Backend AI Engineer

Job description

Quiénes somos Acerca de Fudo Somos una startup que combina experiencia en la industria gastronómica y pasión por la tecnología. Todos los días ayudamos a miles de restaurantes a lo largo de Latinoamérica a mejorar su servicio gracias a nuestro software de gestión y aplicaciones móviles. Nuestro producto es líder en Chile y Argentina, y estamos creciendo aceleradamente en México, Colombia y Brasil. Nuestro mayor propósito es hacerle la vida más fácil a los emprendedores gastronómicos brindándoles las mejores herramientas para llevar adelante sus negocios y, para eso, necesitamos investigar, lanzar productos y llegar a más usuarios de la mano de un gran equipo. Cada persona que nos conforma es crucial, por lo que priorizamos generar una cultura basada en la empatía, la transparencia, las ganas y el compromiso. Acerca del equipo En Fudo la IA ya no es un experimento. Tenemos agentes en producción hablando con clientes, copilots internos, y un data warehouse que alimenta decisiones en cinco países. El equipo de AI construye esa infraestructura: los servicios backend, los modelos de datos y las capas de contexto que permiten que un LLM opere sobre el negocio real de Fudo con precisión y sin inventar. El desafío no es llamar a un modelo. Es todo lo que está abajo: qué datos ve el modelo, cómo se recuperan, cómo se definen los conceptos de negocio para que la respuesta sea siempre la misma, cómo se mide si el sistema funciona, y cómo eso corre en producción con costo y latencia razonables. Es un equipo que trabaja sobre una frontera que se mueve rápido: las prácticas de retrieval, evaluación y orquestación de agentes cambian cada pocos meses. Buscamos gente que disfrute experimentar, medir, iterar, y entender cómo funcionan estas tecnologías por debajo. Descripción del rol Buscamos un Backend AI Engineer: un ingeniero fuerte de backend que tenga experiencia desarrollando soluciones a escala con LLMs y modelos de Machine Learning y que le interese el desafío de construir la plataforma de AI sobre la que operen tanto nuestros clientes como la propia compañía. El primer proyecto de este rol es Go-To-Market. El equipo comercial de Fudo lleva el producto a miles de restaurantes nuevos por mes en toda LATAM, y lo que antes se resolvía a mano (investigar cuentas, calificar leads, personalizar mensajes, mover datos entre herramientas) dejó de escalar. Tu trabajo va a ser convertir ese trabajo manual en sistemas: pipelines de enriquecimiento, scoring de leads, agentes de research de cuentas, y las capas de datos que los alimentan. Esperamos que te manejes con autonomía, responsabilidad y compromiso, pero siendo a la vez parte de un equipo que tracciona y trabaja en conjunto. Que seas un referente técnico y que eleves el estándar de cómo Fudo construye software con IA. Responsabilidades Diseñar y construir servicios backend en producción para sistemas con LLMs: orquestación, tool calling, manejo de estado, colas, reintentos, idempotencia, timeouts y fallbacks. Modelar y construir la capa de datos que alimenta esos sistemas: esquemas relacionales, índices, performance de queries, y pipelines de ingesta y normalización. Construir la capa de retrieval: embeddings, bases de datos vectoriales, estrategias de chunking, búsqueda híbrida (semántica + keyword), reranking, y medición de calidad de recuperación. Diseñar y mantener el semantic layer sobre nuestro data warehouse: definir una sola vez las métricas, dimensiones, joins y reglas de negocio para que un agente consulte conceptos gobernados en lugar de escribir SQL crudo contra tablas. Es la diferencia entre un agente que responde distinto cada vez y uno confiable. Definir cómo se evalúa lo que construimos: datasets de evaluación, regresiones automatizadas, guardrails, y observabilidad de calidad, costo y latencia por modelo. Integrar el stack de negocio: CRM (HubSpot), data warehouse, herramientas de enriquecimiento y prospección, canales de mensajería (incluido WhatsApp), y nuestras propias APIs. Construir tooling interno, MCP servers y agentes que le ahorren tiempo a los equipos y les den mejor contexto. Como primer proyecto: automatizar el funnel comercial de punta a punta. Enriquecimiento y de-duplicación de leads, lead scoring, routing y speed-to-lead en inbound, research y personalización a escala en outbound. Traducir necesidades de áreas no técnicas en sistemas concretos, y decidir con criterio cuándo un problema se resuelve con código, cuándo con una herramienta existente, cuándo con un LLM y cuándo con una combinación. Qué esperamos de vos Requerimientos mínimos (excluyentes) Experiencia en producción con LLMs o modelos de Machine Learning. Excluyente. Que hayas puesto un sistema con LLMs o ML frente a usuarios o procesos reales, y que puedas contar qué se rompió, cómo lo mediste y cómo lo arreglaste. Habilidades de backend sólidas: 5+ años construyendo y manteniendo servicios en producción, con criterio de diseño, testing y operación. Ruby es nuestro stack principal; también trabajamos con Python y Node. Fuerte en bases de datos: modelado relacional, SQL avanzado, índices, análisis y tuning de queries. Trabajamos con PostgreSQL y ClickHouse. Bases de datos vectoriales y retrieval: haber trabajado con embeddings y algún vector store (pgvector, Qdrant, Pinecone, Weaviate o similar), y entender los tradeoffs de RAG (chunking, recall, ranking, datos desactualizados). Context engineering y semantic layer: conceptos sobre cómo los LLMs manejan su ventana de contexto y estrategias para aprovechar la de forma más eficiente. Integraciones: APIs REST, webhooks, autenticación, rate limits, timeouts, etc. Mentalidad de producto: que puedas interactuar con otras áreas descubriendo sus problemas, planteando soluciones y evaluando la efectividad de las mismas. Requerimientos deseables Haber aplicado LLMs o ML a equipos o procesos de ventas. Lead scoring, enriquecimiento, research de cuentas, personalización de outreach, forecasting, o automatización de CRM. Es el diferencial más fuerte para este rol. Experiencia construyendo flujos agénticos y conocimiento de sus fallas típicas: alucinación, loops, personalización genérica, costos. MCP (Model Context Protocol): haber construido servers o tools. Data warehouse y modelado analítico: dbt, ClickHouse, BigQuery o similares. Fine-tuning, evaluación de modelos, o experiencia previa como ML Engineer / Data Scientist con modelos propios en producción. Experiencia en otros SaaS B2B. Beneficios Ser protagonista dentro del equipo, impulsando mejoras, aprendiendo constantemente de un equipo de trabajo multidisciplinario orientado a objetivos. Salarios y beneficios competitivos internacionalmente. Trabajo remoto o semi-presencial en ambiente distendido y cómodo en nuestras oficinas de Buenos Aires. Feriados locales + día de cumpleaños libre + días hábiles de vacaciones. Capacitación Inglés / Portugués in company. Cobertura de plan de Wellhub (ex Gympass) para que utilices en gimnasios o realices algún tipo de actividad física. Beneficios adicionales por partnerships con otras empresas.