト・レイテンシで評価し、本番に採用するモデルと処理方法を自分で設計できます。データを学習に使わせない設定は全員に求めています。企業データを扱うときの運用条件も、モデル選定の判断材料に入ります目的と予算を合意したあとは、担当者が進め方を決めます。AIで処理する範囲、人が判断する範囲、使うツールも自分で決めます。自らコードを書く経営陣と、モデル選定の技術的な根拠と費用を直接議論できます＜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、担当範囲です。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の設計が可能です。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。＜選考プロセス＞原則すべてのステップをオンラインで実施します。エントリー書類選考Web面談（2〜5回）リファレンスチェックオファー面談＜SalesNow Information＞一緒に働くメンバーのインタビュー（インターンから正社員になり、API／MCPを開発しているエンジニア）：https://note.com/salesnow/n/na813feacc9cb採用サイト：https://recruit.salesnow.co.jp/全社資料：https://speakerdeck.com/salesnow/company-deckCulture deck：https://speakerdeck.com/salesnow/culture-deckCEO note：https://note.com/atsunori_muraokaCOO note：https://note.com/yosukekume

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。企業データとAIで、BtoBの仕事の進め方そのものを組み替え、1人が生み出せる価値を増やすことに取り組んでいます。GTMエンジニアにとってSalesNowは、日本の企業データの供給元の内側で、そのデータを使って自社の売上をつくれる場所です。事業の土台は、企業・組織・拠点・部署までをユニークに構造化した1,600万件超の法人・組織データベース（80億レコード）です。これをAI時代の企業データインフラとして、AI・営業システムに供給しています。AIの出力の品質は参照するデータの品質で決まるので、GTMエンジニアはスコアリングやワークフローの精度を、土台のデータから設計できます。データの集め方は3つのルートの組み合わせです。1つ目は、Web情報をAIで日次更新する基盤です。数百万件規模のタスクをLLMを含む技術で処理しています。2つ目は、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集です。実地調査から紙の資料の読み取りまで手作業で行い、検索では出てこない情報を取りに行きます。3つ目は、自社メディアに集まるユーザー投稿です。ユーザーのネットワークが、アナログな収集の一部も担っています。検索では見つからない情報が手元にあるので、競合と同じリストから抜け出すターゲティングの設計が可能です。データそのものにも独自性があります。独自のJCコードは、本社だけでなく工場・支社支店・店舗まで拠点ごとに一意のIDを振り、多拠点やグループ会社を正確に串刺しできます。名寄せでは、法人番号・社名・住所・電話・URL・メールを照合して1社に収斂させています。この仕組みがあるので、複数の経路で得たリードを企業単位で捉え直し、スコアリングやパイプライン分析に生かせます。組織図と部署の直通番号も持っています（部署連絡先は750万件超）。代表電話を経由せず狙う部署に直接届く経路を、そのまま設計に組み込めます。従業員数は、月次の推移で追えるデータです。採用の増加・資金調達・拠点の開設といった企業の動きもシグナルとして捉えているので、「なぜ今この企業か」から当てる時期まで設計できます。GTMエンジニアが扱うのは、このデータインフラです。どの企業属性とどのシグナルの組み合わせが商談化と受注につながるかを、自分でスコアリングに組み込んで検証できます。企業データベース『SalesNow』の画面に加え、Data API（ベータ版）・SalesNow MCP から、人とAIの両方が使える形で届けています。担当者が商談に集中できるよう、商談準備のレポートや議事録のSFA登録はAIワークフローが支えます。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。シリーズB目前のいま、自分の実装が商談化率・受注率にどう効いたかをCEO/COOと直接検証し、事業の伸び方を動かす経験を積めるのも、この仕事の特徴です。SalesNowの事業・プロダクト・組織の雰囲気は、採用サイトでも紹介しています。 https://recruit.salesnow.co.jp/＜GTMエンジニアとは＞GTMエンジニア（Go-To-Market Engineer）は、営業・マーケティング・エンジニアリングを横断し、コードとデータで売上をつくるプロセス全体を設計する職種です。米国ではClayやApolloとともに、売上をつくるエンジニアの職種として広がりました。SalesNowでは、企業データを持つ会社のデータ基盤の内側に立ち、売上目標まで持つ形でこの職種を実践できます。営業・RevOpsの経験を、コードとデータで収益プロセスを設計するキャリアへ広げられます。＜募集背景＞人を増やした分だけ売上が伸びる時代は、終わりました。 働き手が減るなかで1人あたりの生産性を上げるには、人数ではなく、リード獲得から受注までの仕組みを設計し直す必要があります。SalesNowは、まず自分たちの営業でこの仕組みを組み替えてきました。商談の全文は tl;dv に残ります。Zoom Phone での通話は、Amptalk が文字起こしとAI要約をSalesforceへ書き込みます。名刺は写真をSlackに送れば、OCR、名寄せ、リード登録まで通ります。営業本人の入力はほぼゼロになり、翌日の商談準備は前日のうちに整っています。GTMエンジニアは、この配線が通った状態から始められます。記録を残す仕組みをつくり直すところからではなく、どの打ち手が受注につながったかを検証するところから入れます。次は、いま動いているスコアリングとルーティングを商談化率と受注率で検証して精度を上げ、ナーチャリングまで含めた営業プロセスを組み直す段階です。人数を増やさずに売上が伸びる仕組みを、設計から構築まで自分の手でつくるGTMエンジニアを募集します。＜ミッション＞1,600万件超の法人・組織データベースとAIを使い、リード獲得からクロージングまでの「売れる仕組み」を設計・構築・改善し、売上目標の達成に責任を持つCEO/COO直下で、GTM戦略の立案から実行基盤の構築までを一気通貫で担い、事業成長を引っ張る＜お任せしたい業務内容＞GTMシステムの設計・構築：リード獲得→スコアリング→ルーティング→ナーチャリング→商談化の全パイプラインを、AIとデータで組み直し、改善し続けるデータエンリッチメント基盤の構築：1,600万件超の法人・組織データベースを使い、リードに企業属性とシグナル（採用の増加・資金調達・拠点の開設など企業の動き）を付与する。営業が次の一手を判断する材料を、商談の前に揃えるAIエージェント／ワークフロー構築：Claude Code、MCP Server、社内APIなどを使い、商談準備レポートの生成、見込み客アラート、解約予兆の検知などのワークフローを開発するRevOps基盤の整備：SalesforceなどのCRMを最適化し、商談化率・受注率を追うダッシュボードを構築する。パイプライン分析をもとに、改善箇所の特定から施策の優先順位づけまで担う業績責任：パイプライン創出量、商談化率、受注率などのKPIにオーナーシップを持ち、CEO/COOと事業目標を追う※従事すべき業務の変更の範囲：有り＜入社後に取り組む課題＞問い合わせが入ったリードには、企業データと直近の求人をもとに、対応する営業担当者と初回に伝える内容の候補をAIで整理し、人が選んでいます。この候補が商談化と受注にどうつながったかを検証し、スコアリングとルーティングを改善します商談全文はtl;dvに、通話の文字起こしとAI要約はSalesforceに残ります。Slackに送った名刺写真も、OCR・名寄せを経てリード登録につながっています。これらを企業データと合わせ、商談化率・受注率を追うダッシュボードを構築します。分析結果から、改善する施策と優先順位を決めます＜利用するツール・技術＞Salesforce / tl;dv / Zoom Phone / Amptalk / Slack / Google Workspace / Notion / Claude Code / Codex / Gemini / Python / SQL / API連携＜AIを前提にした働き方＞バリューに「AIネイティブ」を掲げ、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。GTMエンジニアがつくる仕組みは、1人あたりの成果に直接効きます。その効き方は経営陣と一緒に数字で確かめますAIツールへの支出は、1人あたり月平均10万円以上です。全員が使えるClaude・GeminiにCodexも併用できます。スコアリングの設計、ワークフローの実装、効果検証のそれぞれに合うモデルを選べるので、1人で試せる仮説の数が増えますスコアリングの設計やワークフローの実装は、複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。1人で組んだ仕組みでも、多角的に検証してから自社の営業で動かせます目的と予算を合意したあとは、担当者が進め方を決めます。どこまでをAIに準備させ、どこから自分で判断するかも、担当者が線を引きます経営陣もコードを書き、職種を問わずAIで自分の仕事を組み替えています。実装の話がそのまま経営陣に通じる環境で、GTMエンジニアは同じ売上目標を直接追います＜ポジションの魅力＞1,600万件超の法人・組織データベースを、データ基盤の内側から使えるClayやApolloのような外部のツールを契約して使うのではなく、1,600万件超の法人・組織データと企業のシグナルを、データ基盤の内側から扱えます。組織図や部署の直通番号、拠点ごとに一意のJCコードまで手元にあるので、多拠点・グループ会社を串刺しにした「誰に当てるか」の設計まで自分で組めます。データの加工で止まらず、どの切り方が受注につながったかの検証まで、1人で回すことも可能です。設計した仕組みを、自社の営業ですぐに試せるtl;dvに残る商談全文や、Salesforceに記録される通話の要約を使い、顧客との会話と商談化・受注の結果を結びつける検証を設計できます。自分で組んだスコアリングやルーティングを自社の営業で動かし、商談化率と受注率で効果を確かめ、次の改善に回せます。売上に責任を持ち、CEO/COOと直接つくるCEO/COO直下で、パイプライン創出量・商談化率・受注率に責任を持ちます。GTM戦略の立案から実行基盤の構築までを一気通貫で担い、経営陣と同じ数字を見て決めた打ち手を、自分で実装し、商談化率と受注率で結果を持ち帰れます。戦略を決める場に、実装できる人として入る経験を積めます。自分の検証結果が、顧客に届くプロダクトを変えるGTMエンジニアは、Data API・SalesNow MCP・AIワークフローを自社の売上の現場で使い込みます。どの企業属性とシグナルが受注に効いたかという検証結果は、顧客に届けるプロダクトの改善の材料になります。自分の実装が、自社の売上と、導入企業の営業の両方を動かします。身につくもの米国で広がったGTMエンジニアリングを、日本の企業データと業績責任のセットで実践した経験。社員1人あたりARRを3年で10倍にする目標（2025年11月起点）に向けて、1人あたりが生み出せる価値を増やす仕組みを1,600万件超のデータの内側から設計し、パイプラインと受注の数字で検証した実績が残ります。2〜3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前提で組織と業務を設計できるかどうかです。GTMエンジニアは、その設計を売上の現場で毎日続ける仕事です。一緒に働くメンバーのインタビュー（商談前後の準備と記録をAIで組み直しているAI Opsのメンバー）： https://note.com/salesnow/n/n2f8403a5a027＜選考プロセス＞書類選考面接（複数回）リファレンスチェックオファー面談

CEO/COO直下でプロダクト戦略を立て、自らバイブコーディングで仮説を試作します。仕様書を書いてエンジニアに渡すだけの役割ではありません。エンジニアと技術的な選択肢を議論し、顧客検証の結果から開発の優先順位を決めます。＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。この規模と粒度は、Webを集めるだけでは組み上がりません。独自の収集網「SalesNow Data Network」では、AIによるWeb情報の日次更新、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集、月間700万PVの自社メディア（企業版Wikipedia）へのユーザー投稿を組み合わせています。アナログな収集は実地調査から紙の資料の読み取りまでを含み、ユーザーのネットワークもその一部を担います。PdMは、検索では得られない情報も製品設計に使い、顧客課題に応じたデータの組み合わせをプロトタイプで検証できます。データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。組織図と750万件超の部署連絡先を使い、顧客が狙う部署を特定し、代表電話を経由せずにアプローチできる体験を設計できます。PdMは、このデータを画面・CRM連携・APIのどの形で届ければ顧客の業務が変わるかを、試作と検証で確かめることが可能です。法人番号・社名・住所・電話・URL・メールを15段階の優先度で照合する名寄せ技術があります。PdMはこの技術とJCコードを土台に、顧客の企業リストを企業・拠点の情報につなぐ製品を設計できます。50項目超の情報と、大業界30件〜／小業界400件〜／事業内容3,000件〜の分類も利用可能です。この情報の厚みと粒度を使い、業界ごとの顧客課題に合わせたプロダクト要件を定義できます。AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。このデータは、企業データベース『SalesNow』の画面、Salesforce・HubSpot・kintoneとの連携、Data API（ベータ版）、Claude・CursorなどのAIエージェントから直接使えるSalesNow MCPで届けています。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。顧客の業務に入って運用まで担うチームが社内にいるので、PdMは推測ではなく実際の運用を根拠に、何をプロダクトの機能にし、何を支援サービスで担うかを決められます。プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。PdMは、顧客の業務理解を起点に、画面の機能改善にとどまらず、顧客の仕事の進め方を変えるプロダクトを構想できます。SalesNowの事業・プロダクト・組織の雰囲気は、採用サイトでも紹介しています。 https://recruit.salesnow.co.jp/＜募集背景＞人を増やした分だけ売上が伸びる時代は、終わりました。 働き手が減るなかで、顧客が1人あたりの生産性をどこまで上げられるかは、SalesNowがどんなプロダクトを出すかで決まります。顧客が企業データベース『SalesNow』に求めているのは、データを使って仕事の進め方が変わることです。何を製品にすれば結果が変わるかを決めるのが、このポジションです。提供形態はすでに、画面、Salesforce・HubSpot・kintone連携、AIワークフロー、SalesNow MCP、Data API（ベータ版）に広がっています。同じデータを届ける形が増えるほど、何をつくり、何をつくらないかの判断は難しくなり、その判断が事業の伸びを左右します。募集するのは、顧客の課題を特定し、受注率・更新率への影響から開発の優先順位を決めるPdMです。決めた仮説は、自分でつくったプロトタイプで検証まで進めます。CEO/COOと次の事業成長を担うプロダクトを構想し、その場で動くものにできる立場です。＜ミッション＞1,600万件超の法人・組織データベースを軸に、複数の提供形態を横断するプロダクト戦略を立てます。扱える情報は、Webから集まるものに限りません。実地調査や紙の資料の読み取りで集めた一次情報も、自社メディアに集まる投稿も、製品の材料にできます。このデータを生かし、既存プロダクトの改善と新規プロダクトの開発を進めます。「この拠点のこの部署に、今この理由で」という粒度の情報と企業の動きを手がかりに、解くべき顧客課題を選びます。画面・CRM連携・AIワークフロー・MCP・APIから提供形態を選び、SalesNowの次の成長の柱となるプロダクトをつくります。＜お任せしたい業務内容＞CEO/COO直下で、次の業務を担っていただきます。プロダクト戦略・企画マルチバーティカル戦略に基づくセグメント別プロダクト要件の定義画面 / CRM連携（Salesforce・HubSpot・kintone）/ SalesNow MCP / Data API / AIワークフロー、各提供形態の優先順位付けとロードマップ管理競合分析・市場調査に基づくポジショニングと差別化戦略の策定AI駆動開発（バイブコーディング）Claude Codeなどを使ったプロトタイプの高速構築仮説→プロトタイプ→ユーザー検証→改善のサイクルを週単位で回すエンジニアとペアプログラミングしながらプロダクト品質を担保するユーザー課題の特定と検証顧客インタビュー、Salesforceの利用データ、サポート問い合わせの分析エンタープライズ顧客（金融・人材・大手事業会社）の業務フロー理解と課題抽出データエンリッチメント・営業プロセスの仕組み化など、新規ユースケースの探索経営直結のプロダクトマネジメント週次の経営会議でプロダクト戦略と進捗を報告し、意思決定に参画するARR / NRR / チャーン率に紐づくプロダクトKPIの設計と追跡営業・アカウントマネジメントチームと連携した、受注率・更新率の向上施策※従事すべき業務の変更の範囲：有り＜入社後に取り組む課題＞このポジションで向き合うテーマには、例えば次のようなものがあります。採用の増加・資金調達・拠点の開設などの企業の動き（シグナル）と企業情報を組み合わせ、営業が「なぜ今この企業か」を判断するための情報を定義しますシグナルを検知したらSFAにToDoを起票する使い方と、業績の下方修正・求人の停止から解約の予兆をつかむ使い方について、顧客の業務フローを整理しますこれらの業務を、画面・CRM連携・SalesNow MCP・Data APIのどれでどう支えるかを設計しますData API（ベータ版）のCompany・News・Recruit・Organizationの4種別を、どの顧客のどの業務に向けて広げるかを決め、要件とロードマップに落としますClaude・CursorなどのAIエージェントがSalesNow MCPから企業データを呼ぶとき、どの粒度・どの形で返せば価値が届くかを設計しますAIワークフローとして、商談準備のレポート、議事録のSFA登録、リードのスコアリング、BANTの抽出を、どの形で顧客に届けるかを決めます。担当者が商談に集中できるよう、準備と記録をAIが支える形を、CRM・Slack・Notionとの連携まで含めて設計しますどれも顧客の現場で使われている業務に直結するテーマで、決めた設計の成否を、受注率・更新率で確かめられます。＜利用するツール・技術＞Figma / Claude Code / Codex / Gemini / Cursor / Salesforce / Slack / Google Workspace / Notion / Python / TypeScript / SQL / API連携＜AIを前提にした働き方＞バリューに「AIネイティブ」を掲げ、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。PdM自身もAIで試作と検証の進め方を組み替えます。1人で仮説からプロトタイプ、顧客検証までを回せるので、エンジニアの手が空くのを待たずに次の打ち手を決められますClaude・Geminiは全員が使え、Codexも併用します。仮説の整理・試作・レビューに応じてモデルを使い分け、顧客検証に持ち込む論点と試作品を磨けますPdM自身が複数のLLMに成果物のレビューを依頼します。各指摘の根拠を検証して採否を決め、品質を判断した理由を自分の言葉で説明します目的と予算を合意したあとは、担当者が進め方を決めます。PdMなら、どの仮説をどの顧客で、どのツールを使って検証するかを自分で決められます職種を問わず、AIで自分の仕事を組み替えることを求めています。経営陣もコードを書くので、仕様の実現方法と事業への影響を、決裁する相手と直接詰められます＜ポジションの魅力＞① CEO/COO直下で、自分の判断が事業の伸びに直結する週次の経営会議でプロダクト戦略を報告し、意思決定に参画します。経営会議で優先すると決めた仮説を自らプロトタイプにし、金融・人材・大手事業会社などのエンタープライズ顧客へのインタビューでその価値を確かめられるのも、この仕事の特徴です。ヤマト運輸・パナソニック・LINEヤフーなどへの導入実績がある製品で、大企業の業務フローを踏まえ、何をつくり、何をつくらないかを決められます。機能の改善が受注率・更新率・ARR・NRR・チャーン率にどう結びついたかをCEO/COOと振り返り、その結果をそのまま次の開発投資の判断に持ち込めるので、この往復を通じて、事業への影響から開発の優先順位を決める力を磨けます。② 検索では出てこないデータを出発点に、何を解くかから考えられるJCコードで拠点ごとに一意のIDを振り、組織図と750万件超の部署連絡先まで持っています。「本社ではなく、この工場の購買部」まで指せる粒度の製品を、データを集める工程から始めずに設計できます。数万人規模の調査網と社内の体制がアナログに集めた情報、自社メディアのユーザー投稿までが、製品を設計するときの素材です。顧客の判断に必要なデータの粒度をプロトタイプで検証し、拠点・部署ごとの課題を製品要件に落とし込む経験を積めます。③ 提供形態が広がるフェーズで、何をつくらないかまで決める画面、CRM連携、AIワークフロー、SalesNow MCP、Data API。どの形に投資し、何をつくらないかを決める裁量が大きいポジションです。判断を誤れば開発の手が分散する局面で、その意思決定を任されます。80億レコードのデータ基盤を使い、画面・SalesNow MCP・Data APIを横断して、顧客の業務に必要な情報をどの粒度・形で届けるかを設計できます。選んだ提供形態の成果を事業指標で検証し、次の開発投資に反映するところまで担える立場です。④ 自分で動くものをつくる、AI時代のPdM像を定義するPdMも、Claude Codeなどでプロトタイプを自分でつくります。AIツールへの支出が1人あたり月平均10万円以上（会社負担）ある環境で、仮説を自ら試作し、週単位で顧客検証と改善を回します。経営陣もコードを書くので、試作品の技術的な選択肢まで直接議論できます。社員1人あたりARRを3年で10倍にする目標（2025年11月起点）のもと、PdM自身も試作と検証の進め方を組み替え、生産性を高める仕事の設計を実践することが可能です。仕様書ではなく動くもので経営と顧客を動かすPdMの進め方を、80億レコードのデータを素材に、自分の実績として確立できます。2〜3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前提で組織と業務を設計できるかどうかです。SalesNowでは、それを毎日の仕事で実践しています。＜選考プロセス＞書類選考面接（複数回）リファレンスチェックオファー面談

＜About SalesNow＞SalesNow's mission is 「誰もが活躍できる仕組みをつくる。」 (Create systems where everyone can thrive), and we are taking on the challenge of fundamentally changing how people work. Japan's workforce is shrinking, so the question is how much more value one person can create. SalesNow answers it by rebuilding how business-to-business work is done, using corporate data and AI.The foundation is a database of over 16 million corporate and organizational records, uniquely structured down to companies, organizations, branches, and departments. The data infrastructure behind it holds 8 billion records. SalesNow ranks No.1 in corporate database record count (企業データベース収録件数No.1; period ending October 2025; research by Japan Marketing Research Organization / 日本マーケティングリサーチ機構).＜Why This Role Exists＞The era when revenue grew in proportion to headcount is over. More of the value one person creates now comes from working together with AI, and AI can only support good decisions when it works on accurate data about each company. Building that data is the job.A large part of this data never appears on the web at all: it comes from offline collection by tens of thousands of researchers and our own in-house team, and from contributions by users of our own media. Resolving a single company identity out of sources like these, rather than out of a public dataset, is the engineering problem you take on here. SalesNow is approaching Series B, and we have set a goal to grow ARR per employee tenfold in three years, starting from November 2025. That goal only works if the data is right, which puts data engineering at the center of how this company grows. We are hiring data engineers who design how corporate data is collected, integrated, and verified, and who make it usable by both people and AI.The team in VietnamThree Vietnamese members already work with us, and we plan to hire five to ten more. You join a cross-language workflow that already runs, and you help shape how the Vietnam team works as it grows.＜What You Will Build＞Company profiles that combine company overview, job postings, IR, services, technologies and tools in use, advertising, organizations and departments, and contact details, matched down to branch level with our own JC code. You decide how these sources merge so each company ends up with exactly one profileSignals that capture company moves, such as hiring increases, funding rounds, new offices, overseas expansion, downward earnings revisions, and paused job postings. Sales teams use these signals to decide which companies to approach and when. You design the validation checks that make those signals reliable enough to act onAirflow (MWAA) DAGs for our job-posting sources, where you decide how anomalies are detected, how runs recover, and what "collected correctly" means for each sourceA Databricks and Delta Lake platform in three layers (raw, cleansed, serving), with job definitions in Terraform. Where a record is cleaned, and what is allowed into the serving layer, are your design callsData delivered through the SalesNow web app, Salesforce and HubSpot integrations, the Data API, SalesNow MCP (used directly from AI agents such as Claude and Cursor), and AI implementation projects for customers. A schema decision you make shows up both in a customer's CRM and in the answers an AI agent gives＜Your Technical Challenges＞Data collection and ingestionDesign and implement large-scale web scraping systems that reliably extract structured data from many heterogeneous sourcesBuild API integration pipelines for partner data feeds, with schema validation and anomaly detectionArchitect real-time ingestion pipelines for daily updates with sub-minute latency targetsData transformation and qualityBuild and maintain dbt models that transform raw data into the unified SalesNow schemaDefine data quality SLAs (accuracy, completeness, freshness) and build monitoring dashboards that alert before customers noticeImplement entity resolution and deduplication at scale: matching company records across sources with different formats, naming conventions, and identifiersInfrastructure and orchestrationOrchestrate complex Airflow DAGs across collection, transformation, enrichment, and deliveryOptimize PostgreSQL and Elasticsearch / OpenSearch clusters for 8 billion records with millisecond query responseDesign fault-tolerant pipelines that recover automatically from failures, with clear observability at every stageAI pipeline integrationFeed structured data into RAG pipelines and AI agent systems via SalesNow MCPBuild data delivery layers that AI agents query in real time for enterprise customer workflowsWork with Amazon Bedrock, Claude, and Gemini to improve how AI systems use structured corporate dataProblems we are working on nowDecide whether a job posting is still open. Closure-detection logic is split across three systems, and behavior differs by source. Some sources do not show closure status on their listing pages, so closing postings by diff can wrongly close them when a crawl misses a page. For each source, you weigh the risk of marking an active posting as closed against the risk of leaving an expired posting openDesign the process that collects every company's website information and keeps tracking changes, so company overviews and service information stay currentVerifying our own data against evidenceWhen we had AI independently verify our logic for inferring the client company behind freelance job postings, only 12 of 100 cases could be identified with confirmed evidence. We revised the logic so that cases without enough evidence are marked "cannot identify." Here you are expected to question the data, including the output of your own pipelines, and when the evidence falls short, you have the authority to change the logic.Scope of dutiesScope of changes to the duties you will perform: yes (従事すべき業務の変更の範囲：有り)＜How We Work with AI＞Everyone can use Claude and Gemini, and we also use Codex. You choose the model that fits each taskWe ask multiple LLMs to review our work, and people check the evidence and decide what to adopt. For data checks, we use LLM as a Judge with criteria that people set. CodeRabbit runs a first review on pull requestsInstructions written for AI go through pull request review, the same as code, so prompts and agents are engineered with the same rigor as production pipelines. Deliverables are managed on GitHubOnce the goal and budget are agreed, the person in charge decides how to proceed, where to use AI, and which tools to use. For data collection, you also own what each record costs to obtain, and every pipeline you design is judged on both accuracy and unit costEvery role is expected to redesign its own work with AI. Our leadership team writes code too, so you discuss technical trade-offs with people who buildAcross the company, 2,229 pull requests were merged in the 30 days up to 12 September 2026. At that pace, you judge AI-assisted pipeline changes against real data, failure modes, and operating costs＜Tech Stack＞Languages: Python (FastAPI), SQL, ScalaData transformation: dbtOrchestration: Airflow (MWAA)Data processing: Databricks (Spark / Delta Lake), ScrapyInfrastructure as code: TerraformDatabases: PostgreSQL, Elasticsearch, OpenSearchCloud: AWS (primary), VercelAI/ML: Amazon Bedrock, Claude, GeminiDevelopment tools: Claude Code, Codex, Cursor, GitHub Copilot, CodeRabbitCI/CD: GitHub ActionsCommunication: Slack, GitHub, Notion＜Working Across Languages＞No Japanese required. English is the working language for engineering: code, pull requests, technical documents, and standupsWork comes with a PRD. Both sides agree on the requirements and the deadline before you start, so you spend your time on design and codeGitHub, Notion, and Slack are translated. Pull requests, documents, and daily discussions all pass through translation, so you follow every discussion without JapaneseCompany-paid AI translation. Members who do not speak Japanese discuss work with Japanese colleagues through AI simultaneous interpretation, and interviews run the same way＜Hiring Process＞Application review (resume + brief answers to 3 technical questions)One-day selection event, completed in a single day: a data pipeline exercise on a realistic scenario (2-3 hours), a technical interview (60 min) covering your past work and system design, and a culture fit conversation with the engineering lead (30 min)OfferTimeline: 2-3 weeks from application to offer＜Equal Opportunity＞We are an equal opportunity employer and evaluate candidates on skills, experience, and potential, regardless of nationality, gender, age, or background.＜Links＞Interview with an engineer on our team, who joined as an intern and now develops SalesNow MCP and our API (Japanese): https://note.com/salesnow/n/na813feacc9cbCulture deck (Japanese): https://speakerdeck.com/salesnow/culture-deck

＜SalesNowについて＞SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。BtoBの仕事の進め方を、企業データとAIで組み替え、1人が生み出せる価値を増やす。それがSalesNowの事業です。AI時代の企業データインフラをつくっています。企業・組織・拠点・部署までを構造化した1,600万件超の法人・組織データベースを持ち、データ資産は80億レコードに及びます。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）です。このデータは、独自の収集網「SalesNow Data Network」の3つのルートから集めています。Web情報をAIで日次更新する基盤、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集、月間700万PVの自社メディアに集まるユーザー投稿。アナログな収集は実地調査から紙の資料の読み取りまで及び、自社メディアのユーザーネットワークもその一部を担います。この3つを組み合わせ、検索では出てこない組織図や部署の直通番号まで取りにいっています。独自のJCコードで、本社だけでなく工場・支社支店・店舗まで拠点ごとに一意のIDを振り、多拠点やグループ会社を正確に串刺しできます。法人番号・社名・住所・電話・URL・メールの多角キーで照合し、15段階の優先度で1社に収斂させる名寄せも、自分たちで設計しています。このデータ基盤と、人が結果を検証・修正できるUIの両方を手掛けられるので、データの品質を使いやすさにつなげる設計力を磨けます。顧客は企業データベース『SalesNow』でターゲット企業を特定し、採用の増加・資金調達・拠点の開設といったシグナルからアプローチの時期をつかみます。この判断を支える検索性能とUIの両方を改善し、企業データを顧客が使いこなせる体験へ変える仕事です。ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。＜なぜ今SalesNowか＞15〜64歳の生産年齢人口は、1995年の8,716万人をピークに減り続け、2023年には7,395万人になりました（内閣府「令和6年版 高齢社会白書」）。人を増やした分だけ売上が伸びる時代は、終わりました。働き手が減るなかで、1人が生み出せる価値を増やすことが求められています。AIが業務に入り込むほど、成果はAIが前提にするデータの質で分かれます。SalesNow MCPでは、企業データをMCPサーバーとして提供し、Claude・CursorなどのAIエージェントから直接使えるようにしています。Web画面に加え、AIエージェントから企業データを利用する接点まで、設計する領域を広げられます。私たち自身も、組織が大きくなる前にAI前提の組織へつくり替えました。バリューに「AIネイティブ」を掲げ、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。その目標に向けて、エンジニア自身が実装・レビューの進め方を変え、1人が設計からリリースまで担える範囲を広げていきます。＜募集背景＞SalesNowは、企業データベース『SalesNow』の画面とSalesforce・HubSpot連携に加え、Data API（ベータ版）・SalesNow MCPへと、企業データの届け方を広げています。届け方が増えるほど、同じデータを画面・API・AIエージェントのどこから引いても正しく速く返す設計が要になります。担当領域のデータ設計から実装・運用まで、一貫して担うWebエンジニアを募集します。PdMや経営陣と目的・予算を合意したうえで、技術選定や設計を主体的に進められます。この募集は【地方採用枠】です。関西や熊本など地方在住のメンバーが、技術選定やアーキテクチャ設計まで担い、プロダクトの中核を動かしています。＜ミッション＞1,600万件超の法人・組織データを前提に、大手企業の業務の現場でAIが正しく動き続けるよう、担当者がプロダクトを成立させることです。AIの出力の質は、参照するデータの質で決まります。そのデータインフラと、それを使う画面の両方を設計できるのがこのポジションです。機能を足すだけでなく、データ設計・アーキテクチャ・評価基盤まで含めて、プロダクト全体を進化させます。＜お任せしたい業務内容＞PdMなどと連携し、『SalesNow』の設計・開発・運用を担います。以下の領域から、適性・経験・志向・事業状況に応じて主担当を決めます。技術選定、アーキテクチャ設計、実装大規模な法人データ基盤の構築・運用（PostgreSQL / Elasticsearch / DynamoDB / S3 / Databricks / n8n / LLM）高頻度アクセス・大量データに対応するパフォーマンスチューニング・データベースチューニングLLMを用いた要約・抽出・レコメンドや、商談準備のための企業情報の調査・整理機能のプロダクト実装プロダクトのUI/UXの持続的な改善と運用設計AIの出力を人が検証・修正できるUIの設計。人が仮説を立てて判断し、下準備はAIで進めるClaude Code・Cursor・CodeRabbitを前提とした開発プロセスの改善、開発組織の強化・運営経営陣（CEO・COO）と長期的な技術課題や組織構築について密に議論し、開発組織の戦略を検討するいま取り組んでいる課題の例1億件規模の検索基盤で、データの取得と投入を設計し直し、フルリインデックスの時間を縮める。全文検索基盤はOpenSearchで約1.05億ドキュメント・約460GBあり、企業・拠点・部署などを横断して引きます。負荷の指標には余裕があり、改善の候補は取得側のDBクエリと投入処理です2,800行のモデル層を、稼働を止めずに段階的に分解する。循環インポートとレイヤー境界の曖昧さを、Strangler Fig・Feature Flag・APIバージョニングで後方互換を保ちながら解いていきます※従事すべき業務の変更の範囲：有り＜この募集の働き方＞① 開発チームは全員フルリモートSlackとGoogle Meetを中心に、オンラインで仕事が進みます。スクラム開発をベースに、ミッションごとにスクラムチームを編成し、デイリースクラム・スプリントプランニング・スプリントレビュー・ポストモーテムもオンラインで行います。地方在住の場合、出社は年1〜2回の全社イベントへの出席だけです。② 設計判断をテキストで残すGitHub・Notion・Slackに、設計判断と決定事項を書き残しながら開発します。採用した案だけでなく、検討して見送った案とその理由も残るため、あとから誰でも経緯を辿れます。③ 離れていても、ひとりで抱え込まないスクラムイベントに加え、メンターとの1on1で技術相談ができ、技術勉強会も開いています。詰まったときや認識がずれたときは、その場で声を上げて前に進める環境です。④ AIを前提にした開発環境AIツールへの支出は、1人あたり月平均10万円以上です（会社負担）Claude・Geminiは全員が使えます。Codexも併用し、用途でモデルを使い分けます開発ではClaude Code・Cursor・CodeRabbitを前提にしています。Claude Codeを複数並列で動かし、調査から実装・検証・リリースまでを1人で回すメンバーもいます複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます＜利用する技術・ツール＞開発環境言語: Python（FastAPI）, TypeScript（Next.js）, SQLミドルウェア: PostgreSQL / 全文検索エンジン（Elasticsearch / OpenSearch）インフラ: AWS, GCP, Fastlyデザイン: FigmaAI開発環境Claude Code / Codex / Cursor / CodeRabbit / Claude / ChatGPT / Gemini / Azure OpenAI社内ツールSlack / GitHub / Notion / Asana / Figma / Google Workspace＜ポジションの魅力＞① AIを前提に、1人が担える開発の範囲を広げる実装の初稿づくりからPRレビューの一次チェックまで、AIを開発の流れに組み込んでいます。何をどう設計するか、その設計で課題を解けるかを決めるのはエンジニアです。直近30日でマージされたPRは2,229本です（2026年9月12日時点）。多数の変更が並行する開発現場で、実装の速さと品質の検証を両立させる開発工程を、自分で設計できます。検索性能やデータ品質の改善は、実データやログで確かめます。複数のLLMから得たレビューも実データやログで検証し、採否を決める工程まで担います。ヤマト運輸、パナソニック、LINEヤフーなどへの導入実績があるプロダクトで、技術選定から実装・運用まで担えます。1億件規模の検索基盤と、人がAIの出力を検証・修正するUIを手掛け、データの品質・検索性能・使いやすさをつなぐ設計を担えます。② 目的と予算を合意したら、進め方は自分で決める技術選定やアーキテクチャは、経営陣と直接議論して決めます。AIで処理する範囲、人が判断する範囲、使うツールも担当者が選びます。経営陣も自分でコードを書くので、技術の議論がそのまま意思決定につながります。③ 住む場所で、任せる範囲を決めない下積みの期間を前提にしません。経験や志向に応じて担当領域を持ち、地方に住みながら技術選定・アーキテクチャ設計まで担えます。地方在住のメンバーが、すでにプロダクトの中核の設計を担っています。社員1人あたりARRを3年で10倍にする目標に向けて、開発の進め方そのものを設計する立場に立てます。④ 企業データの届け方が広がる時期に、中核を設計する企業データの届け方が、画面から Data API・SalesNow MCP へと広がっています。SalesNowには80億レコードのデータ資産があり、JCコードで本社・工場・支社支店・店舗を拠点ごとに識別できます。画面・Data API・SalesNow MCPそれぞれの用途に合わせ、必要な企業データを正しく速く届ける設計を担います。その上で、LLMによる要約・抽出から、人が結果を検証・修正するUIまでを設計します。AIツールへの支出は1人あたり月平均10万円以上（会社負担）です。複数のモデルを比較し、企業・拠点・部署のデータを使った要約・抽出に適したモデルと実装方法を選ぶことも可能です。2〜3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前提で組織と業務を設計できるかどうか。その力を、住む場所を変えずに実務で磨けます。＜最初の90日で期待すること＞1ヶ月目は、プロダクト、企業データの構造、既存アーキテクチャ、AIを前提にした開発の流れを把握し、小さな機能改善をリリースまで持っていきます2ヶ月目は、担当領域を持ち、設計から実装、レビュー、リリースまでを自分で回します3ヶ月目は、データ設計やアーキテクチャに踏み込んだ提案を行い、プロダクトの体験か開発フローのどちらかに、目に見える改善を残します＜選考プロセス＞原則すべてのステップをオンラインで実施します。エントリー書類選考Web面談（2〜5回）リファレンスチェックオファー面談＜SalesNow Information＞会社名：株式会社SalesNow会社情報：https://recruit.salesnow.co.jp/全社資料：https://speakerdeck.com/salesnow/company-deckCulture deck：https://speakerdeck.com/salesnow/culture-deck一緒に働くメンバーのインタビュー（フルリモートで、SalesNow MCP・APIなどの開発を担うエンジニア）：https://note.com/salesnow/n/na813feacc9cbCEO note：https://note.com/atsunori_muraokaCOO note：https://note.com/yosukekume