QueryStory recomienda precaución con el contenido generado por IA

En 2009, Shapor Naghibzadeh descubrió el poder de una narración cautivadora mientras trabajaba como ingeniero de operaciones de sistemas en Google. Durante la Operación Aurora, cuando unos hackers patrocinados por un Estado atacaron al gigante tecnológico, fue convocado a una sala de crisis para aclarar la actividad de los servidores, donde aprendió de primera mano que el conocimiento verificado es esencial para rastrear ciberataques a través de redes fragmentadas —un proceso que le pareció costoso y lento—. Cree que los grandes modelos de lenguaje pueden replicar esta capacidad de verificación en diversas bases de datos en una fracción del tiempo.

Durante los seis años siguientes, Naghibzadeh se centró en fusionar los datos y la ciberseguridad, aprovechando la infraestructura de Google para crear herramientas que permitieran a los analistas de seguridad consultar conjuntos de datos complejos. En 2016, cofundó Chronicle, una startup dentro de Google X Labs, para extender estas capacidades a empresas externas.

El año pasado, consciente del papel cada vez más importante de los grandes modelos de lenguaje en el análisis de datos, Naghibzadeh identificó una oportunidad para adaptar sus técnicas de ciberseguridad a aplicaciones analíticas más amplias. Ha cofundado QueryStory, que sale hoy a la luz tras un periodo de desarrollo en secreto, junto con el director técnico (CTO) Stanley Yang, antiguo compañero de Google e ingeniero jefe en EvolutionIQ, y el director de producto (CPO) David Glusic, un veterano de Accenture.

«Las investigaciones siguen un patrón: se formulan una serie de preguntas a los datos y, a continuación, se sintetizan esas respuestas en una narrativa coherente», explicó Naghibzadeh. «Ese concepto inspiró el nombre de QueryStory. Se trata de construir narrativas veraces y basadas en datos».

QueryStory consiguió una ronda de financiación inicial de 6 millones de dólares a finales de 2025 de la mano de Brightmind Ventures y New York Life Ventures, lo que situó la valoración de la empresa en 60 millones de dólares. Durante este periodo, la startup ha perfeccionado su producto mediante pruebas piloto con clientes. Dirigida a grandes empresas con amplias bases de datos propias, QueryStory actúa como una plataforma unificada para el análisis y la revisión de datos, prestando apoyo a equipos como los de ventas y operaciones.

«Cerramos la brecha de confianza en la IA proporcionando a las empresas respuestas fiables y aplicables», afirmó Naghibzadeh. «En lugar de depender del juicio humano o de desplegar ejércitos de ingenieros, hemos convertido esa experiencia en un producto».

Tim Del Bello, socio de New York Life Ventures, invirtió en la empresa y ya está utilizando la plataforma para sustituir los procesos manuales de elaboración de informes, con el objetivo de transformar las revisiones trimestrales del negocio en paneles de control en tiempo real.

«Este producto está diseñado para responsables de la toma de decisiones que necesitan información contrastada procedente de fuentes de datos complejas y dispares, pero que carecen de equipos especializados en ciencia de datos o inteligencia empresarial, especialmente en sectores altamente regulados», explicó a TechCrunch.

Resolver el problema de los sistemas de IA frágiles

Compartí una base de datos que realiza un seguimiento de la actividad espacial para ayudar a comprender las operaciones orbitales de empresas como SpaceX. QueryStory generó una visualización de estos datos en cuestión de horas, una tarea que antes requería un desarrollador y varias semanas. La plataforma generó paneles de control sofisticados y, en particular, incluyó un indicador de confianza que explicaba por qué los agentes de IA consideraban que los análisis eran precisos.

Una visualización de los satélites en órbita alrededor de la Tierra. Créditos de la imagen: QueryStory / QueryStory

Un conjunto de consultas derivadas de los datos espaciales. Créditos de la imagen: QueryStory / QueryStory

Un QueryStory. Créditos de la imagen: QueryStory / QueryStory

El indicador de confianza de QueryStory. Créditos de la imagen: QueryStory / QueryStory

Aunque los laboratorios de vanguardia ofrecen herramientas de trabajo colaborativo, estas están restringidas intencionadamente en cuanto a la experiencia del usuario. La estrategia de QueryStory parte de la base de que los usuarios empresariales exigen mayor transparencia, fiabilidad y control a la hora de integrar la IA en sus flujos de trabajo.

Por ejemplo, un ejecutivo del sector tecnológico describió recientemente cómo utilizaba Claude Cowork para realizar consultas en la base de datos de una empresa y, a continuación, verificaba manualmente las consultas SQL generadas antes de enviarlas a un analista de datos para su revisión. En QueryStory, estas consultas SQL aparecen automáticamente y los usuarios pueden marcar los análisis para que sean revisados por personas, registrándose todos los comentarios directamente en la plataforma.

«La IA es más frágil de lo que la gente cree a la hora de crear sistemas duraderos de los que dependen las grandes empresas», declaró Tayler Sipperly, socio de Brightmind Partners, a TechCrunch.

Naghibzadeh señala que conectar los datos de una empresa a la interfaz de chat de un modelo de lenguaje grande (LLM) suele dar lugar a que cientos o miles de empleados hagan preguntas, lo que genera versiones contradictorias de la realidad y crea hojas de cálculo inmanejables sin una fuente de registro centralizada.

Los factores económicos también influyen. Aunque QueryStory es independiente del modelo y actualmente utiliza los modelos más recientes de los laboratorios de vanguardia, Naghibzadeh cree que los clientes prefieren proveedores de servicios que no tengan incentivos para maximizar el consumo de inteligencia.

«Tenemos una ventaja clara al no basar nuestro negocio en el consumo de recursos informáticos, almacenamiento o tokens», afirmó Naghibzadeh. Sostiene que las herramientas diseñadas específicamente para este fin, como QueryStory, pueden alcanzar una mayor eficiencia y precisión que los agentes de uso general al preservar el contexto.

«Lo que vendemos es confianza en las respuestas», afirmó. «Aportamos valor empresarial al permitir que los directores financieros comprendan exactamente cuánto costarán estas soluciones».