🎒 Developer @ React • NestJS • Artificial intelligence 🤖 (OpenAI, LLMs, generative...)

I’m Jean-Vincent Quilichini, a product-driven engineer who enjoys turning complex systems - data, backend architecture, cloud infrastructure, and AI into production software that performs, scales, and stays understandable.

I build end-to-end products where Big Data meets applied AI: high-volume ingestion pipelines, search and analytics, LLM-powered enrichment, and clean user experiences on top. My work focuses on solving messy, real-world problems (latency, cost, observability, and maintainability) so teams can ship confidently and iterate without fear.

Strong engineering fundamentals : from React and Next.js frontends to NestJS, Fastify, and Express backends, I design systems with clear boundaries (DDD, CQRS when it makes sense) and APIs that stay boring in production.

Data at the core : PostgreSQL, MongoDB, Elasticsearch, Redis (structured, unstructured, search, real-time signals). I build pipelines, analytics, and relevance layers that turn raw data into decisions.

Applied AI, not hype : LLMs and generative AI are tools, not the product. I integrate them where they add leverage (automation, enrichment, summarization) while keeping evaluation, guardrails, and observability front and center.

Performance and UX matter : from shaving milliseconds on APIs to crafting fast, accessible interfaces with Tailwind, shadcn/ui, or Material UI, I aim to make complex systems feel simple. When needed, I’ll reach for WebAssembly or Three.js to push the browser further.

Production discipline : CI/CD, cloud infrastructure (AWS), Linux environments, monitoring, QA, and cost awareness are part of the job. I like releases that are uneventful.

I’m motivated by elegant solutions to hard problems and systems that are powerful and resilient.
Curious by default, pragmatic by choice, I build software that holds up long after the demo.

DM “MEET” or grab 10 minutes on my calendar and let’s put the machines to work so your people can do theirs.

Un développeur paye déjà un salaire entier pour "laisser l’IA coder". 
Il va bientôt en payer deux.

le problème n’est pas que l’IA se trompe. Le problème est qu’elle produit vite, et qu’elle produit partout: scripts, infra, tests, tickets, documentation... et puis ensuite ??? ensuite, personne ne sait ce qui a été décidé, pourquoi, et qui porte le risque et la responsabilité...

donc quand un agent déploie, il ne voit pas vos contraintes de manière élargie et contextuelle : les fenêtres de maintenance, la conformité, les coûts, impacts clients...

juste : il exécute.

la vraie demande qui arrive sur le marché ce sont les ingénieurs capables de mettre des règles autour de l’automatisation → des revues qualifiées obligatoires, permissions minimales, environnements isolés, journaux exploitables, plans de rollback, tests de régression, des alertes utiles...

alors si vous adoptez le vibe coding sans ce cadre, vous n’accélérez pas le développement du produit, mais vous accélérez les incidents. 

utiliser l’IA c'est OK, mais garder le contrôle opérationnel c'est la clé... sinon, c'est le système qui finira par vous contrôler.

undefined undefined

Protected by isMalicious.com from Cyber threats 😈 the largest Blocklists Database. Whois, Geolocation, Risk score, CVEs in one place.

Beaucoup pensent qu’un ChatGPT est forcément un monstre de milliers de fichiers et de frameworks.

En réalité, Andrej Karpathy vient de montrer l’inverse avec microgpt : un GPT en ~200 lignes de pur Python, sans dépendances.

Dans un seul fichier, tu vois clairement les deux étapes clés: 
→ training (le modèle apprend à prédire le prochain token)
→ inference (le modèle génère du texte en répétant cette prédiction).

Il y a aussi un réglage "magique" : la temperature :
→ plus elle est haute, plus la sortie est variée;
→ plus elle est basse, plus le texte devient stable et prévisible.

La vraie différence avec un "frontier model" n’est pas le principe, c’est le scale : quantité des data, taille du modèle, qualité des optimisations, et surtout l'hardware sur lequel il tourne.

Tout le monde s’emballe sur l’IA, tous les jours, c'est épuisant : 
Copilot, Claude, Cursor.

ça génère du code vite, aussi vite que l'ignorance et le ctrl+c/ctrl+v d'antan.

le pire dans tout ça → les dev juniors adorent car ils ne comprennent rien, mais les seniors s'en méfie comme de l'huile sur le feu.

en tout cas il y a un truc qui ne bougera jamais : les architectures.

parce que l’IA peut écrire des fonctions, c'est quelques fois OK, mais elle ne porte pas ta responsabilité.

si tu ne sais pas séparer :

→ présentation (UI)
→ logique métier (services)
→ accès aux données (DAL)
→ infra (queues, cache, DB)

tu obtiens un monolithe confus ; impossible à tester, impossible à faire évoluer, impossible à sécuriser.

ça se voit tout de suite en prod :
→ latence,
→ couplage,
→ bugs "fantômes",
→ déploiements qui cassent tout.

retiens que le marché ne paie pas "du (vibe)code". Il paie un système maintenable.

donc oui, utilise l’IA, mais garde surtout les fondamentaux.

si tu sais poser une N-tiers propre, tu peux laisser l’IA accélérer.
sans perdre le contrôle.

taplio

Jean-Vincent Quilichini's Linkedin Analytics

Jean-Vincent Quilichini

Performance ScoreJean-Vincent Quilichini's LinkedIn Performance

What is Jean-Vincent talking about?

Who is engaging with Jean-Vincent

Jean-Vincent Quilichini's Best Posts (last 30 days)

Ready to grow your LinkedIn presence?