Apa yang ada di balik pendanaan awal $6 juta
QueryStory keluar dari mode stealth. Artikel TechCrunch tentang ini bertanggal 26 Agustus 2026, penulisnya adalah Tim Fernholz. Perusahaan mengumpulkan $6 juta pendanaan awal pada akhir 2025 dengan valuasi $60 juta. Putaran ini dipimpin oleh Brightmind Partners dan New York Life Ventures.
Pengembangan dan uji coba dengan pelanggan memakan waktu antara putaran pendanaan dan keluarnya dari mode stealth.
Peran kunci dalam tim:
- Shapor Naghibzadeh — salah satu pendiri dan CEO.
- Stanley Yang — CTO, mantan kolega Naghibzadeh di Google, lead engineer di EvolutionIQ.
- David Glusic — CPO, veteran Accenture.
Investasi New York Life Ventures dipimpin oleh Tim Del Bello, managing director dana tersebut. Investor menggunakan platform ini di tempat di mana penyusunan tinjauan bisnis kuartalan membutuhkan kerja beberapa orang. Del Bello memperkirakan skenario seperti itu akan berubah menjadi dasbor dengan pembaruan waktu nyata.
"Produk ini dibuat untuk orang-orang seperti saya: untuk para pengambil keputusan yang membutuhkan gambaran yang dapat diandalkan," kata Del Bello. "Mereka harus bekerja dengan sumber data yang kompleks dan beragam, tanpa tim data science atau BI sendiri, terutama di industri yang diatur secara ketat."
Platform ini ditujukan untuk perusahaan besar dengan basis data internal yang besar. Di antara penggunanya adalah departemen penjualan dan manajer operasional. Kriteria praktisnya: produk ini masuk akal di tempat yang membutuhkan satu titik analisis dan verifikasi kesimpulan atas data perusahaan yang beragam.
Dari mana prinsip keterverifikasian berasal
Pada tahun 2009, Naghibzadeh bekerja sebagai engineer Google SysOps. Peretas yang didukung Tiongkok menyerang raksasa pencarian tersebut dalam kerangka Operation Aurora. Ia dipanggil ke war room yang dibentuk secara mendesak — untuk menjelaskan apa yang terjadi di server perusahaan.
Penelusuran serangan melalui jaringan yang terpisah-pisah mengajarinya nilai dari pengetahuan yang terverifikasi. Namun pekerjaan seperti itu mahal dan lama. Naghibzadeh percaya bahwa LLM dapat membawa fungsionalitas yang sama ke basis data segala jenis dalam waktu yang jauh lebih singkat.
Enam tahun berikutnya ia dedikasikan untuk persinggungan data dan keamanan siber. Ia menggunakan sumber daya Google untuk membuat alat bagi analis keamanan. Alat-alat itu memungkinkan pengajuan kueri data yang kompleks. Pada tahun 2016 ia ikut mendirikan startup Chronicle di Google's X Labs. Tujuannya — membawa fungsionalitas yang sama ke perusahaan lain.
Tahun lalu LLM mengambil peran besar dalam analisis data. Naghibzadeh melihat peluang baru: menerapkan teknik dari keamanan siber ke berbagai jenis analitik.
Kesimpulan: inti produk bukanlah kecepatan menghasilkan jawaban, melainkan jalur yang dapat direproduksi menuju kesimpulan yang terverifikasi.
Bagaimana verifikasi kesimpulan disusun
Platform ini menghasilkan dasbor dan analitik yang matang. Secara terpisah, ia menampilkan indikator keyakinan. Indikator ini menunjukkan mengapa agen AI menganggap analisis mereka akurat.
Kueri SQL muncul secara otomatis. Pengguna dapat menandai analisis untuk ditinjau oleh kolega. Umpan balik dicatat di dalam platform.
Contoh dari artikel: seorang eksekutif di perusahaan teknologi meminta basis data perusahaan melalui Claude Cowork. Kemudian ia meminta model untuk menunjukkan kueri SQL yang ditulis. Hanya setelah itu kueri dikirim ke analis untuk ditinjau oleh manusia.
| Kriteria | Antarmuka obrolan umum dengan LLM | Platform khusus |
|---|---|---|
| Kueri SQL | pengguna memintanya secara terpisah | muncul secara otomatis |
| Indikator keyakinan | tidak muncul dalam skenario yang dijelaskan | menunjukkan dasar akurasi |
| Tinjauan manusia | dilakukan di luar obrolan | analisis dapat ditandai, umpan balik tersimpan di platform |
| Pengalaman pengguna | sengaja dibatasi | diklaim transparan, andal, dan terkendali |
Kesimpulan: keterverifikasian terdiri dari tiga elemen — SQL otomatis, indikator keyakinan, dan riwayat tinjauan yang tercatat. Kriteria praktisnya: perhatikan apakah jalur dari pertanyaan hingga angka dapat direkonstruksi.
Independensi dari model dan penolakan menjual komputasi
QueryStory dibangun agar tidak bergantung pada satu model. Saat ini ia sebagian besar menggunakan model terbaru dari laboratorium terdepan. Dengan model-model itu perusahaan bersaing di tingkat produk.
Naghibzadeh percaya bahwa pelanggan akan memilih penyedia yang tidak berkepentingan menjual "kecerdasan" sebanyak mungkin. Argumennya: "Kami punya banyak keunggulan di sini karena kami bukan salah satu dari perusahaan yang membangun bisnis seputar konsumsi komputasi, penyimpanan, atau token."
Alat khusus bisa lebih efisien dan akurat daripada agen serbaguna. Alasannya — ia memahami dan mempertahankan konteks.
Kriteria praktisnya: perhatikan sumber pendapatan penyedia. Menurut logika Naghibzadeh, model penjualan token menciptakan insentif yang menyimpang dari kepentingan pelanggan akan akurasi.
Kerapuhan AI dan menjamurnya versi kebenaran
Tayler Sipperly, partner di Brightmind Partners, memperingatkan: "AI lebih rapuh daripada yang terlihat ketika menyangkut hal-hal yang harus andal dan menjadi dasar kerja bisnis besar."
Naghibzadeh menggambarkan masalah lain. Ketika perusahaan menghubungkan data ke antarmuka obrolan LLM, ratusan atau ribuan karyawan mengajukan pertanyaan dan masing-masing mendapatkan versi kebenarannya sendiri. Versi-versi itu masuk ke slide dan menyebar ke seluruh organisasi. Konten menjamur, dan tidak ada tempat untuk mengukuhkannya agar mengarah kembali ke data.
Contoh tentang kecepatan: seorang reporter membagikan basis data tentang aktivitas luar angkasa. QueryStory membangun visualisasi dalam beberapa jam. Proyek yang dulu dikerjakan reporter itu bersama seorang developer memakan waktu beberapa minggu.
Kesimpulan: nilai keterverifikasian tumbuh seiring bertambahnya jumlah orang yang mengambil keputusan berdasarkan data. Kriteria praktisnya: platform dibutuhkan di tempat di mana beberapa tim harus bersandar pada satu versi data dan menyimpan riwayat verifikasinya.
