Et si le vrai problème de l’intelligence artificielle en entreprise n’était plus de produire une réponse, mais de pouvoir la défendre face à un comité de direction, un régulateur ou un directeur financier ? Depuis deux ans, les équipes marketing, commerciales et opérationnelles interrogent leurs bases comme on discute avec un chatbot. Les slides se multiplient. Les chiffres divergent. Chacun ressort avec « sa » vérité. C’est précisément ce désordre que QueryStory prétend réorganiser : non pas un énième copilote, mais une plateforme conçue pour transformer des questions éparses en un récit commun, ancré dans les données et vérifiable de bout en bout.

La jeune pousse américaine vient de sortir de la furtivité. Derrière le produit, on trouve un trio issu de Google, d’Accenture et de l’écosystème de la donnée d’entreprise. Derrière le financement, un seed de 6 millions de dollars levé fin 2025 auprès de Brightmind Partners et de New York Life Ventures, pour une valorisation d’environ 60 millions de dollars. Derrière l’ambition, une idée simple et rude : les grands groupes n’achètent plus seulement de l’intelligence. Ils achètent de la confiance.

Une enquête de 2009 qui a tout changé

L’histoire de QueryStory ne commence pas dans un laboratoire génératif. Elle commence dans une salle de crise. En 2009, Shapor Naghibzadeh est ingénieur SysOps chez Google lorsque l’opération baptisée Operation Aurora, attribuée à des attaquants soutenus par la Chine, vise le géant de la recherche. On le convoque pour expliquer, concrètement, ce qui se passe dans les serveurs. Il faut relier des traces éparses, des journaux incompatibles, des réseaux disparates. Il faut raconter une histoire vraie, assez solide pour décider.

Cette expérience lui apprend deux leçons qui structurent encore le produit. Premièrement, la connaissance vérifiée a une valeur opérationnelle immense. Deuxièmement, la reconstruire à la main est lent, coûteux et réservé à quelques experts. Pendant six ans, il reste au carrefour de la donnée et de la cybersécurité. Il construit des outils qui permettent aux analystes de interroger des systèmes complexes. En 2016, il cofonde Chronicle au sein des X Labs de Google, pour exporter cette capacité hors des murs de Mountain View.

Lorsque les grands modèles de langage deviennent capables d’analyser des bases, Naghibzadeh voit une ouverture. Les techniques nées de l’investigation numérique peuvent servir les ventes, les opérations, la finance, le contrôle de gestion. Il cofonde alors QueryStory avec Stanley Yang, ancien collègue de Google et ingénieur principal chez EvolutionIQ, et David Glusic, profil Accenture devenu chief product officer. Naghibzadeh en est le PDG.

On retrouve le schéma d’une enquête : on pose beaucoup de questions aux données, puis on assemble les réponses en un récit. C’est l’origine du nom QueryStory. Il s’agit de raconter des histoires avec la donnée, un narratif ancré dans la vérité.

– Shapor Naghibzadeh, PDG de QueryStory

Ce que la startup vend vraiment : la confiance

Le marché des assistants de données est déjà encombré. ChatGPT, Claude, Gemini et les outils de cowork des laboratoires de frontier permettent d’interroger un fichier, d’écrire du SQL, de produire un graphique. Pourquoi une nouvelle couche ? Parce que, selon les fondateurs, ces interfaces générales restent volontairement limitées dès qu’une organisation doit industrialiser, auditer et partager une analyse.

Dans une grande entreprise, le risque n’est pas seulement l’hallucination. C’est la dispersion. Des centaines de collaborateurs branchent les mêmes sources sur un chat, posent des questions légèrement différentes, exportent des extraits dans des présentations, et font circuler des versions concurrentes de la réalité. Plus personne ne sait quelle requête a produit quel chiffre, ni qui a validé l’hypothèse, ni si le filtre géographique ou la période fiscale est le bon.

QueryStory se positionne comme un pont entre l’analyse et la revue. La plateforme vise les organisations qui gèrent des bases propriétaires massives. Elle s’adresse aux équipes commerciales, aux responsables d’opérations, aux décideurs qui n’ont pas une armée de data scientists à disposition, surtout dans des secteurs régulés. Tim Del Bello, managing director chez New York Life Ventures, a d’ailleurs investi… et utilise le produit pour remplacer le travail de plusieurs personnes sur une revue trimestrielle, avec l’espoir d’en faire un tableau de bord quasi temps réel.

Le produit a été conçu pour des gens comme moi : des décideurs qui cherchent la vérité terrain, qui jonglent avec des sources disparates, et qui n’ont pas une équipe BI sous la main, surtout dans un secteur très réglementé.

– Tim Del Bello, New York Life Ventures

Naghibzadeh résume la promesse sans détour : combler le fossé de confiance pour que l’IA délivre des réponses actionnables. Plutôt que de « louer » le jugement humain et des bataillons d’ingénieurs déployés chez le client, l’équipe affirme avoir productisé cette couche de rigueur.

Du SQL visible à l’indicateur de confiance

Le journaliste de TechCrunch a testé la plateforme avec une base d’activité spatiale utile pour suivre ce que font des acteurs comme SpaceX en orbite. Ce qu’il avait autrefois mis plusieurs semaines à construire avec un développeur, QueryStory l’a visualisé en quelques heures : tableaux de bord, analyses, et surtout un indicateur de confiance expliquant pourquoi les agents estimaient leurs conclusions fiables.

Cette transparence n’est pas un gadget marketing. Un dirigeant tech racontait récemment avoir demandé à Claude Cowork de montrer les requêtes SQL avant de les transmettre à un analyste. Chez QueryStory, ces requêtes apparaissent d’elles-mêmes. On peut flagger une analyse pour revue humaine. La validation est enregistrée dans la plateforme. La lignée de la donnée, les hypothèses et les sources restent visibles.

Pour un directeur marketing, cela change la conversation avec la finance. Pour un COO, cela réduit le temps perdu à départager deux slides contradictoires. Pour un responsable conformité, cela crée enfin une piste d’audit là où le chat classique ne laisse qu’un fil de discussion.

• Requêtes SQL exposées automatiquement, pas cachées derrière un résumé fluide.
• Indicateur de confiance associé aux analyses produites par les agents.
• Revue humaine intégrée, avec historique des validations.
• Narratif unique plutôt que dizaines de versions concurrentes.
• Tableaux de bord et supports décisionnels destinés à rester à jour.

Pourquoi les outils généralistes cassent en entreprise

Tayler Sipperly, associée chez Brightmind Partners, le dit sans ménagement : l’IA est plus fragile qu’on ne le croit dès qu’il faut construire des systèmes durables dont dépend un business à grande échelle. Un démonstrateur impressionne. Un processus trimestriel, un reporting réglementaire ou un pilotage commercial hebdomadaire n’ont pas le droit à l’approximation.

Les laboratoires frontier optimisent l’expérience conversationnelle. Ils vendent aussi, structurellement, de la consommation : tokens, compute, stockage. QueryStory se dit volontairement agnostique des modèles, même si elle s’appuie aujourd’hui surtout sur les derniers modèles des labs. Le pari stratégique est clair. Un client grand compte préférera un prestataire dont l’intérêt n’est pas de maximiser le volume d’intelligence consommée, mais la qualité et la défendabilité de la réponse.

Ce que nous vendons, c’est la confiance dans les réponses. C’est la valeur ajoutée au business, et l’objectif est de donner au CFO la capacité de comprendre ce que cela va coûter.

– Shapor Naghibzadeh

Cette phrase vise le cœur du budget 2026-2027. Après la phase d’expérimentation, les directions financières demandent un coût prévisible, une gouvernance, une réduction du shadow IT analytique. Une plateforme spécialisée peut, selon ses fondateurs, être plus efficace qu’un agent généraliste parce qu’elle conserve le contexte métier, les règles d’un projet, les sources autorisées et les permissions.

Une plateforme agentique, pas un simple chat sur la base

Sur son site, QueryStory se décrit comme une agentic data platform. La nuance compte. Un entrepôt stocke. Un outil de BI visualise. Un LLM répond. Une plateforme agentique est censée relier ces couches : comprendre le contexte, raisonner à travers documents et tables, produire une recommandation défendable, puis aider l’organisation à agir et à mettre à jour le récit quand les chiffres bougent.

Chaque projet possède son propre cadre : sources, droits, règles. Les questions individuelles ne restent pas orphelines. Elles fusionnent en un narratif que les dirigeants peuvent utiliser. Les hypothèses et la lignée restent transparentes. Le livrable n’est pas seulement un paragraphe généré, mais un support réutilisable d’un cycle de revue à l’autre.

Côté sécurité, le discours est celui qu’attendent les RSSI. Les données restent dans le cloud du client, dans sa région, sur une infrastructure qu’il contrôle déjà. Rien n’entraîne les modèles sur ces données. Rien ne sort sans autorisation. L’entreprise se présente comme partenaire Google Cloud et disponible via la Marketplace, un détail important pour les achats centralisés.

Ce que cela change pour le marketing et la croissance

Le public de cet article n’est pas seulement technique. Les équipes growth, brand et revenue operations vivent déjà le même symptôme. Un responsable performance sort un CAC. Un autre sort un autre CAC, calculé sur une fenêtre différente. Le CRM dit une chose, l’outil publicitaire une autre, le data warehouse une troisième. L’IA accélère la production de slides. Elle n’unifie pas, à elle seule, la définition des métriques.

Une plateforme qui impose un lieu unique où pendent les analyses, liées aux requêtes et aux validations, intéresse directement la communication interne et le pilotage commercial. On cesse de « raconter une histoire » au sens marketing du terme pour raconter l’histoire que les données autorisent. La nuance est stratégique. Dans un comité, la crédibilité d’une campagne, d’un lancement ou d’un plan de recrutement dépend moins du storytelling que de la traçabilité du chiffre.

Imaginons une équipe qui prépare une revue de pipeline. Au lieu d’exporter dix extraits de chat, elle construit un récit : évolution du win rate, mix géographique, délai de cycle, anomalies d’attribution. Chaque affirmation pointe vers une requête. Un collègue finance peut contester une hypothèse sans tout reconstruire. La revue humaine est consignée. Le trimestre suivant, on reprend le même objet vivant, pas une nouvelle pile de fichiers orphelins.

Le contexte concurrentiel : labs, BI et integrateurs

QueryStory n’arrive pas dans un désert. Les éditeurs de BI embarquent des copilotes. Les intégrateurs vendent des usines à agents. Les frontier labs poussent des espaces de travail capables d’écrire du code et d’interroger des fichiers. La différenciation annoncée tient à trois axes : gouvernance native, narratif partagé, modèle économique non indexé uniquement sur la consommation de tokens.

Cela ne garantit pas la victoire. Les grandes entreprises achètent déjà Microsoft, Google, Snowflake, Databricks, Salesforce. S’insérer comme couche de confiance au-dessus de ces stacks est un exercice classique… et périlleux. Le seed de 6 millions de dollars donne du temps pour piloter, pas pour saturier un marché saturé d’outils « AI-powered analytics ».

Le vrai test sera l’adoption hors du cercle des early believers. Un investisseur qui utilise le produit pour sa propre revue trimestrielle est un signal fort, mais ce n’est pas encore une preuve de scalabilité. Il faudra des déploiements multi-équipes, des connecteurs robustes, une gestion fine des droits et une latence acceptable sur des bases réelles, pas seulement sur un jeu spatial élégant.

De Chronicle à Gemini, une continuité plus qu’une rupture

Le parcours du fondateur aide à lire le produit. Dix-huit années chez Google, participation à la création du Threat Analysis Group, cofondation de Chronicle devenue actif Alphabet, puis travail sur l’IA liée aux opérations de sécurité. L’obsession reste la même : les organisations avaient souvent déjà la donnée pour voir venir le problème. Elles n’arrivaient pas à en faire sens assez vite.

Transposée au business, cette obsession devient un argument commercial puissant. Un churn qui se cache dans trois systèmes. Une marge qui glisse à cause d’un mix produit mal lu. Une campagne qui « marche » selon l’agence et « détruit de la valeur » selon la finance. La vitesse sans traçabilité crée un nouveau risque. L’IA a rendu les réponses plus rapides sans les rendre plus faciles à valider. QueryStory surfe sur cette fatigue collective.

Gouvernance, régulation et industries sous contrainte

New York Life n’est pas un fonds généraliste de plus. C’est un acteur de l’assurance-vie, donc d’un univers où l’erreur de reporting n’est pas un simple faux pas de slide. Santé, finance, assurance, énergie, secteur public : partout, la décision doit pouvoir être expliquée. Un modèle qui « a l’air sûr » ne suffit plus.

La revue humaine enregistrée, les sources visibles, les permissions par projet et la promesse de non-entraînement sur les données clients forment un package pensé pour les questionnaires de sécurité. Cela ne remplace pas un audit juridique. Cela réduit néanmoins le principal obstacle d’achat des deux dernières années : « On aimerait utiliser l’IA, mais on ne peut pas coller un chat opaque sur le data warehouse. »

Pour les équipes comm et digital, le parallèle est évident avec la publicité et la mesure. On a déjà vécu l’ère des dashboards noirs, des black boxes d’attribution, des rapports d’agence indémontrables. La demande de ground truth n’est pas nouvelle. Elle se déplace simplement vers les agents.

Économie de l’IA : sortir du piège de la consommation

Beaucoup de projets internes explosent leurs coûts dès que l’usage se démocratise. Chaque salarié relance le modèle, reformule, régénère un graphique, demande une variante. Le directeur financier découvre une facture de tokens sans lien clair avec une décision. Naghibzadeh insiste sur ce point : le client doit pouvoir anticiper le coût. La valeur vendue n’est pas le volume d’inférence, c’est la qualité de la décision.

Si le produit tient cette promesse, il s’aligne sur une tendance plus large du marché B2B. Après l’ivresse des copilotes, revient l’exigence de ROI. Moins de démos bluffantes, plus de processus. Moins de « wow », plus de comités qui signent. Les startups qui survivront seront celles qui parlent le langage du CFO autant que celui du prompt engineer.

Limites, questions ouvertes et points de vigilance

Un article utile ne se contente pas de relayer le communiqué. Plusieurs questions restent ouvertes. Quelle est la profondeur réelle des connecteurs sur des stacks hétérogènes ? Comment le système gère-t-il les définitions métier conflictuelles, ce fameux « qu’est-ce qu’un client actif » qui divise finance et ventes ? L’indicateur de confiance est-il calibré, ou seulement pédagogique ? La revue humaine tiendra-t-elle quand le volume d’analyses explose ?

Autre angle : le risque de recentraliser le pouvoir analytique. Si tout le monde peut poser une question, mais que seuls quelques validateurs labellisent la « vérité officielle », on recrée une file d’attente, simplement plus moderne. Le produit devra prouver qu’il accélère sans recréer un goulot d’étranglement habillé d’IA.

Enfin, l’agnosticisme des modèles est un avantage… tant que les frontier labs n’intègrent pas nativement la même transparence SQL, la même lignée et la même gouvernance projet. L’histoire de la tech est pleine de couches indépendantes absorbées par la plateforme dominante. QueryStory le sait. Son avance tient à l’expérience sécurité de ses fondateurs et à la spécialisation narrative.

Ce que les équipes doivent retenir dès maintenant

Même sans déployer cette solution précise, le lancement formule un cahier des charges utile pour toute stack data + IA.

• Exiger que chaque insight IA soit rattaché à une requête ou à une source explicite.
• Interdire la circulation de « vérités de slide » détachées de leur lignée.
• Enregistrer qui a validé quoi, et à quelle date.
• Séparer le coût de l’inférence de la valeur d’une décision.
• Traiter le contexte métier comme un actif, pas comme un prompt jetable.
• Préparer les comités à lire un indicateur de confiance, pas seulement un graphe joli.

Ces règles valent pour une startup de vingt personnes comme pour un groupe assurantiel. Elles valent surtout pour les métiers de la communication digitale, où la tentation du récit séduisant est structurelle. L’IA n’absout pas l’imprécision. Elle la multiplie si personne n’impose un cadre.

Un signal de marché plus large que la seule startup

Que QueryStory réussisse ou non son passage à l’échelle, son positionnement dit quelque chose du cycle 2026. L’heure n’est plus seulement à générer. Elle est à justifier. Les budgets se déplacent des expérimentations vers les systèmes qui survivent à un audit, à un changement d’équipe, à une question du conseil d’administration.

On le voit dans la cybersécurité, dans la finance, dans la publicité mesurée, dans la relation client. Partout, la même phrase revient : « Montre-moi d’où vient le chiffre. » Les fondateurs issus de l’investigation numérique ont un avantage culturel ici. Ils ont appris à assembler des faits hostiles, incomplets, contradictoires, jusqu’à obtenir un récit tenable.

C’est aussi un rappel pour les créateurs de produits IA : la fluidité de l’interface ne suffit plus. Le marché entreprise achète la possibilité de ralentir au bon endroit, de montrer le SQL, de faire valider par un humain, de figer une version, puis de la faire vivre. La magie du chat était une phase. La discipline du dossier est la suivante.

Comment lire ce lancement si vous pilotez une équipe

Si vous dirigez une équipe marketing, data ou operations, trois lectures pratiques s’imposent. La première est organisationnelle : qui, aujourd’hui, a le droit de déclarer qu’un chiffre est officiel ? Si la réponse est « celui qui a fait le plus joli prompt », vous avez un problème de gouvernance, pas un problème de modèle. La deuxième est technique : vos sources sont-elles assez propres pour qu’un agent raconte autre chose qu’une fiction élégante ? La troisième est économique : savez-vous ce que coûte réellement chaque cycle de revue assistée par IA ?

Le démonstrateur spatial évoqué par TechCrunch est séduisant parce qu’il comprime des semaines en heures. Les entreprises n’achèteront pas que la compression du temps. Elles achèteront la compression du doute. C’est plus difficile à démontrer en keynote. C’est pourtant ce qui fait signer les contrats.

Vers des récits d’entreprise vivants

Le nom de la société n’est pas un accident de branding. Query plus Story : la requête et le récit. Trop d’outils s’arrêtent à la première. Trop de présentations n’ont que la seconde. Relier les deux, avec une piste d’audit, est le cœur du produit. Si la plateforme tient sur des bases réelles, elle peut devenir le lieu où une organisation accroche enfin ses analyses, au lieu de les laisser dériver dans des dossiers partagés et des fils de chat.

New York Life Ventures rêve déjà d’un tableau de bord vivant à la place d’une revue trimestrielle figée. C’est le fantasme de toute direction depuis quinze ans. La nouveauté, c’est d’y ajouter des agents capables d’enchaîner les questions, de montrer leur copie, et d’accepter la correction humaine comme une brique du système plutôt que comme un aveu d’échec.

Pour les lecteurs qui construisent, investissent ou déploient de l’IA appliquée au business, le lancement de QueryStory vaut moins comme une recette miracle que comme un standard naissant. Demandez la requête. Demandez la source. Demandez qui a validé. Demandez ce que cela coûte. Et n’acceptez plus qu’une réponse fluide tienne lieu de preuve. Dans la prochaine décennie analytique, croire l’IA ne sera plus un acte de foi. Ce sera, au mieux, un acte documenté.

Les entreprises qui gagneront ne seront pas celles qui posent le plus de questions aux modèles. Ce seront celles qui savent assembler ces questions en une histoire commune, assez solide pour décider, assez claire pour être contestée, assez traçable pour être corrigée. C’est exactement le terrain que cette startup choisit d’occuper. Le marché, lui, jugera à l’usage, facture et comité après comité.