Ce qui se cache derrière les 6 M$ d'amorçage
QueryStory est sortie de la stealth mode. L'article de TechCrunch à ce sujet est daté du 26 août 2026, l'auteur est Tim Fernholz. La société a levé 6 M$ d'amorçage fin 2025 sur une valorisation de 60 M$. Le tour a été mené par Brightmind Partners et New York Life Ventures.
Le développement et les pilotes avec des clients ont pris du temps entre le tour et la sortie de la stealth mode.
Rôles clés au sein de l'équipe :
- Shapor Naghibzadeh — cofondateur et CEO.
- Stanley Yang — CTO, ancien collègue de Naghibzadeh chez Google, lead engineer chez EvolutionIQ.
- David Glusic — CPO, vétéran d'Accenture.
L'investissement de New York Life Ventures a été mené par Tim Del Bello, managing director du fonds. Les investisseurs utilisent la plateforme là où la préparation du business review trimestriel exigeait le travail de plusieurs personnes. Del Bello s'attend à ce qu'un tel scénario se transforme en un dashboard avec mise à jour en temps réel.
« Le produit est fait pour des gens comme moi : pour des décideurs qui ont besoin d'une image fiable, dit Del Bello. Ils doivent travailler avec des sources de données complexes et hétérogènes, sans équipe data science ou BI propre, surtout dans un secteur fortement réglementé. »
La plateforme s'adresse aux grandes entreprises disposant de vastes bases de données propres. Parmi ses utilisateurs figurent les services commerciaux et les responsables opérationnels. Critère pratique : le produit a du sens là où il faut un point d'analyse unique et de vérification des conclusions sur des données d'entreprise hétérogènes.
D'où vient le principe de vérifiabilité
En 2009, Naghibzadeh travaillait comme ingénieur chez Google SysOps. Des hackers soutenus par la Chine ont attaqué le géant de la recherche dans le cadre de l'Operation Aurora. Il a été convoqué dans une war room constituée en urgence — pour expliquer ce qui se passait sur les serveurs de l'entreprise.
Le traçage des attaques à travers des réseaux disparates lui a appris la valeur du savoir vérifié. Mais ce travail était coûteux et long. Naghibzadeh estime que les LLM peuvent apporter la même fonctionnalité aux bases de données de tous types en une fraction du temps.
Les six années suivantes, il les a consacrées à la jonction des données et de la cybersécurité. Il a utilisé les ressources de Google pour créer des outils destinés aux analystes security. Ceux-ci permettaient d'interroger des données complexes. En 2016, il a cofondé au sein de Google's X Labs la startup Chronicle. Objectif — apporter la même fonctionnalité à d'autres entreprises.
L'année dernière, les LLM ont pris une place importante dans l'analyse de données. Naghibzadeh a vu une nouvelle opportunité : appliquer les techniques de la cybersécurité à différents types d'analytique.
Conclusion : le cœur du produit n'est pas la vitesse de génération de la réponse, mais le chemin reproductible vers une conclusion vérifiée.
Comment est structurée la vérification des conclusions
La plateforme produit des dashboards et des analyses élaborés. Séparément, elle affiche un indicateur de confiance. Il montre pourquoi les agents IA ont considéré leurs analyses comme exactes.
Les requêtes SQL apparaissent automatiquement. Les utilisateurs peuvent marquer les analyses pour vérification par des collègues. Les retours sont enregistrés dans la plateforme.
Exemple tiré de l'article : un dirigeant d'une entreprise technologique interrogeait la base de l'entreprise via Claude Cowork. Ensuite, il demandait au modèle de montrer les requêtes SQL écrites. Ce n'est qu'après cela que les requêtes partaient vers un analyste pour vérification humaine.
| Critère | Interface de chat générale avec LLM | Plateforme spécialisée |
|---|---|---|
| Requêtes SQL | l'utilisateur les demande séparément | apparaissent automatiquement |
| Indicateur de confiance | n'apparaît pas dans le scénario décrit | montre la justification de l'exactitude |
| Vérification humaine | reléguée en dehors du chat | les analyses peuvent être marquées, les retours sont conservés dans la plateforme |
| Expérience utilisateur | délibérément limitée | transparence, fiabilité et contrôle revendiqués |
Conclusion : la vérifiabilité se compose de trois éléments — le SQL automatique, l'indicateur de confiance et l'historique enregistré des vérifications. Critère pratique : regarder si l'on peut reconstituer le chemin de la question au chiffre.
Indépendance vis-à-vis du modèle et refus de vendre du calcul
QueryStory est conçue pour ne pas dépendre d'un seul modèle. Pour l'instant, elle utilise principalement les derniers modèles des laboratoires de pointe. Avec eux, l'entreprise rivalise au niveau du produit.
Naghibzadeh estime que les clients préféreront un fournisseur qui n'a pas intérêt à vendre le plus possible d'« intelligence ». Son argument : « Nous avons beaucoup d'avantages ici du fait que nous ne sommes pas l'une de ces entreprises qui ont bâti un business autour de la consommation de calcul, de stockage ou de tokens. »
Un outil spécialisé peut être plus efficace et plus précis qu'un agent universel. La raison — il comprend et conserve le contexte.
Critère pratique : regarder la source de revenus du fournisseur. Selon la logique de Naghibzadeh, le modèle de vente de tokens crée une incitation qui diverge de l'intérêt du client pour l'exactitude.
La fragilité de l'IA et la prolifération des versions de la vérité
Tayler Sipperly, partner chez Brightmind Partners, prévient : « L'IA est plus fragile qu'elle n'y paraît lorsqu'il s'agit de choses qui doivent être fiables et sur lesquelles une grande entreprise bâtit son travail. »
Naghibzadeh décrit un autre problème. Lorsque les entreprises connectent leurs données à une interface de chat LLM, des centaines ou des milliers d'employés posent des questions et obtiennent chacun leur propre version de la vérité. Ces versions finissent dans des slides et se diffusent dans l'organisation. Le contenu prolifère, et il n'y a nulle part où l'ancrer de manière à ce qu'il ramène aux données.
Exemple de vitesse : un reporter a partagé une base de données sur l'activité spatiale. QueryStory a construit une visualisation en quelques heures. Le projet que le reporter avait autrefois réalisé avec un développeur avait pris plusieurs semaines.
Conclusion : la valeur de la vérifiabilité croît avec le nombre de personnes qui prennent des décisions à partir des données. Critère pratique : la plateforme est nécessaire là où plusieurs équipes doivent s'appuyer sur une seule version des données et conserver l'historique de sa vérification.
