QueryStory sort de l’ombre : les réponses IA exposent leurs requêtes
Le 26 août 2026, QueryStory est sortie de sa phase confidentielle avec une plateforme d’analyse destinée aux grandes entreprises. D’après l’enquête de lancement de TechCrunch, la jeune pousse avait levé 6 millions de dollars fin 2025, sur la base d’une valorisation de 60 millions de dollars, avant de développer et de tester son produit avec des clients.
Cette sortie publique du 26 août ne consiste pas à ajouter une simple fenêtre de dialogue aux bases internes. La présentation de SuperIntelligence News décrit trois mécanismes centraux : les requêtes SQL apparaissent automatiquement, un indicateur de confiance accompagne l’analyse et les revues humaines sont enregistrées. L’objectif est de permettre à une entreprise de reconstituer le chemin suivi par une réponse avant de l’utiliser dans une décision.
La requête SQL devient une pièce examinable
Le parcours commence par une question métier formulée en langage naturel. QueryStory interroge les données de l’entreprise, produit une analyse et fait apparaître le SQL généré au lieu de conserver cette étape dans une chaîne de raisonnement invisible. Un analyste peut ainsi examiner les tables, les jointures, les filtres et la période réellement sélectionnés.
Cette visibilité ne prouve pas, à elle seule, que la réponse est juste. Une requête peut s’exécuter correctement tout en utilisant une mauvaise définition du revenu, en excluant une catégorie nécessaire ou en appliquant une règle de date inadéquate. Le SQL visible rend cependant l’erreur localisable : la discussion peut porter sur une transformation précise plutôt que sur la plausibilité générale d’un texte produit par un modèle.
Dans un exemple strictement conditionnel, une responsable commerciale pourrait demander pourquoi les ventes d’un segment ont reculé. La réponse narrative serait accompagnée de la requête qui compare les périodes. L’équipe chargée des données pourrait alors vérifier si les remboursements, les changements de devise et les comptes internes ont été traités conformément aux conventions de l’entreprise.
L’indicateur de confiance n’est pas une certification
QueryStory joint à ses analyses un indicateur détaillant pourquoi ses agents considèrent un résultat comme fiable. Lors de la démonstration décrite au lancement, le service a travaillé sur une base consacrée à l’activité spatiale et a produit des analyses, des visualisations et une explication de cette confiance. L’indicateur rend donc visible l’évaluation interne du système au moment où la conclusion est présentée.
Il faut distinguer ce signal d’une mesure indépendante de l’exactitude. Aucune publication associée au lancement ne fournit de protocole public de calibration, de taux d’erreur par type de question ou de comparaison reproductible avec d’autres outils. Un niveau de confiance élevé ne démontre donc ni que les données sources sont complètes, ni que la définition métier choisie est correcte.
Pour une organisation soumise à des contrôles, cet indicateur peut aider à repérer les analyses qui réclament davantage d’attention. Il ne remplace toutefois pas l’examen de la requête, des données mobilisées et des hypothèses. QueryStory fournit ici un signal pour organiser la revue, pas une garantie automatique opposable à un auditeur.
La validation humaine laisse une trace, avec ses limites
Lorsqu’un résultat requiert une expertise supplémentaire, l’utilisateur peut le transmettre à un collègue et conserver la revue dans la plateforme. La vérification cesse alors d’être un échange isolé dans une messagerie ou une réunion : elle devient un événement rattaché à l’analyse concernée. Cette trace permet au minimum de retrouver ce qui a été examiné et le passage par un contrôle humain.
Elle ne démontre pas pour autant la qualité de ce contrôle. La compétence du réviseur, ses droits d’accès, la séparation des responsabilités et la procédure d’approbation restent des choix propres à chaque entreprise. La plateforme peut enregistrer une validation sans certifier que la personne désignée disposait de toutes les informations nécessaires.
Le discours officiel va plus loin que les fonctions observées pendant le lancement. Dans le manifeste de QueryStory, le cofondateur et directeur général Shapor Naghibzadeh affirme que les réponses doivent montrer leurs sources, leurs définitions et leurs hypothèses, puis pouvoir alimenter des notes, des présentations, des documents ou des tableaux de bord actualisés. Il s’agit de la vision déclarée par l’entreprise ; la couverture disponible établit plus directement l’affichage du SQL, l’indicateur de confiance et l’enregistrement des revues.
La traçabilité est lancée, son efficacité reste à mesurer
QueryStory vise les grandes organisations qui exploitent des bases propriétaires, notamment lorsque les équipes opérationnelles ne disposent pas d’un spécialiste des données pour chaque question. La société présente son produit comme une couche d’analyse et de revue au-dessus des systèmes existants, et non comme un fournisseur de stockage ou de puissance de calcul.
Le lancement ne permet pas encore d’évaluer la fiabilité du service à grande échelle. QueryStory n’a pas publié de tarification, de liste détaillée de déploiements en production ni de résultats audités mesurant les erreurs évitées ou le temps gagné. L’utilisation du produit par un investisseur pour préparer une revue trimestrielle constitue un cas rapporté, mais pas une validation indépendante.
Le constat est donc plus précis que la promesse de « confiance » avancée par la société. QueryStory rend certaines étapes contestables et retraçables : le SQL peut être inspecté, la confiance du système est explicitée et une intervention humaine peut être consignée. Il faudra encore des déploiements documentés, une méthode publique de calibration et des résultats en production pour savoir si cette chaîne résiste aux exigences d’un véritable audit d’entreprise.
À lire aussi:
Abonnez-vous à notre newsletter
Recevez directement les dernières actualités sur le Web3, l’IA et les cryptomonnaies.