Шапор Нагибзаде в 2009 году, работая инженером в Google во время кибератаки Operation Aurora, осознал ценность проверенной информации. Он потратил годы на разработку инструментов для того, чтобы аналитики безопасности могли работать со сложными данными быстро и надежно — сначала в Google, потом в основанном им стартапе Chronicle. Теперь, когда большие языковые модели становятся серьезным инструментом для анализа данных, он видит новую задачу: сделать этот процесс прозрачным и заслуживающим доверия.

QueryStory решает реальную проблему, которую мы видим в работе с ИИ-инструментами ежедневно: когда люди подключают корпоративные базы к чат-интерфейсам моделей, каждый сотрудник получает свою версию истины. Сотни запросов, сотни интерпретаций, каждая в своей презентации — в итоге никто не знает, на что опираться. QueryStory пытается это структурировать: платформа автоматически выводит SQL-запросы, показывает уверенность ИИ в ответе (с обоснованием), позволяет отправить результаты на проверку человеку с фиксацией всего процесса в системе.

Нагибзаде привлек на раунде $6 млн от Brightmind Ventures и New York Life Ventures при оценке в $60 млн. Интересно, что инвесторы сами используют платформу — партнер New York Life Ventures Del Bello рассказывает, что заменил работу нескольких человек по подготовке ежеквартальных отчетов, и теперь планирует превратить это в реал-тайм-дашборд. В демо на данных космической активности платформа создала визуализацию и анализ за часы там, где раньше уходили недели разработки.

Ключевое отличие QueryStory от чат-интерфейсов типа Claude Cowork — это явный фокус на проверяемость и контроль. Пользователь видит, какие запросы писал ИИ, может перепроверить логику, отправить на ревью коллегам. Это особенно важно в regulated industries — финансах, здравоохранении, страховании, где просто верить ответу модели недостаточно. Frontier labs — OpenAI, Anthropic, Google — строят свой бизнес на максимизации использования токенов и вычислений. QueryStory не заинтересована в том, чтобы пользователь задавал как можно больше запросов; она нацелена на результат и эффективность.

Однако это не лишено рисков. ИИ действительно более хрупкий, чем люди обычно думают, когда начинают полагаться на него в бизнес-критичных процессах. Платформа может помочь отловить ошибки, но не может их полностью исключить. Кроме того, сам факт, что QueryStory пока использует модели frontier labs, означает, что в цепочке решения остаются те же потенциальные слабые места — галлюцинации, неполнота контекста, дрифт качества.

Для российского бизнеса модель QueryStory применима там, где есть сложные корпоративные данные и нужна аудиторская проверяемость: в финтехе, страховании, в аналитических отделах крупных компаний. Пока такие инструменты не доступны в РФ из-за регулятивных ограничений на использование зарубежных ИИ-платформ, но практика работы с внутренними данными через дружественные LLM (например, через AI Studio для автоматизации и контента) уже подразумевает ту же логику: все запросы должны быть воспроизводимы, все решения должны быть объяснены, все процессы должны оставлять след. Российские компании, которые строят свои системы аналитики на отечественных или дружественных моделях, могут брать на вооружение архитектурный подход QueryStory — явное выведение логики, слои человеческой проверки, разделение ответственности между ИИ и аналитиком.

В перспективе QueryStory конкурирует не столько с frontier labs, сколько с классическими BI-инструментами и аналитическими командами. Вопрос простой: может ли специализированный инструмент, который четко понимает, для чего нужна ИИ в данных (ускорение запросов, выявление паттернов), быть полезнее и надежнее, чем просить ChatGPT-похожий инструмент ответить на все подряд? Опыт показывает, что да. Но только если компания готова принять, что ИИ здесь не замена человеческому суждению, а инструмент, который это суждение ускоряет и дополняет.