Shapor Naghibzadeh leerde al vroeg dat een duidelijke verklaring essentieel is. Tijdens zijn tijd als sysops-engineer bij Google in 2009 moest hij in een crisis uitleggen wat er precies in de servers gebeurde toen hackers Operation Aurora uitvoerden. Dat ervaring leerde hem dat het vinden van verifieerbare feiten vaak lang en zwaar werk is — maar dat het ook veel waard is.

Van Google naar QueryStory

Naghibzadeh werkte jarenlang op het snijvlak van data en cybersecurity. Binnen Google bouwde hij tools waarmee beveiligingsteams ingewikkelde datavragen konden stellen en sporen van aanvallen konden volgen. In 2016 hielp hij mee een bedrijf te starten binnen Google’s X Labs, Chronicle, dat vergelijkbare technieken beschikbaar maakte voor andere organisaties.

Toen grote taalmodellen (de modellen die AI helpen tekst te begrijpen en te genereren) recent steeds meer werden gebruikt voor data-analyse, zag Naghibzadeh een nieuwe kans. Samen met Stanley Yang (CTO) en David Glusic (CPO) richtte hij QueryStory op. Het bedrijf kwam recent uit stealth en richt zich op grote ondernemingen met omvangrijke, eigen databases.

QueryStory haalde in eind 2025 een seed-investering van 6 miljoen dollar op, geleid door Brightmind Ventures en New York Life Ventures, tegen een waardering van 60 miljoen dollar. Sindsdien werkt het bedrijf met klanten aan proefprojecten en verdere ontwikkeling van het product.

Wat QueryStory belooft te doen

Het idee achter QueryStory is kort samen te vatten: data vragen en die vragen samenvoegen tot een betrouwbaar verhaal. In plaats van veel losse antwoorden zonder context, wil QueryStory analyses aanbieden die aantoonbaar onderbouwd zijn.

Belangrijke onderdelen van de aanpak zijn:

• Het automatisch omzetten van vragen naar concrete datavragen en daarbij gegenereerde SQL-query’s zichtbaar maken.

• Het samenstellen van een leesbare verklaring of verhaal dat laat zien hoe de conclusie uit de data volgt.

• Een vertrouwensindicator die uitlegt waarom het systeem denkt dat een analyse klopt, inclusief waar de onzekerheid zit.

• Mogelijkheid om analyses aan collega’s te laten controleren, en die controles vast te leggen in het systeem.

In een demonstratie werkte QueryStory met een database over ruimte-activiteiten. Waar een vergelijkbaar project vroeger weken met een ontwikkelaar duurde, maakte QueryStory binnen enkele uren visualisaties, dashboards en analyses — en gaf tegelijk aan hoe zeker het systeem was over die uitkomsten.

Waarom dit belangrijk is voor bedrijven

Veel bedrijven gebruiken inmiddels AI om antwoorden uit hun data te krijgen. Dat gaat snel, maar brengt ook problemen:

• Verschillende medewerkers kunnen verschillende antwoorden of interpretaties verspreiden, zonder dat die antwoorden makkelijk te controleren zijn.

• AI-modellen kunnen fouten maken of onvolledige context gebruiken, waardoor besluiten op onbetrouwbare informatie kunnen rusten.

• In sterk gereguleerde branches is het nodig om precies aan te tonen waar een conclusie op gebaseerd is.

QueryStory speelt in op die pijnpunten. Het platform is gericht op grotere organisaties die willen werken met hun eigen, vaak gevoelige data en daarbij meer transparantie en controle willen dan standaard AI-chattools bieden.

Een investeerder gebruikte QueryStory bijvoorbeeld om werkzaamheden van meerdere mensen te vervangen en een kwartaalrapportage automatisch te laten vullen. Het doel is dat zo’n rapportage uiteindelijk een realtime dashboard wordt, in plaats van een handmatig gemaakt document.

Techniek en keuzevrijheid

QueryStory werkt zo dat het verschillende AI-modellen kan gebruiken; het is niet gebonden aan één aanbieder. Daardoor kunnen klanten kiezen welke modellen ze vertrouwen of al gebruiken. Volgens de oprichters biedt een gespecialiseerde tool betere efficiëntie en nauwkeurigheid dan een algemene AI-agent, doordat hij context beter bewaart en checkt.

Ook financieel speelt dit een rol: sommige grote AI-aanbieders rekenen per gebruik of per hoeveelheid rekentijd. QueryStory positioneert zich als een dienst die waarde en vertrouwen levert in plaats van puur het zoveel mogelijk laten draaien van AI-modellen.

Conclusie

QueryStory probeert een brug te slaan tussen het snelle, handige gebruik van AI en de behoefte aan controle en bewijsvoering in grote organisaties. Door analyses te verpakken als verhalen met zichtbare onderbouwing en een vertrouwensmeter, wil het bedrijf voorkomen dat medewerkers verschillende, niet-onderbouwde versies van de ‘waarheid’ rondsturen.

Voor organisaties die met veel uiteenlopende data werken en beslissingen moeten onderbouwen, kan dit het verschil zijn tussen gokken op een mooie grafiek en het kunnen aantonen waarom een beslissing klopt.