Senior

Chercheur(euse) Scientifique Appliqué(e) Senior

Montreal, Canada · On-site

Company Description

It all started when engineer Fred Luddy wrote code that automated a tedious task for his coworker, Phyllis. She cried tears of joy. That moment inspired Fred to build a company that could do that for everyone—freeing people from busywork so they could focus on meaningful work. Today, ServiceNow is the AI control tower for business reinvention. Our ServiceNow AI platform brings together any AI, any data, and any workflow— helping 85% of the Fortune 500® work smarter, faster, and better. We're building an AI-native culture where technology and talent are unstoppable together. And we're just getting started.

Join us to put AI to work for people.

Job Description

L'équipe

L'organisation Agentic Engineering chez ServiceNow est le groupe d'ingénierie obsédé par le client qui conçoit une expérience d'IA conversationnelle transformant l'intention d'entreprise en travail accompli. Nous faisons progresser la façon dont l'IA d'entreprise raisonne, se souvient et exécute.

L'équipe Agent Orchestration — celle que vous rejoindrez — possède le cœur d'exécution : le harnais d'agent, le moteur d'orchestration, la coordination multi-agents, la gestion de la mémoire, ainsi que les cadres d'évaluation qui garantissent que les agents se comportent correctement en production. Chaque action autonome promise par Otto dépend de ce que cette équipe livre.

En rejoignant notre équipe, vous serez à l'avant-garde de notre transformation IA, soutenu(e) par l'envergure mondiale de ServiceNow et l'agilité d'un environnement à forte croissance. Nous recherchons des talents de classe mondiale pour nous aider à étendre l'IA agentique à chaque employé, dans tous les secteurs de l'entreprise.

Role

En tant que Chercheur(euse) Scientifique Appliqué(e) Senior, vous serez responsable de parties importantes du harnais d'agent — la couche d'infrastructure qui permet aux agents IA de raisonner sur des données réelles d'entreprise, d'agir à travers les flux de travail, et de fonctionner en toute sécurité à l'échelle Fortune 500.

Ingénierie du harnais: Concevoir et construire le harnais d'exécution des agents — la couche d'orchestration qui achemine les entrées, gère le contexte, invoque les outils, gère les nouvelles tentatives et affiche l'état d'exécution à travers des flux de travail agentiques multi-étapes
Fiabilité à l'échelle: Assurer la tolérance aux pannes, la latence et le débit du moteur d'exécution ; concevoir pour des flux de travail d'entreprise qui ne peuvent pas échouer silencieusement ou de manière non déterministe
Observabilité: Instrumenter le harnais avec du traçage, l'attribution des coûts et la visibilité de la latence afin que l'équipe puisse comprendre le comportement des agents en production et détecter les défaillances avant les clients
Infrastructure de prompts: Construire des systèmes de gestion de prompts — versionnage, création de modèles et évaluation systématique — qui maintiennent la stabilité du comportement des agents malgré les mises à jour de modèles et les changements de configuration
Ingénierie d'évaluation: Concevoir et gérer des cadres d'évaluation (évaluations unitaires, évaluations d'intégration, moniteurs de production) qui mesurent la qualité des agents, détectent les régressions et orientent des décisions fondées sur les données
Intégration LLM: Intégrer et abstraire les LLM de pointe, en gérant le routage de modèles, les stratégies de repli, ainsi que les compromis entre coût et latence en production
Leadership technique: Élever le niveau technique par des décisions d'architecture, des revues de code et du mentorat — en particulier sur les modèles de conception agentiques et la discipline de production en IA
Conception des limites du système: Définir où réside la logique de l'agent — ce qui relève d'un appel d'outil, d'un sous-agent, d'un chemin codé en dur ou d'une escalade humaine — et établir ces normes de conception au sein de l'équipe

About the Team

The Agentic Engineering org at ServiceNow is the customer-obsessed engineering group that builds a conversational AI experience that turns enterprise intent into completed work. We advance how enterprise AI reasons, remembers, and executes.

The Agent Orchestration team — the team you'll join — owns the execution core: the agent harness, orchestration runtime, multi-agent coordination, memory management, and the evaluation frameworks that ensure agents behave correctly in production. Every autonomous action Otto promises depends on what this team ships.

By joining our team, you’ll be at the forefront of our AI transformation journey, backed by the global scale of ServiceNow and the agility of a high-growth environment. We are looking for world-class talent to help us extend agentic AI to every employee across every corner of the business.

What You'll Do

As a Senior Applied Research Scientist, you will own significant parts of the agent harness — the infrastructure layer that enables AI agents to reason over real enterprise data, take action across workflows, and run safely at Fortune 500 scale.

Harness engineering: Design and build the agent execution harness — the orchestration layer that routes inputs, manages context, invokes tools, handles retries, and surfaces execution state across multi-step agentic workflows
Reliability at scale: Own the runtime's fault tolerance, latency, and throughput; design for enterprise workflows that cannot fail silently or non-deterministically
Observability: Instrument the harness with tracing, cost attribution, and latency visibility so the team can reason about agent behavior in production and catch failures before customers do
Prompt infrastructure: Build prompt management systems — versioning, templating, and systematic evaluation — that keep agent behavior stable across model updates and configuration changes
Eval engineering: Design and own evaluation frameworks (unit evals, integration evals, production monitors) that measure agent quality, catch regressions, and drive data-informed decisions
LLM integration: Integrate with and abstract over frontier LLMs, managing model routing, fallback strategies, cost, and latency tradeoffs in production
Technical leadership: Raise the technical bar through architecture decisions, code reviews, and coaching — particularly on agentic design patterns and production AI discipline.
System boundary design: Define where agent logic lives — what's a tool call, a sub-agent, a hardcoded path, or a human escalation — and establish those design standards across the team.

Role

Ingénierie du harnais: Concevoir et construire le harnais d'exécution des agents — la couche d'orchestration qui achemine les entrées, gère le contexte, invoque les outils, gère les nouvelles tentatives et affiche l'état d'exécution à travers des flux de travail agentiques multi-étapes
Fiabilité à l'échelle: Assurer la tolérance aux pannes, la latence et le débit du moteur d'exécution ; concevoir pour des flux de travail d'entreprise qui ne peuvent pas échouer silencieusement ou de manière non déterministe
Observabilité: Instrumenter le harnais avec du traçage, l'attribution des coûts et la visibilité de la latence afin que l'équipe puisse comprendre le comportement des agents en production et détecter les défaillances avant les clients
Infrastructure de prompts: Construire des systèmes de gestion de prompts — versionnage, création de modèles et évaluation systématique — qui maintiennent la stabilité du comportement des agents malgré les mises à jour de modèles et les changements de configuration
Ingénierie d'évaluation: Concevoir et gérer des cadres d'évaluation (évaluations unitaires, évaluations d'intégration, moniteurs de production) qui mesurent la qualité des agents, détectent les régressions et orientent des décisions fondées sur les données
Intégration LLM: Intégrer et abstraire les LLM de pointe, en gérant le routage de modèles, les stratégies de repli, ainsi que les compromis entre coût et latence en production
Leadership technique: Élever le niveau technique par des décisions d'architecture, des revues de code et du mentorat — en particulier sur les modèles de conception agentiques et la discipline de production en IA
Conception des limites du système: Définir où réside la logique de l'agent — ce qui relève d'un appel d'outil, d'un sous-agent, d'un chemin codé en dur ou d'une escalade humaine — et établir ces normes de conception au sein de l'équipe

Qualifications

Pour réussir dans ce rôle, vous avez :

4+ années d'expérience dans la construction de systèmes logiciels en production, avec un solide historique en matière de fiabilité, de performance et de scalabilité
Une expérience pratique du lancement de produits d'IA générative — pas seulement l'intégration d'API LLM ou la création de prototypes, mais la responsabilité de fonctionnalités basées sur l'IA dont dépendent les utilisateurs en production
Une solide compréhension du fonctionnement des grands modèles de langage : modes de défaillance, contraintes de contexte, et la façon dont la conception des prompts influence le comportement des modèles à grande échelle
Une expérience concrète en ingénierie de prompts : conception, versionnage et évaluation systématiques des prompts à travers les mises à jour de modèles ou les cycles d'évaluation A/B
Un véritable historique en ingénierie d'évaluation — pas seulement une familiarité, mais un portefeuille de suites d'évaluation conçues, livrées et utilisées pour orienter des décisions de qualité dans des systèmes d'IA en production
Une sensibilité aux coûts et à l'efficacité au niveau du système : expérience dans l'analyse du routage de modèles, du coût d'inférence et des compromis de latence en production
De solides fondamentaux en génie logiciel : systèmes distribués, conception d'API et discipline de test
À l'aise dans des environnements de produits IA rapides, ambigus, de type start-up

Atouts supplémentaires

Expérience avec les modèles de coordination multi-agents (A2A, MCP)
Familiarité avec les cadres d'agents (LangChain, LlamaIndex ou similaires)
Expérience antérieure dans le déploiement de systèmes d'IA en logiciel d'entreprise
Expérience avec les outils d'observabilité IA (traçage, suivi des coûts, surveillance spécifique aux LLM)
Familiarité avec l'infrastructure cloud-native, l'observabilité des services, la journalisation, la surveillance, l'ingénierie de la fiabilité et le dépannage en production.

To be successful in this role you have:

4+ years building production software systems with a strong track record on reliability, performance, and scalability
Hands-on experience shipping generative AI products — not just integrating LLM APIs or building prototypes, but owning AI-powered features that production users depend on
Solid depth in how large language models work: failure modes, context constraints, and how prompt design shapes model behavior at scale
Practical prompt engineering experience: systematically designing, versioning, and evaluating prompts across model updates or A/B evaluation cycles
A real track record in eval engineering — not just familiarity, but a portfolio of evaluation suites designed, shipped, and used to drive quality decisions in production AI systems
Cost and efficiency awareness at the system level: experience reasoning about model routing, inference cost, and latency tradeoffs in production
Strong software engineering fundamentals: distributed systems, API design, and testing discipline
Comfort operating in fast-moving, ambiguous, startup-like AI product environments

Nice to Have

Experience with multi-agent coordination patterns (A2A, MCP)
Familiarity with agent frameworks (LangChain, LlamaIndex, or similar)
Prior experience shipping AI systems in enterprise software
Experience with AI observability tooling (tracing, cost tracking, LLM-specific monitoring)
Familiarity with cloud-native infrastructure, service observability, logging, monitoring, reliability engineering, and production troubleshooting

Additional Information

Work Personas

We approach our distributed world of work with flexibility and trust. Work personas (flexible, remote, or required in office) are categories that are assigned to ServiceNow employees depending on the nature of their work and their assigned work location. Learn more here. To determine eligibility for a work persona, ServiceNow may confirm the distance between your primary residence and the closest ServiceNow office using a third-party service.

Equal Opportunity Employer

ServiceNow is an equal opportunity employer. All qualified applicants will receive consideration for employment without regard to race, color, religion, sex, sexual orientation, national origin, age, disability, gender identity, veteran status, or any other category protected by law. In addition, all qualified applicants with arrest or conviction records will be considered for employment in accordance with legal requirements.

Accommodations

We strive to create an accessible and inclusive experience for all candidates. If you require a reasonable accommodation to complete any part of the application process, or are unable to use this online application and need an alternative method to apply, please contact [email protected] for assistance.

Export Control Regulations

For positions requiring access to controlled technology subject to export control regulations, including the U.S. Export Administration Regulations (EAR), ServiceNow may be required to obtain export control approval from government authorities for certain individuals. All employment is contingent upon ServiceNow obtaining any export license or other approval that may be required by relevant export control authorities.