Lo que hay detrás de los $6 millones de ronda semilla
QueryStory salió del stealth. El artículo de TechCrunch al respecto está fechado el 26 de agosto de 2026, autor — Tim Fernholz. La empresa recaudó $6 millones en ronda semilla a finales de 2025 con una valoración de $60 millones. La ronda la lideraron Brightmind Partners y New York Life Ventures.
El desarrollo y los pilotos con clientes ocuparon el tiempo entre la ronda y la salida del stealth.
Roles clave en el equipo:
- Shapor Naghibzadeh — cofundador y CEO.
- Stanley Yang — CTO, excolega de Naghibzadeh en Google, lead engineer en EvolutionIQ.
- David Glusic — CPO, veterano de Accenture.
La inversión de New York Life Ventures la lideró Tim Del Bello, managing director del fondo. Los inversores aplican la plataforma allí donde la preparación del business review trimestral requería el trabajo de varias personas. Del Bello espera que ese escenario se convierta en un dashboard con actualización en tiempo real.
«El producto está hecho para personas como yo: para quienes toman decisiones y necesitan una imagen fiable — dice Del Bello —. Tienen que trabajar con fuentes de datos complejas y heterogéneas, sin un equipo propio de data science o BI, especialmente en un sector fuertemente regulado».
La plataforma está dirigida a grandes empresas con grandes bases de datos propias. Entre sus usuarios hay departamentos de ventas y gerentes de operaciones. Criterio práctico: el producto tiene sentido allí donde se necesita un punto único de análisis y verificación de conclusiones sobre datos corporativos heterogéneos.
De dónde surgió el principio de verificabilidad
En 2009 Naghibzadeh trabajaba como ingeniero en Google SysOps. Hackers apoyados por China atacaron al gigante de las búsquedas en el marco de Operation Aurora. Lo convocaron a un war room improvisado — a explicar qué estaba ocurriendo en los servidores de la empresa.
El rastreo de los ataques a través de redes dispersas le enseñó el valor del conocimiento verificado. Pero ese trabajo era caro y lento. Naghibzadeh cree que los LLM pueden llevar esa misma funcionalidad a bases de datos de todo tipo en una fracción del tiempo.
Los seis años siguientes los dedicó a la intersección de datos y ciberseguridad. Usó los recursos de Google para crear herramientas para analistas de seguridad. Estas permitían consultar datos complejos. En 2016 cofundó en Google's X Labs la startup Chronicle. El objetivo — llevar esa misma funcionalidad a otras empresas.
El año pasado los LLM ocuparon un gran papel en el análisis de datos. Naghibzadeh vio una nueva oportunidad: aplicar técnicas de la ciberseguridad a distintos tipos de analítica.
Conclusión: el núcleo del producto no es la velocidad de generación de la respuesta, sino el camino reproducible hacia una conclusión verificada.
Cómo está diseñada la verificación de conclusiones
La plataforma publica dashboards y analíticas elaboradas. Por separado, muestra un indicador de confianza. Este muestra por qué los agentes de IA consideraron precisos sus análisis.
Las consultas SQL aparecen automáticamente. Los usuarios pueden marcar análisis para revisión por colegas. Los comentarios se registran en la plataforma.
Ejemplo del artículo: un directivo de una empresa tecnológica consultaba la base de la compañía a través de Claude Cowork. Luego pedía al modelo que mostrara las consultas SQL escritas. Solo después de eso las consultas pasaban a un analista para revisión humana.
| Criterio | Interfaz de chat genérica con LLM | Plataforma especializada |
|---|---|---|
| Consultas SQL | el usuario las solicita por separado | aparecen automáticamente |
| Indicador de confianza | no figura en el escenario descrito | muestra la justificación de la precisión |
| Revisión humana | queda fuera del chat | los análisis se pueden marcar, los comentarios se almacenan en la plataforma |
| Experiencia de usuario | deliberadamente limitada | se declaran transparencia, fiabilidad y control |
Conclusión: la verificabilidad se compone de tres elementos — SQL automático, indicador de confianza e historial de revisiones registrado. Criterio práctico: fijarse en si se puede reconstruir el camino desde la pregunta hasta la cifra.
Independencia del modelo y rechazo a vender cómputo
QueryStory está construida para no depender de un solo modelo. Por ahora usa principalmente los últimos modelos de laboratorios de vanguardia. Con ellos la empresa compite a nivel de producto.
Naghibzadeh cree que los clientes preferirán a un proveedor que no tenga interés en vender la mayor cantidad posible de «inteligencia». Su argumento: «Tenemos muchas ventajas aquí en que no somos una de esas empresas que construyeron un negocio en torno al consumo de cómputo, almacenamiento o tokens».
Una herramienta especializada puede ser más eficaz y precisa que un agente universal. La razón — comprende y conserva el contexto.
Criterio práctico: fijarse en la fuente de ingresos del proveedor. Según la lógica de Naghibzadeh, el modelo de venta de tokens crea un incentivo que diverge del interés del cliente en la precisión.
La fragilidad de la IA y la proliferación de versiones de la verdad
Tayler Sipperly, partner en Brightmind Partners, advierte: «La IA es más frágil de lo que parece cuando se trata de cosas que deben ser fiables y sobre las que las grandes empresas construyen su trabajo».
Naghibzadeh describe otro problema. Cuando las empresas conectan datos a una interfaz de chat con LLM, cientos o miles de empleados hacen preguntas y cada uno obtiene su propia versión de la verdad. Esas versiones llegan a las diapositivas y se dispersan por la organización. El contenido se multiplica, y no hay dónde fijarlo de modo que conduzca de vuelta a los datos.
Ejemplo con la velocidad: un reportero compartió una base de datos sobre actividad espacial. QueryStory construyó la visualización en unas pocas horas. El proyecto que el reportero había hecho en su momento con un desarrollador llevó varias semanas.
Conclusión: el valor de la verificabilidad crece junto con el número de personas que toman decisiones basadas en datos. Criterio práctico: la plataforma es necesaria allí donde varios equipos deben apoyarse en una única versión de los datos y conservar el historial de su verificación.
