Что стоит за $6 млн посевных
QueryStory вышла из stealth. Материал TechCrunch об этом датирован 26 августа 2026 года, автор — Tim Fernholz. Компания привлекла $6 млн посевных в конце 2025 года при оценке $60 млн. Раунд провели Brightmind Partners и New York Life Ventures.
Разработка и пилоты с заказчиками заняли время между раундом и выходом из stealth.
Ключевые роли в команде:
- Shapor Naghibzadeh — соучредитель и CEO.
- Stanley Yang — CTO, бывший коллега Naghibzadeh по Google, lead engineer в EvolutionIQ.
- David Glusic — CPO, ветеран Accenture.
Инвестицию New York Life Ventures вёл Tim Del Bello, managing director фонда. Инвесторы применяют платформу там, где подготовка квартального бизнес-обзора требовала работы нескольких человек. Del Bello рассчитывает, что такой сценарий превратится в дашборд с обновлением в реальном времени.
«Продукт сделан для таких людей, как я: для принимающих решения, которым нужна достоверная картина, — говорит Del Bello. — Им приходится работать со сложными и разнородными источниками данных, без собственной команды data science или BI, особенно в жёстко регулируемой отрасли».
Платформа адресована крупным предприятиям с большими собственными базами данных. Среди её пользователей — отделы продаж и операционные менеджеры. Практический критерий: продукт имеет смысл там, где нужна единая точка анализа и проверки выводов по разнородным корпоративным данным.
Откуда взялся принцип проверяемости
В 2009 году Naghibzadeh работал инженером Google SysOps. Хакеры, которых поддерживал Китай, атаковали поискового гиганта в рамках Operation Aurora. Его вызвали в спешно собранный war room — объяснять, что происходило на серверах компании.
Трассировка атак через разрозненные сети научила его ценности проверенного знания. Но такая работа была дорогой и долгой. Naghibzadeh считает, что LLM могут принести ту же функциональность в базы данных всех типов за долю времени.
Шесть следующих лет он посвятил стыку данных и кибербезопасности. Он использовал ресурсы Google, чтобы создавать инструменты для security-аналитиков. Те позволяли запрашивать сложные данные. В 2016 году он соучредил в Google's X Labs стартап Chronicle. Цель — принести ту же функциональность другим компаниям.
В прошлом году LLM заняли большую роль в анализе данных. Naghibzadeh увидел новую возможность: применить техники из кибербезопасности к разным видам аналитики.
Вывод: ядро продукта — не скорость генерации ответа, а воспроизводимый путь к проверенному выводу.
Как устроена проверка выводов
Платформа выпускает проработанные дашборды и аналитику. Отдельно она выводит индикатор уверенности. Он показывает, почему ИИ-агенты считали свои анализы точными.
SQL-запросы появляются автоматически. Пользователи могут помечать анализы для проверки коллегами. Отзывы записываются в платформе.
Пример из материала: руководитель в технологической компании запрашивал базу компании через Claude Cowork. Затем он просил модель показать написанные SQL-запросы. Только после этого запросы уходили аналитику на проверку человеком.
| Критерий | Общий чат-интерфейс с LLM | Специализированная платформа |
|---|---|---|
| SQL-запросы | пользователь запрашивает их отдельно | появляются автоматически |
| Индикатор уверенности | в описанном сценарии не фигурирует | показывает обоснование точности |
| Проверка человеком | вынесена за пределы чата | анализы можно помечать, отзывы хранятся в платформе |
| Пользовательский опыт | намеренно ограничен | заявлены прозрачность, надёжность и контроль |
Вывод: проверяемость складывается из трёх элементов — автоматического SQL, индикатора уверенности и записанной истории проверок. Практический критерий: смотреть на то, можно ли восстановить путь от вопроса до цифры.
Независимость от модели и отказ от продажи вычислений
QueryStory построена так, чтобы не зависеть от одной модели. Пока она в основном использует последние модели передовых лабораторий. С ними компания конкурирует на уровне продукта.
Naghibzadeh считает, что заказчики предпочтут поставщика, не заинтересованного продавать как можно больше «интеллекта». Его аргумент: «У нас много преимуществ здесь в том, что мы не одна из тех компаний, которые построили бизнес вокруг модели потребления вычислений, хранилищ или токенов».
Специализированный инструмент может быть эффективнее и точнее универсального агента. Причина — он понимает и сохраняет контекст.
Практический критерий: смотреть на источник дохода поставщика. По логике Naghibzadeh, модель продажи токенов создаёт стимул, расходящийся с интересом заказчика в точности.
Хрупкость ИИ и разрастание версий правды
Tayler Sipperly, partner в Brightmind Partners, предупреждает: «ИИ более хрупок, чем кажется, когда речь идёт о вещах, которые должны быть надёжными и на которых крупный бизнес строит работу».
Naghibzadeh описывает другую проблему. Когда компании подключают данные к чат-интерфейсу LLM, сотни или тысячи сотрудников задают вопросы и получают каждый свою версию правды. Эти версии уходят в слайды и расходятся по организации. Контент разрастается, и его негде закрепить так, чтобы он вёл обратно к данным.
Пример со скоростью: репортёр поделился базой данных о космической активности. QueryStory построила визуализацию за несколько часов. Проект, который репортёр когда-то делал с разработчиком, занял несколько недель.
Вывод: ценность проверяемости растёт вместе с числом людей, которые принимают решения по данным. Практический критерий: платформа нужна там, где несколько команд должны опираться на одну версию данных и хранить историю её проверки.
