- 01QueryStory lève 6 millions de dollars pour automatiser la génération de récits vérifiés à partir de données complexes.
- 02La startup, fondée par d’anciens ingénieurs de Google et Chronicle, cible les grandes entreprises avec des bases de données propriétaires.
- 03L’outil permet de remplacer des processus manuels de vérification et de reporting, en s’appuyant sur des narratifs structurés pour renforcer la confiance dans les réponses IA.
QueryStory, une startup spécialisée dans l’analyse de données par IA, annonce une levée de fonds de 6 millions de dollars en 2025 pour développer une plateforme qui génère des récits vérifiés à partir de requêtes complexes.
Fondée par Shapor Naghibzadeh, ancien ingénieur chez Google et cofondateur de Chronicle, QueryStory s’appuie sur son expérience en cybersécurité pour proposer une solution destinée aux grandes entreprises. La startup émerge de l’ombre après avoir piloté son produit auprès de clients, avec une approche visant à combler le fossé de confiance entre les réponses automatisées des modèles de langage et les besoins des utilisateurs métiers. Naghibzadeh explique que l’idée est de structurer les investigations en données sous forme de narratif cohérent, en s’appuyant sur des sources fiables pour éviter les biais ou les erreurs d’interprétation.
La plateforme cible les entreprises disposant de bases de données propriétaires, comme les équipes commerciales ou opérationnelles. Plutôt que de s’appuyer sur des équipes d’ingénieurs ou des jugements humains coûteux, QueryStory automatise le processus de vérification et de mise en récit des données. Les investisseurs, dont New York Life Ventures, utilisent déjà l’outil pour remplacer le travail manuel de production de rapports trimestriels, illustrant un cas d’usage concret en entreprise.
Articles liés
Les chatbots surpassent les humains pour établir la confiance dans les arnaques
Les IA conversationnelles sont plus efficaces que les humains pour manipuler la confiance, un risque pour les usages malveillants.
Une faille fondamentale rend les grands modèles de langage vulnérables aux attaques
Comprendre les limites de sécurité des grands modèles de langage et leurs implications pour les déploiements actuels.
Une faille structurelle expose les LLM à des attaques malgré les sécurisations
Les chercheurs révèlent une limite structurelle des grands modèles de langage qui compromet leur sécurité, même après des mises à jour.