QueryStory levanta US$6M para auditar lo que dice la IA

¿Qué propone QueryStory para cerrar la brecha de confianza de la IA?

QueryStory, una startup fundada por el ex ingeniero de Google Shapor Naghibzadeh, salió del modo stealth con una ronda semilla de US$6 millones cerrada a fines de 2025 y valorada en US$60 millones, según informó TechCrunch este martes. Participaron Brightmind Ventures y New York Life Ventures.

La plataforma se posiciona como un puente entre los modelos de lenguaje y las bases de datos corporativas. En palabras de su CEO: "Lo que vendemos es la confianza en las respuestas. Estamos cerrando esa brecha para que la IA entregue a las empresas respuestas sobre las que puedan actuar".

El producto combina agentes de IA con tres mecanismos clave: un indicador de confianza que muestra por qué el sistema cree que un análisis es correcto, las consultas SQL que sustentan cada respuesta (visibles por defecto, no ocultas tras un menú), y un flujo para que cualquier usuario marque un análisis y lo envíe a revisión humana, con esas revisiones registradas en la plataforma.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

A diferencia de las herramientas co-working que ofrecen los grandes laboratorios de IA, QueryStory apunta a entornos corporativos con grandes bases propietarias y equipos de ventas, operaciones o finanzas que no cuentan con un equipo interno de ciencia de datos.

¿Por qué importa ahora: el problema de las alucinaciones en datos empresariales?

El problema que ataca QueryStory no es teórico. Cuando una empresa conecta su información a la interfaz de chat de un LLM, "obtienes cientos o miles de personas dentro de una organización haciendo preguntas y recibiendo su versión de la verdad, metiéndola en slides y compartiéndola — terminas con un sprawl enorme de contenido sin un lugar que ate ese contenido de vuelta a los datos", describió Naghibzadeh.

Las cifras del sector ilustran la magnitud del riesgo. Según un análisis de Glean, la información legal sufre una tasa de alucinación del 6,4% frente al 0,8% de las preguntas de conocimiento general, y la información médica muestra tasas del 4,3% en los mejores modelos. Desde mediados de 2023 se han identificado más de 120 casos de alucinaciones legales impulsadas por IA, con al menos 58 en 2025 y multas que incluyen una de US$31.100. Los últimos modelos de razonamiento de OpenAI, o3 y o4-mini, muestran tasas de alucinación del 33% al 79%, más del doble que los modelos o1 anteriores, según el mismo análisis.

Para los fundadores que venden a empresas en sectores regulados, ese número deja de ser una curiosidad técnica y se convierte en un riesgo legal y financiero concreto.

¿Quién está detrás de QueryStory y cómo pasó de Chronicle a los datos?

La trayectoria de Naghibzadeh explica el enfoque del producto. En 2009, como ingeniero de operaciones de sistemas en Google, fue llamado a una sala de guerra improvisada durante la Operation Aurora, la campaña de ciberataques atribuida a hackers respaldados por China. Allí aprendió el valor del conocimiento verificado trazando ataques a través de redes dispersas, un trabajo costoso y lento.

En 2016, cofundó Chronicle dentro de Google X Labs (la fábrica de moonshots de Alphabet). Chronicle nació como una plataforma de ciberseguridad para ayudar a empresas a analizar señales de seguridad a gran velocidad, integrando VirusTotal, que Google había adquirido en 2012, y se lanzó como empresa independiente de Alphabet con Stephen Gillett como CEO.

QueryStory es, en cierto modo, la transferencia de esa metodología del mundo de la ciberseguridad al de los datos corporativos en general. Junto a Naghibzadeh están Stanley Yang como CTO (ex Google y ex lead engineer en EvolutionIQ) y David Glusic como CPO (veterano de Accenture).

"Obtienes este patrón de investigación — haces un montón de preguntas a los datos y, después de poder hacer varias, las ensamblas en una narrativa", explicó el CEO. "Esa fue la génesis del nombre QueryStory: contar historias con datos, pero basadas en la verdad".

¿Cómo se posiciona QueryStory frente a los grandes laboratorios de IA?

Una particularidad: uno de los inversores de la ronda, Tim Del Bello, socio de New York Life Ventures, también es cliente. Afirmó que usa la plataforma para producir dashboards en tiempo real que antes requerían varias personas, y resumió el público objetivo con claridad: "El producto fue construido para gente como yo: decisores que buscan la verdad de base y necesitan trabajar con fuentes de datos complejas y dispersas, pero no tienen un equipo de ciencia de datos a mano, especialmente cuando operan en industrias altamente reguladas".

Tayler Sipperly, socio de Brightmind Partners, fue más directo sobre el problema: "La IA es más frágil de lo que la gente cree cuando se trata de construir cosas sobre las que negocios a gran escala deben apoyarse".

En el plano económico, QueryStory se declara modelo-agnóstica aunque por ahora utiliza principalmente los modelos de los frontier labs. Naghibzadeh reconoce competir en producto con ellos, pero cree que los clientes preferirán a un proveedor "que no está incentivado a vender tanta inteligencia como sea posible".

"Tenemos a nuestro favor no ser una de esas empresas que construyeron su negocio alrededor del modelo de consumo de compute, storage o tokens", dijo. El argumento: una herramienta diseñada con propósito puede ser más eficiente y precisa que un agente de propósito general porque entiende y preserva el contexto.

¿Qué significa esto para tu startup?

El movimiento de QueryStory apunta a una categoría que va a madurar rápido en los próximos 12-18 meses: plataformas de IA empresarial con transparencia verificable. Si tu startup vende a clientes corporativos —sobre todo en sectores regulados como finanzas, salud o seguros— este es el tipo de diferencial que abrirá puertas en 2026-2027. Si la consumes internamente, la pregunta ya no es "qué puede hacer la IA con mis datos" sino "puedo auditar lo que hace".

Tres acciones concretas para aplicar esta semana:

Audita una consulta crítica. Toma una decisión real que tu empresa tomó (o está por tomar) basándose en un análisis de IA y rastrea manualmente qué consulta SQL, qué fuentes y qué suposiciones usó. Mide cuánto tardarías en replicar esa auditoría hoy: ese número es tu brecha.
Construye un score de confianza como feature, no como nice-to-have. Si estás creando producto con LLMs, expone el indicador de confianza y las SQL queries al usuario. La diferenciación de QueryStory no es el modelo: es la interfaz de confianza.
Evalúa proveedores por su modelo de incentivos, no por su benchmark. Si tu vendor de IA gana más cuanto más consumas (tokens, compute, storage), su incentivo no está alineado con tu precisión. Prefiere herramientas cuyo revenue dependa de la veracidad del output, no del volumen.