O que está por trás dos US$ 6 milhões de seed
A QueryStory saiu do stealth. A matéria do TechCrunch sobre isso é datada de 26 de agosto de 2026, de autoria de Tim Fernholz. A empresa levantou US$ 6 milhões em seed no final de 2025, com valuation de US$ 60 milhões. O round foi liderado pela Brightmind Partners e pela New York Life Ventures.
O desenvolvimento e os pilotos com clientes ocuparam o tempo entre o round e a saída do stealth.
Papéis-chave na equipe:
- Shapor Naghibzadeh — cofundador e CEO.
- Stanley Yang — CTO, ex-colega de Naghibzadeh no Google, lead engineer na EvolutionIQ.
- David Glusic — CPO, veterano da Accenture.
O investimento da New York Life Ventures foi liderado por Tim Del Bello, managing director do fundo. Os investidores aplicam a plataforma onde a preparação do business review trimestral exigia o trabalho de várias pessoas. Del Bello espera que esse cenário se transforme em um dashboard com atualização em tempo real.
"O produto foi feito para pessoas como eu: para tomadores de decisão que precisam de um panorama confiável", diz Del Bello. "Eles precisam lidar com fontes de dados complexas e heterogêneas, sem uma equipe própria de data science ou BI, especialmente em setores fortemente regulados."
A plataforma é voltada para grandes empresas com grandes bases de dados próprias. Entre seus usuários estão departamentos de vendas e gerentes de operações. Critério prático: o produto faz sentido onde é necessário um ponto único de análise e verificação de conclusões sobre dados corporativos heterogêneos.
De onde veio o princípio da verificabilidade
Em 2009, Naghibzadeh trabalhava como engenheiro de Google SysOps. Hackers apoiados pela China atacaram a gigante de buscas no âmbito da Operation Aurora. Ele foi chamado a uma war room montada às pressas — para explicar o que estava acontecendo nos servidores da empresa.
Rastrear os ataques por redes dispersas ensinou-lhe o valor do conhecimento verificado. Mas esse trabalho era caro e demorado. Naghibzadeh acredita que os LLM podem trazer a mesma funcionalidade para bases de dados de todos os tipos em uma fração do tempo.
Nos seis anos seguintes, ele se dedicou à interseção entre dados e cibersegurança. Usou os recursos do Google para criar ferramentas para analistas de security. Elas permitiam consultar dados complexos. Em 2016, ele cofundou no Google's X Labs a startup Chronicle. O objetivo — trazer a mesma funcionalidade para outras empresas.
No ano passado, os LLM assumiram um grande papel na análise de dados. Naghibzadeh viu uma nova oportunidade: aplicar técnicas de cibersegurança a diferentes tipos de análise.
Conclusão: o núcleo do produto não é a velocidade de geração da resposta, mas o caminho reproduzível até uma conclusão verificada.
Como funciona a verificação das conclusões
A plataforma entrega dashboards e análises elaborados. Separadamente, ela exibe um indicador de confiança. Ele mostra por que os agentes de IA consideraram suas análises precisas.
As consultas SQL aparecem automaticamente. Os usuários podem marcar análises para revisão por colegas. Os feedbacks são registrados na plataforma.
Exemplo da matéria: um executivo de uma empresa de tecnologia consultava a base da empresa via Claude Cowork. Depois, ele pedia ao modelo que mostrasse as consultas SQL escritas. Só então as consultas iam para um analista para revisão humana.
| Critério | Interface de chat genérica com LLM | Plataforma especializada |
|---|---|---|
| Consultas SQL | o usuário as solicita separadamente | aparecem automaticamente |
| Indicador de confiança | não figura no cenário descrito | mostra a justificativa da precisão |
| Revisão humana | fica fora do chat | as análises podem ser marcadas, os feedbacks ficam armazenados na plataforma |
| Experiência do usuário | deliberadamente limitada | são declaradas transparência, confiabilidade e controle |
Conclusão: a verificabilidade se compõe de três elementos — SQL automático, indicador de confiança e histórico de revisões registrado. Critério prático: observar se é possível reconstruir o caminho da pergunta até o número.
Independência de modelo e recusa em vender computação
A QueryStory foi construída para não depender de um único modelo. Por enquanto, ela usa principalmente os modelos mais recentes de laboratórios de ponta. Com eles, a empresa compete no nível do produto.
Naghibzadeh acredita que os clientes preferirão um fornecedor sem interesse em vender o máximo possível de "inteligência". Seu argumento: "Temos muitas vantagens aqui pelo fato de não sermos uma daquelas empresas que construíram um negócio em torno do modelo de consumo de computação, armazenamento ou tokens".
Uma ferramenta especializada pode ser mais eficiente e precisa do que um agente universal. A razão — ela entende e preserva o contexto.
Critério prático: observar a fonte de receita do fornecedor. Pela lógica de Naghibzadeh, o modelo de venda de tokens cria um incentivo que diverge do interesse do cliente na precisão.
A fragilidade da IA e a proliferação de versões da verdade
Tayler Sipperly, partner na Brightmind Partners, adverte: "A IA é mais frágil do que parece quando se trata de coisas que precisam ser confiáveis e sobre as quais as grandes empresas baseiam seu trabalho".
Naghibzadeh descreve outro problema. Quando as empresas conectam dados a uma interface de chat de LLM, centenas ou milhares de funcionários fazem perguntas e cada um recebe sua própria versão da verdade. Essas versões vão para slides e se espalham pela organização. O conteúdo se multiplica, e não há onde fixá-lo de modo que ele leve de volta aos dados.
Exemplo com velocidade: um repórter compartilhou uma base de dados sobre atividade espacial. A QueryStory construiu uma visualização em algumas horas. O projeto, que o repórter certa vez fez com um desenvolvedor, levou várias semanas.
Conclusão: o valor da verificabilidade cresce junto com o número de pessoas que tomam decisões com base em dados. Critério prático: a plataforma é necessária onde várias equipes precisam se apoiar em uma única versão dos dados e manter o histórico de sua verificação.
