Solutions Architect

San Francisco Vor Ort Mid-Level 15.06.2026
Solutions Architect Product Manager Sales & Vertrieb Software Engineer
Auf einen Blick

Solutions Architect bei Liquid AI: Baue die SA Function von Grund auf. Bridge zwischen Customer Needs und Technical Delivery mit Full-Stack Ownership.

💰 $130.000–190.000/Jahr 📊 Senior 🕒 Vollzeit 🌍 Remote 🗺️ Americas
  • Applied ML in Customer Contexts
  • Full-Cycle Customer Engagements
  • Strong Customer-Facing Communication
  • AI Architecture Understanding
sales technical-leadership machine-learning communication product-management
✅ Geeignet für
  • Engineers mit Customer-Facing ML Erfahrung
  • Sales Engineer Experten mit Technical Depth
  • Leute, die SA Function bauen wollen
🚫 Weniger geeignet
  • Pure Engineers ohne Customer Exposure
  • Leute ohne Sales Cycle Experience
  • Nicht-Tech-Backgrounds
💡 Gut zu wissen
  • Function wird von Grund auf gebaut: High Agency
  • Customer Education ist zentral: Efficient Models sind counterintuitive
  • Reusable Assets (Demos, Playbooks) bauen ist echte Anforderung

Über das Unternehmen

Liquid AI baut die Solutions Architecture Function von Grund auf. Du wirst einer der ersten SAs, der direkt mit dem Head of Solutions Architecture und über GTM hinweg arbeitet.

Deine Aufgaben

  • Customer Engagements End-to-End: von qualified opportunity bis technical validation, go-live und beyond
  • Customer-spezifische Demos und Proofs-of-Concept mit Liquid Models bauen (LEAP für Fine-Tuning, Evaluation)
  • Technical Discovery führen: Current-State Architekturen zu Liquid Solutions mappen, Competitive Positioning, ROI quantifizieren
  • Product-Field Feedback Loop co-own: Friction Patterns, Eval Failures, Capability Gaps dokumentieren
  • Engagement Learnings in Reusable Assets übersetzen: Referenzarchitekturen, Solution Primitives, Demo Bausteine

Deine Voraussetzungen

  • Applied ML Skills: Praktische Erfahrung mit ML Models in Customer-Facing Kontexten
  • Pre-Sales und Post-Sales Erfahrung: Full-Cycle Customer Engagements
  • Starke Customer-Facing Communication und Technical Depth
  • Verständnis von AI Architectures und Deployment Tradeoffs
  • Nice-to-Have: Small oder Efficient Model Deployment (Edge, On-Device)