Científico Sénior - Seguridad de IA

• Doctorado (PhD) en ciencias de la computación, IA/ML, matemáticas aplicadas o un campo técnico estrechamente relacionado (requerido).
• Al menos un año de experiencia en investigación o en la industria tras el doctorado desarrollando y desplegando sistemas de IA/ML, agentes autónomos o sistemas críticos de seguridad.
• Experiencia práctica y profunda en IA agéntica, incluyendo modelos fundacionales, generación aumentada por recuperación (RAG), orquestación de herramientas, memoria, planificación, marcos de trabajo multiagente y sus modos de fallo asociados.
• Experiencia demostrada en investigación o aplicación en seguridad y alineación de la IA, como el ajuste fino supervisado, la optimización de preferencias, el ajuste de seguridad, la evaluación adversarial, la interpretabilidad o la supervisión escalable, incluyendo sus límites en dominios especializados.
• Experiencia demostrada en al menos uno de los siguientes: policy-as-code y autorización; aprendizaje automático adversarial y red-teaming de IA; control de flujo de información o de acceso a datos; procedencia y linaje; especificación o verificación formal.
• Sólidas habilidades de ingeniería de IA, incluyendo el prototipado de métodos de evaluación y control, la creación de experimentos reproducibles y la escritura de código listo para producción.
• Excelente comunicación escrita y verbal, con capacidad para presentar argumentos de seguridad de la IA técnicamente defendibles ante partes interesadas científicas, de ingeniería y ejecutivas.
• Rigor científico en la caracterización del comportamiento de modelos y agentes, incluyendo la incertidumbre, las limitaciones, las condiciones de fallo y la solidez de la evidencia de apoyo.

• Has construido sistemas de IA donde el éxito requería verificar una propiedad de seguridad o de comportamiento, y no simplemente generar una salida plausible.
• Comprendes los métodos de alineación y seguridad de la IA y puedes distinguir qué elementos se transfieren a los dominios científicos regulados y cuáles requieren una adaptación específica al dominio.
• No tratas las explicaciones generadas por el modelo o la cadena de pensamiento (chain-of-thought) como evidencia de garantía; diseñas pruebas independientes a nivel de sistema y de comportamiento.
• Has aplicado "policy-as-code", control de flujo de información, métodos formales o sistemas de procedencia para gobernar las acciones de los agentes, el uso de herramientas y el acceso a los datos, y entiendes que las excepciones de las políticas son una superficie de ataque principal.
• Has evaluado de forma adversarial sistemas de IA desplegados, has reproducido modos de fallo y has comunicado los hallazgos de forma independiente a los equipos que los construyeron.
• Puedes detectar fugas de evaluación, sobreajuste (overfitting), líneas de base débiles y artefactos en el conjunto de pruebas antes de que se confundan con un rendimiento de seguridad real.
• Consideras que las salvaguardas inutilizables son un fallo de seguridad, porque los controles que interrumpen el trabajo científico serán eludidos o desactivados.
• Quieres avanzar en la seguridad de la IA en un ámbito donde los fallos de los modelos y los agentes pueden afectar a la evidencia científica, a las decisiones regulatorias y a los resultados de los pacientes.
• Trabajo publicado o reconocido en revistas o conferencias de primer nivel en seguridad de la IA, alineación, ML adversarial, sistemas verificados, control de flujo de información o supervisión humana.
• Experiencia adaptando modelos fundacionales a dominios científicos y probando si las propiedades de seguridad persisten.
• Experiencia práctica con motores de políticas, lenguajes de autorización o especificaciones de políticas formales.
• Familiaridad con los marcos de gobernanza y amenazas de la IA, incluidos MITRE ATLAS, la guía de OWASP para LLM, NIST AI RMF, ISO/IEC 42001 o la Ley de IA de la UE.
• Experiencia con clasificación de datos, desidentificación y ML que preserve la privacidad, incluyendo sus limitaciones.
• Experiencia desplegando IA en ciencias de la vida u otro dominio regulado de alto riesgo.
• Conocimiento de GxP, integridad de datos y validación de sistemas informatizados habilitados para IA. Experiencia evaluando tecnologías de terceros de seguridad, evaluación o control de la IA.
• Experiencia construyendo capacidades de seguridad de IA reutilizables adoptadas por diversos equipos.

Advanced Analytics, Business Intelligence (BI), Coaching, Collaboration, Critical Thinking, Data Analysis, Database Management, Data Privacy Standards, Data Reporting, Data Savvy, Data Science, Data Visualization, Econometric Models, Process Improvements, Technical Credibility, Technologically Savvy, Workflow Analysis

55.400,00 € - 87.860,00 €

Además del salario base, ofrecemos los siguientes beneficios*: un bono anual con un objetivo establecido (% del salario) dependiendo del nivel salarial / ubicación, donde el importe real se basa en el rendimiento de los empleados y de la empresa del año natural anterior, o comisiones por ventas. Además, ofrecemos días de vacaciones, permiso parental por un mínimo de 12 semanas, permiso por duelo, permiso para cuidadores, permiso de voluntariado, reembolso de bienestar y programas para la salud financiera, física y mental. También ofrecemos premios por aniversario de servicio y reconocimiento y, sujeto a los términos de sus respectivos planes, los empleados —y en algunas ubicaciones, sus dependientes elegibles— pueden participar en varios planes de seguros. Para más información, visite Employee benefits | Supporting well-being & career growth | Johnson & Johnson Careers.

*Esto es solo para fines informativos. Los importes y los beneficios reales pueden variar según la ubicación y están sujetos a cambios.

Johnson & Johnson Innovative Medicine está buscando un Senior Scientist, AI Safety para unirse a nuestra organización de Data, Data Science & AI en Madrid o Barcelona. Trabajamos con un modelo de trabajo híbrido, lo que significa 3 días por semana en la oficina.

Este es un puesto científico de nueva creación, que reporta directamente al Scientific Fellow, AI Safety.

La IA agéntica se está convirtiendo en un elemento central de la I+D farmacéutica —desde el descubrimiento y la ciencia traslacional hasta el desarrollo y el trabajo regulatorio—, donde los estándares de evidencia son rigurosos y los errores pueden acabar afectando a la seguridad y a los resultados de los pacientes. Nuestra plataforma GenAI respalda ese cambio a través de una población en rápida expansión de flujos de trabajo autónomos. La seguridad a esta escala no puede implementarse a posteriori mediante comprobaciones integradas en aplicaciones individuales; debe ser una propiedad de cómo se construyen estos sistemas.

Definirás cómo se puede gobernar la IA agéntica de la I+D farmacéutica mediante controles demostrables y probarla continuamente mediante garantía adversarial, para luego utilizar esa evidencia y dar forma a arquitecturas de IA nativa de seguridad en las que las salvaguardas se diseñen desde el principio. El puesto abarca tres mandatos conectados:

• Controles demostrables. Definir controles deterministas y explicables que persistan a lo largo de los flujos de trabajo agénticos.
• Garantía adversarial. Probar continuamente las salvaguardas frente a escenarios de fallo creíbles y producir evidencia defendible.
• Arquitectura nativa de seguridad. Investigar e implementar técnicas de alineación de seguridad pre y post-entrenamiento y de defensa en profundidad para que la IA agéntica sea segura por construcción para la I+D farmacéutica regulada.

Este es un puesto científico práctico. Establecerás la dirección técnica, construirás los prototipos que la demuestren y llevarás los resultados a la plataforma junto con nuestros socios de ingeniería.

En colaboración con equipos multidisciplinares, incluidos los equipos de Gen AI, Tecnología e Infosec de Johnson & Johnson, traducirás los requisitos de seguridad en controles escalables, garantías y arquitecturas de IA nativa de seguridad.

• Diseñar políticas de control legibles por máquina que gobiernen las acciones de los agentes, el uso de herramientas, el acceso a los datos y el flujo de información a través de los flujos de trabajo agénticos.
• Implementar la ejecución de políticas deterministas para acciones de agentes de alto impacto, con decisiones auditables y rutas de aprobación humana definidas.
• Permitir que los propietarios de dominios y sistemas redacten, prueben y mantengan controles a través de interfaces de políticas accesibles.
• Desarrollar métodos continuos de red-teaming para la IA agéntica, combinando modelos de amenazas de IA establecidos con modos de fallo de la I+D farmacéutica.
• Integrar la evaluación adversarial en la plataforma GenAI para probar continuamente modelos, agentes, herramientas y flujos de trabajo de extremo a extremo.
• Definir protocolos de evaluación, criterios de adjudicación y umbrales de evidencia que distingan las propiedades de seguridad demostradas de las afirmaciones no verificadas.
• Investigar y prototipar arquitecturas nativas de seguridad que restrinjan el comportamiento de los agentes mediante controles técnicos por capas.
• Evaluar las intervenciones en los datos de pre-entrenamiento y los métodos de post-entrenamiento —incluyendo el ajuste fino supervisado, la optimización de preferencias y el ajuste de seguridad— para casos de uso científicos regulados.
• Traducir los requisitos científicos, de calidad, de privacidad y regulatorios en especificaciones de sistema comprobables para modelos, agentes, herramientas y controles en tiempo de ejecución.
• Definir el estándar de responsabilidad para este trabajo y las medidas que demuestren que se cumple, de modo que las afirmaciones sobre la seguridad se basen en la evidencia y no en la mera aserción.
• Garantizar que las decisiones de control sean trazables y reconstruibles como evidencia de auditoría para la revisión científica, de calidad y regulatoria.
• Colaborar con científicos de I+D, ingeniería de plataformas y las funciones de seguridad, privacidad, legal y calidad; establecer la dirección científica para un pequeño equipo multidisciplinar y representar el trabajo externamente mediante publicaciones y contribuciones a estándares.

Análisis de datos y ciencias computacionales

Ciencia de datos

Científico/Tecnológico

Barcelona, España, Madrid, España

• No es desarrollo de modelos frontera. No estamos realizando el pre-entrenamiento de modelos fundacionales a gran escala. La cuestión de investigación es cómo deben adaptarse la alineación y la arquitectura para que los modelos y las plataformas de los que disponemos sean seguros para la I+D farmacéutica.
• No es un sustituto de los controles existentes. Los controles de identidad, gestión de accesos, clasificación, linaje y sistemas de origen siguen siendo propiedad de sus respectivos equipos. Este trabajo se construye sobre ellos en lugar de reimplementarlos.
• No es una función de cumplimiento o auditoría. Tú construyes los mecanismos que producen evidencia auditable; no eres el revisor de segunda línea que la firma.
• No es un rol de "guardrail-prompt" (instrucción de salvaguarda). La seguridad aquí es arquitectónica y la ejecución es determinista. Un prompt de sistema que pida a un modelo que se comporte adecuadamente no es un control.
• No es un rol de despliegue en toda la empresa al contratar. El alcance comienza con flujos de trabajo de I+D seleccionados. La amplitud vendrá después de la evidencia.
• No es un rol de liderazgo de personas al contratar. Este es un puesto científico de contribuidor individual en un pequeño equipo fundacional.