$6 मिलियन की सीड फंडिंग के पीछे क्या है
QueryStory स्टील्थ से बाहर आ गई है। इस बारे में TechCrunch की सामग्री 26 अगस्त 2026 की तारीख की है, लेखक — Tim Fernholz। कंपनी ने 2025 के अंत में $60 मिलियन के मूल्यांकन पर $6 मिलियन की सीड फंडिंग जुटाई। राउंड Brightmind Partners और New York Life Ventures ने किया।
राउंड और स्टील्थ से बाहर आने के बीच का समय विकास और ग्राहकों के साथ पायलट में लगा।
टीम में प्रमुख भूमिकाएँ:
- Shapor Naghibzadeh — सह-संस्थापक और CEO।
- Stanley Yang — CTO, Naghibzadeh के Google के पूर्व सहयोगी, EvolutionIQ में lead engineer।
- David Glusic — CPO, Accenture के वयोवृद्ध।
New York Life Ventures का निवेश Tim Del Bello ने लीड किया, जो फंड के managing director हैं। निवेशक प्लेटफ़ॉर्म का उपयोग वहाँ कर रहे हैं जहाँ त्रैमासिक बिज़नेस रिव्यू की तैयारी में कई लोगों का काम लगता था। Del Bello को उम्मीद है कि ऐसा परिदृश्य रीयल-टाइम अपडेट वाले डैशबोर्ड में बदल जाएगा।
«यह प्रोडक्ट मेरे जैसे लोगों के लिए बनाया गया है: निर्णय लेने वालों के लिए, जिन्हें भरोसेमंद तस्वीर चाहिए, — Del Bello कहते हैं। — उन्हें जटिल और विषम डेटा स्रोतों के साथ काम करना पड़ता है, बिना अपनी data science या BI टीम के, ख़ास तौर पर कड़ाई से regulated उद्योग में»।
प्लेटफ़ॉर्म बड़े उद्यमों के लिए है जिनके पास बड़े अपने डेटाबेस हैं। इसके उपयोगकर्ताओं में सेल्स विभाग और ऑपरेशनल मैनेजर शामिल हैं। व्यावहारिक मानदंड: प्रोडक्ट का मतलब वहाँ है जहाँ विषम कॉर्पोरेट डेटा पर विश्लेषण और निष्कर्षों की जाँच के लिए एक ही जगह चाहिए।
सत्यापन-योग्यता का सिद्धांत कहाँ से आया
2009 में Naghibzadeh Google SysOps में इंजीनियर के रूप में काम करते थे। चीन द्वारा समर्थित हैकर्स ने Operation Aurora के तहत सर्च दिग्गज पर हमला किया। उन्हें जल्दी से जुटाए गए war room में बुलाया गया — यह समझाने के लिए कि कंपनी के सर्वर पर क्या हो रहा था।
बिखरे हुए नेटवर्कों के ज़रिए हमलों की ट्रेसिंग ने उन्हें सत्यापित ज्ञान के मूल्य का पाठ पढ़ाया। लेकिन ऐसा काम महँगा और लंबा था। Naghibzadeh मानते हैं कि LLM वही कार्यक्षमता हर तरह के डेटाबेस में बहुत कम समय में ला सकते हैं।
अगले छह साल उन्होंने डेटा और साइबर सुरक्षा के जोड़ को समर्पित किए। उन्होंने Google के संसाधनों का उपयोग security-विश्लेषकों के लिए टूल बनाने में किया। वे जटिल डेटा क्वेरी करने देते थे। 2016 में उन्होंने Google's X Labs में स्टार्टअप Chronicle सह-स्थापित किया। लक्ष्य — वही कार्यक्षमता अन्य कंपनियों तक लाना।
पिछले साल LLM ने डेटा विश्लेषण में बड़ी भूमिका निभाई। Naghibzadeh ने नया अवसर देखा: साइबर सुरक्षा की तकनीकों को विभिन्न प्रकार की एनालिटिक्स पर लागू करना।
निष्कर्ष: प्रोडक्ट का मूल उत्तर उत्पन्न करने की गति नहीं, बल्कि सत्यापित निष्कर्ष तक पहुँचने का पुनरुत्पादनीय मार्ग है।
निष्कर्षों की जाँच कैसे होती है
प्लेटफ़ॉर्म विस्तृत डैशबोर्ड और एनालिटिक्स जारी करता है। अलग से यह एक विश्वास संकेतक दिखाता है। यह बताता है कि AI-एजेंट्स ने अपने विश्लेषणों को सटीक क्यों माना।
SQL क्वेरीज़ स्वचालित रूप से बनती हैं। उपयोगकर्ता विश्लेषणों को सहकर्मियों द्वारा समीक्षा के लिए चिह्नित कर सकते हैं। फ़ीडबैक प्लेटफ़ॉर्म में दर्ज होता है।
सामग्री से उदाहरण: एक टेक्नोलॉजी कंपनी के अधिकारी ने Claude Cowork के ज़रिए कंपनी का डेटाबेस क्वेरी किया। फिर उन्होंने मॉडल से लिखी गई SQL क्वेरीज़ दिखाने को कहा। उसके बाद ही क्वेरीज़ किसी विश्लेषक के पास मानवीय जाँच के लिए गईं।
| मानदंड | LLM के साथ सामान्य चैट इंटरफ़ेस | विशेषीकृत प्लेटफ़ॉर्म |
|---|---|---|
| SQL क्वेरीज़ | उपयोगकर्ता उन्हें अलग से माँगता है | स्वचालित रूप से बनती हैं |
| विश्वास संकेतक | वर्णित परिदृश्य में मौजूद नहीं | सटीकता का औचित्य दिखाता है |
| मानवीय जाँच | चैट के बाहर रखी गई | विश्लेषण चिह्नित किए जा सकते हैं, फ़ीडबैक प्लेटफ़ॉर्म में संग्रहित |
| उपयोगकर्ता अनुभव | जानबूझकर सीमित | पारदर्शिता, विश्वसनीयता और नियंत्रण का दावा |
निष्कर्ष: सत्यापन-योग्यता तीन तत्वों से बनती है — स्वचालित SQL, विश्वास संकेतक और दर्ज जाँच इतिहास। व्यावहारिक मानदंड: यह देखना कि प्रश्न से संख्या तक का रास्ता बहाल किया जा सकता है या नहीं।
मॉडल से स्वतंत्रता और कंप्यूट की बिक्री से इनकार
QueryStory इस तरह बनाई गई है कि किसी एक मॉडल पर निर्भर न रहे। फ़िलहाल यह मुख्य रूप से अग्रणी लैब्स के नवीनतम मॉडल उपयोग करती है। उनके साथ कंपनी प्रोडक्ट के स्तर पर प्रतिस्पर्धा करती है।
Naghibzadeh मानते हैं कि ग्राहक ऐसे आपूर्तिकर्ता को प्राथमिकता देंगे जो ज़्यादा से ज़्यादा «इंटेलिजेंस» बेचने में दिलचस्पी न रखता हो। उनका तर्क: «हमारे पास यहाँ कई फ़ायदे हैं, क्योंकि हम उन कंपनियों में से नहीं हैं जिन्होंने कंप्यूट, स्टोरेज या टोकन की खपत के मॉडल के इर्द-गिर्द बिज़नेस खड़ा किया है»।
विशेषीकृत टूल सार्वभौमिक एजेंट से ज़्यादा प्रभावी और सटीक हो सकता है। कारण — यह संदर्भ को समझता और सहेजता है।
व्यावहारिक मानदंड: आपूर्तिकर्ता की आय के स्रोत को देखना। Naghibzadeh के तर्क के अनुसार, टोकन बिक्री का मॉडल ऐसा प्रोत्साहन बनाता है जो सटीकता में ग्राहक के हित से टकराता है।
AI की नाज़ुकता और सच के संस्करणों का फैलाव
Tayler Sipperly, Brightmind Partners में partner, चेतावनी देते हैं: «AI उससे कहीं ज़्यादा नाज़ुक है जितना लगता है, जब बात उन चीज़ों की हो जो विश्वसनीय होनी चाहिए और जिन पर बड़ा बिज़नेस अपना काम टिकाता है»।
Naghibzadeh एक और समस्या बताते हैं। जब कंपनियाँ डेटा को LLM के चैट इंटरफ़ेस से जोड़ती हैं, तो सैकड़ों या हज़ारों कर्मचारी सवाल पूछते हैं और हर कोई अपना सच का संस्करण पाता है। ये संस्करण स्लाइड्स में जाते हैं और संगठन में फैल जाते हैं। कंटेंट बढ़ता है, और उसे ऐसे स्थिर करने की जगह नहीं होती कि वह डेटा तक वापस ले जाए।
गति का उदाहरण: एक रिपोर्टर ने अंतरिक्ष गतिविधि का डेटाबेस साझा किया। QueryStory ने कुछ घंटों में विज़ुअलाइज़ेशन बना दिया। वह प्रोजेक्ट, जो रिपोर्टर ने कभी एक डेवलपर के साथ किया था, कई हफ़्ते लेता था।
निष्कर्ष: सत्यापन-योग्यता का मूल्य उन लोगों की संख्या के साथ बढ़ता है जो डेटा के आधार पर निर्णय लेते हैं। व्यावहारिक मानदंड: प्लेटफ़ॉर्म वहाँ चाहिए जहाँ कई टीमों को डेटा के एक ही संस्करण पर निर्भर रहना हो और उसकी जाँच का इतिहास रखना हो।
