QueryStory Convertit Les Données En Récits Actionnables

Et si le vrai problème de l’intelligence artificielle en entreprise n’était pas la vitesse, mais la crédibilité ? Depuis deux ans, les directions générales voient fleurir des réponses élégantes, des graphiques instantanés et des synthèses qui ont l’allure d’une vérité. Puis quelqu’un demande la source. Le silence qui suit est souvent plus long que le temps qu’il a fallu à la machine pour répondre. C’est dans cette faille, à la fois technique et humaine, qu’une jeune société baptisée QueryStory a décidé de s’installer.

Le nom n’est pas un hasard. Il dit presque tout le projet : interroger, puis raconter. Pas un chat de plus. Pas un copilote générique. Une manière de transformer une investigation dans des bases disparates en un récit que l’on peut défendre devant un comité, un régulateur ou un conseil d’administration. L’ambition est claire, presque obstinée. Faire en sorte que l’on puisse croire ce que l’IA affirme, non par naïveté, mais parce que chaque phrase peut être ramenée à une preuve.

Quand Une Salle De Crise Devient Une Méthode

L’histoire commence bien avant la fièvre des grands modèles. En 2009, Shapor Naghibzadeh est ingénieur SysOps chez Google. Des attaquants liés à la Chine ciblent le géant de la recherche dans une campagne aujourd’hui connue sous le nom d’Operation Aurora. On le convoque dans une pièce improvisée. Il faut expliquer, vite, ce qui circule réellement dans les serveurs. Pas une impression. Une reconstruction.

Suivre une intrusion à travers des réseaux hétérogènes apprend une leçon simple et coûteuse. La connaissance n’a de valeur que si elle est vérifiée. Relier des journaux, des flux, des identifiants et des timestamps demande du temps, des spécialistes et une discipline presque policière. Naghibzadeh en tire une conviction qui ne le quittera plus : interroger des données complexes n’est pas un luxe analytique, c’est une compétence de survie.

Les six années suivantes le placent à l’intersection de la donnée et de la cybersécurité. Chez Google, il contribue à des outils destinés aux analystes qui doivent poser des questions précises à des océans d’événements. En 2016, il cofonde Chronicle au sein des X Labs. L’idée consiste à offrir à d’autres entreprises cette même capacité de questionner l’invisible. Le fil est déjà là. Il manquait encore le langage des grands modèles pour l’étendre hors du seul monde de la sécurité.

Du Socle Cyber À L’Analyse Métier

Lorsque les modèles de langage ont commencé à lire des tableaux aussi naturellement que des phrases, le fondateur a vu une fenêtre s’ouvrir. Les techniques d’enquête qu’il avait rodées pour détecter des anomalies pouvaient servir un commercial, un directeur des opérations ou un responsable financier. Il cofonde alors QueryStory avec Stanley Yang, ancien collègue de Google et ingénieur de premier plan chez EvolutionIQ, et David Glusic, passé par Accenture, aujourd’hui directeur produit.

La société est sortie de l’ombre récemment, après une phase de développement et de pilotes. Le discours n’est pas celui d’une démonstration spectaculaire. Il est plus austère, presque artisanal. On pose des questions à la donnée. On en pose d’autres. On assemble. On obtient un récit. Ce rythme d’investigation, Naghibzadeh le décrit comme le cœur du produit.

Cette phrase mérite qu’on s’y arrête. Beaucoup d’outils promettent une réponse. Peu promettent une narration dont chaque chapitre reste attaché à une source. Or, dans une grande organisation, une réponse isolée voyage mal. Elle se copie dans une diapositive, se simplifie, se contredit. Le récit, lui, peut circuler s’il porte ses preuves.

Six Millions Pour Un Pari Sur La Confiance

Fin 2025, QueryStory a levé 6 millions de dollars en amorçage auprès de Brightmind Partners et de New York Life Ventures, pour une valorisation de 60 millions. Le temps écoulé depuis ce tour n’a pas été consacré à une communication bruyante. Il a servi à construire et à tester le produit auprès de premiers clients. La cible est nette : de grandes entreprises qui gèrent des bases propriétaires, souvent sensibles, parfois réglementées.

La plateforme se présente comme un lieu unique pour analyser et relire l’information. Elle s’adresse à des utilisateurs qui ne sont pas nécessairement data scientists : équipes commerciales, responsables d’exploitation, décideurs pressés. L’argument commercial n’est pas « plus d’intelligence ». Il est « moins de doute ».

Tim Del Bello, managing director chez New York Life Ventures, a mené l’investissement de son fonds. Il n’en parle pas seulement comme d’un dossier financier. Son équipe utilise déjà l’outil pour remplacer le travail de plusieurs personnes dans la préparation d’une revue d’activité trimestrielle. L’espoir, désormais, est de transformer cet exercice périodique en tableau de bord quasi vivant.

On touche là un point souvent oublié. L’intelligence artificielle d’entreprise n’est pas d’abord un sujet de laboratoire. C’est un sujet de gouvernance. Qui a le droit d’affirmer un chiffre ? Qui peut le corriger ? Où se trouve la version qui fait autorité ? QueryStory tente de répondre à ces questions avant même de produire un graphique séduisant.

Le Syndrome Des Mille Vérités

Connecter une base interne à une interface de conversation crée une illusion d’unité. En pratique, cela multiplie les versions. Des centaines de collaborateurs posent des questions voisines, obtiennent des réponses légèrement différentes, les collent dans des présentations et les font circuler. Chacun possède sa vérité. Personne ne possède le fil qui relie ces vérités à la donnée d’origine.

Naghibzadeh insiste sur ce phénomène de dispersion. Sans un lieu où accrocher le contenu produit, l’organisation accumule des interprétations orphelines. Le coût n’est pas seulement intellectuel. Il est opérationnel. On décide deux fois. On contredit une prévision. On découvre trop tard qu’un indicateur a été mal filtré.

Les laboratoires de modèles de frontière proposent désormais des environnements de travail collaboratifs. Ils restent volontairement limités dans l’expérience utilisateur. QueryStory parie que les grandes entreprises veulent davantage de transparence, de fiabilité et de contrôle. Non pas moins d’automatisation. Une automatisation que l’on peut inspecter.

Un exemple circulait récemment dans la presse spécialisée. Un dirigeant interroge une base via un outil généraliste, puis demande au modèle d’afficher les requêtes SQL générées avant de les transmettre à un analyste. Chez QueryStory, ces requêtes apparaissent d’elles-mêmes. On peut signaler une analyse à un collègue. La relecture humaine est enregistrée dans la plateforme. Le jugement ne s’évapore pas. Il s’archive.

Ce Que Change Un Indicateur De Confiance

Lors d’une démonstration, un journaliste a fourni une base d’activité spatiale utile pour comprendre ce que font des acteurs comme SpaceX en orbite. QueryStory a produit une visualisation en quelques heures. Le même projet, réalisé autrefois avec un développeur, avait demandé plusieurs semaines. L’outil a généré des tableaux de bord élaborés. Surtout, il a isolé un indicateur expliquant pourquoi les agents considéraient leurs analyses comme exactes.

Ce détail n’est pas cosmétique. Dans un monde où les modèles hallucinent avec assurance, montrer le degré de certitude et les raisons de cette certitude change la conversation. On ne discute plus seulement du résultat. On discute du chemin. On peut accepter une conclusion partielle. On peut refuser une extrapolation trop hardie. L’IA cesse d’être un oracle. Elle redevient un instrument.

• Les requêtes techniques sont exposées au lieu d’être cachées derrière une phrase fluide.
• Les revues humaines restent attachées à l’analyse plutôt que perdues dans une messagerie.
• Le niveau de confiance n’est pas un slogan, il s’affiche comme une donnée de travail.
• Le récit final peut être relu, contesté, enrichi sans tout recommencer.

Tayler Sipperly, associé chez Brightmind Partners, résume le diagnostic d’une formule sèche. L’IA est plus fragile qu’on ne le croit dès qu’il s’agit de construire des systèmes durables dont des activités d’envergure dépendent. La phrase sonne comme un rappel aux acheteurs séduits par des démos de cinq minutes. Une démo n’est pas un processus. Un processus doit survivre à un audit, à un départ de salarié, à un changement de modèle.

Pourquoi Un Outil Dédié Plutôt Qu’Un Chat Universel

QueryStory se déclare agnostique vis-à-vis des modèles. Pour l’instant, la société s’appuie surtout sur les systèmes les plus récents des laboratoires de pointe. La concurrence avec ces laboratoires existe sur le terrain du produit. Le fondateur estime pourtant que beaucoup de clients préféreront un prestataire dont le modèle d’affaires n’est pas d’écouler le plus d’intelligence possible.

Les géants vendent des jetons, du calcul, du stockage. Plus l’usage grimpe, plus la facture s’alourdit, parfois de manière opaque. QueryStory affirme vendre autre chose : la confiance dans les réponses et la valeur ajoutée au métier. L’objectif affiché est de permettre à un directeur financier de comprendre à l’avance ce que « cette chose » va coûter.

Un outil spécialisé peut aussi préserver le contexte mieux qu’un agent généraliste. Dans une enquête longue, la mémoire des hypothèses rejetées compte autant que celle des hypothèses retenues. Oublier pourquoi une piste a été abandonnée, c’est risquer de la rouvrir pour de mauvaises raisons. Conserver ce contexte, c’est précisément ce qu’une plateforme d’investigation peut industrialiser.

À Qui S’Adresse Vraiment Le Produit

Le discours public vise les grandes organisations. Ce n’est pas un caprice de positionnement. Les bases propriétaires, les contraintes réglementaires et la multiplicité des silos créent un terrain où le manque de confiance coûte cher. Une banque, un assureur, un industriel, un opérateur d’infrastructure n’ont pas le droit de « sentir » un chiffre. Ils doivent pouvoir le retracer.

Les profils mis en avant ne sont pas uniquement techniques. Un responsable commercial qui veut comprendre un écart de pipeline. Un directeur des opérations qui croise maintenance, stocks et délais. Un investisseur interne qui prépare une revue. Ces personnes savent poser des questions. Elles ne veulent pas devenir ingénieurs de données pour obtenir une réponse défendable.

Ce tableau n’idéalise pas la startup. Il clarifie le contrat. QueryStory ne promet pas d’être plus drôle, plus littéraire ou plus universelle qu’un modèle de conversation. Elle promet d’être plus tenable dans un environnement où l’erreur a un prix.

La Fragilité Cachée Des Systèmes Qui Impressionnent

Une démonstration réussie crée un biais. On croit que l’élégance de la réponse garantit la robustesse du dispositif. Or la robustesse se joue ailleurs : dans la répétabilité, dans la traçabilité, dans la capacité à expliquer un écart d’une semaine sur l’autre. Les systèmes « brillants mais cassants » abondent. Ils marchent tant que personne ne change le schéma d’une table, le nom d’un champ ou la définition d’un indicateur.

Les entreprises l’apprennent souvent trop tard. Un agent produit une belle carte. Un trimestre plus tard, la même question donne un autre continent. Entre-temps, personne n’a consigné les filtres. QueryStory tente d’éviter cette amnésie en traitant l’analyse comme un objet vivant, commenté, versionné par l’usage humain autant que par la machine.

Il y a aussi une dimension culturelle. Louer des bataillons d’ingénieurs « forward deployed » pour faire fonctionner l’IA chez le client est devenu un modèle répandu. Cela marche. Cela coûte. Cela crée une dépendance. Productiser ce jugement, c’est parier qu’une partie de l’artisanat peut entrer dans le logiciel sans perdre toute sa rigueur.

Raconter N’Est Pas Enjoliver

Le mot story peut prêter à malentendu. Dans le marketing contemporain, il évoque parfois l’emballage. Ici, il désigne plutôt la structure d’une enquête. Une bonne histoire de données n’ajoute pas de dramaturgie gratuite. Elle ordonne. Elle dit ce que l’on sait, ce que l’on ignore, ce que l’on infère. Elle distingue le fait de l’hypothèse.

C’est précisément ce que les comités exécutifs réclament sans toujours le formuler. Ils sont saturés de courbes. Ils manquent de récits honnêtes. Un graphique sans commentaire devient une arme rhétorique. Un commentaire sans graphique devient une opinion. Relier les deux, avec un fil visible vers la source, change la qualité du débat.

Dans le cas de la base spatiale évoquée plus haut, l’intérêt n’était pas seulement d’obtenir une image d’orbites. C’était de voir émerger un enchaînement de questions. Chaque requête en appelait une autre. Le récit n’était pas écrit d’avance. Il se construisait comme une investigation journalistique, à cette différence près que les sources étaient des tables plutôt que des interlocuteurs.

Le Temps, Cette Ressource Que L’IA Promet Trop Vite

Passer de plusieurs semaines à quelques heures n’est pas anodin. Cela déplace le goulot d’étranglement. Hier, on attendait le développeur. Demain, on attendra la validation. Si la plateforme accélère la production sans accélérer la vérification, elle ne fera que fabriquer plus vite de beaux malentendus. D’où l’insistance sur les revues humaines intégrées.

Cette bascule a des conséquences sociales dans les équipes. L’analyste ne disparaît pas. Son rôle bascule vers le contrôle, l’exception, la définition des règles. Le métier, lui, cesse d’être spectateur d’un tableau qu’il ne comprend qu’à moitié. Il devient auteur d’une question, puis relecteur d’une réponse. Encore faut-il que l’interface ne le noie pas sous le jargon.

Beaucoup de produits d’analyse ont échoué sur ce point. Trop techniques, ils restaient l’apanage d’une caste. Trop simplifiés, ils perdaient la précision. QueryStory avance sur cette crête. Montrer le SQL sans exiger que tout le monde le maîtrise. Offrir le récit sans cacher l’échafaudage. L’équilibre est délicat. Il déterminera l’adoption réelle, au-delà des pilotes flatteurs.

Régulation, Audit Et Peur Du Fantôme Numérique

Dans les industries surveillées, une réponse d’IA sans piste d’audit est presque inutilisable. On peut s’en amuser en interne. On ne peut pas s’en servir pour justifier une décision exposée. Les investisseurs de New York Life Ventures le savent mieux que quiconque. Travailler dans l’assurance, c’est vivre avec le réflexe de la preuve.

Le « ground truth » dont parle Tim Del Bello n’est pas une formule poétique. C’est une exigence de métier. Où est le chiffre ? Comment a-t-il été agrégé ? Quelle période ? Quels exclus ? Quelle définition du client actif, du sinistre clos, de la prime émise ? Sans ces précisions, deux équipes honnêtes peuvent se quereller pendant une après-midi entière.

Une plateforme qui enregistre les questions, les requêtes, les doutes et les validations devient alors un dossier. Pas seulement un assistant. Ce glissement, de l’aide ponctuelle vers l’archive raisonnée, est peut-être l’apport le plus durable de ce type d’outil. À condition, bien sûr, que l’archive elle-même soit gouvernée : droits d’accès, conservation, confidentialité.

Le Modèle Économique Comme Signal

Derrière les discours sur la confiance se cache une bataille de facturation. Si le client paie à la consommation de jetons, l’incitation du fournisseur n’est pas forcément d’être économe ni même toujours d’être juste. Un modèle plus court, plus prudent, moins bavard peut être moins rentable pour celui qui vend de l’intelligence au mètre.

QueryStory inverse le récit commercial. La valeur serait dans la qualité de la décision rendue possible, pas dans le volume de texte généré. C’est plus difficile à mesurer. C’est aussi plus aligné avec ce qu’un directeur financier veut entendre. Il préfère un coût prévisible à une surprise liée à une explosion d’usage un soir de clôture.

• Agnosticisme vis-à-vis des modèles pour éviter un lock-in trop brutal.
• Promesse d’efficacité supérieure à un agent généraliste grâce au contexte conservé.
• Volonté de rendre le coût lisible pour la direction financière.
• Positionnement de prestataire de confiance plutôt que de marchand de tokens.

Ces arguments devront affronter le marché. Les laboratoires de frontière améliorent leurs interfaces à grande vitesse. Les éditeurs historiques de business intelligence greffent des assistants partout. Les intégrateurs vendent encore des bataillons humains. QueryStory n’entre pas dans un désert. Elle entre dans une mêlée.

Ce Que Cette Sortie Dit Du Moment IA

Après la phase d’émerveillement, le marché bascule vers une question plus adulte. Que peut-on mettre en production sans se mentir ? Les entreprises ont testé des chatbots internes. Elles ont vu des succès ponctuels et des échecs discrets. Elles cherchent maintenant des garde-fous. Les startups qui parlent de confiance au lieu de magie rencontrent une oreille plus attentive.

Cela ne garantit rien. Beaucoup de sociétés ont déjà promis la « IA fiable ». Le mot s’use. La différence se jouera dans les détails d’interface, dans la qualité des connecteurs, dans la capacité à tenir un pilote de trois mois puis un déploiement de trois ans. Les premiers clients, souvent proches des investisseurs, ne suffisent pas à prouver un marché.

Pourtant le diagnostic de fond paraît juste. Relier des humains à des bases hétérogènes sans créer une jungle de mini-vérités est un vrai problème. Le raconter comme une enquête plutôt que comme un oracle est une intuition féconde. Elle reconnecte l’IA à une tradition plus ancienne, celle de l’analyste qui doute, recoupe et documente.

Une Culture D’Enquête À Industrialiser

On sous-estime parfois à quel point les organisations manquent de méthode plus que de données. Les entrepôts débordent. Les questions restent pauvres. On demande « comment ça va » à un système capable de répondre « pourquoi ça va moins bien depuis jeudi dans telle région pour tel segment ». Passer de l’une à l’autre exige un apprentissage. Un bon produit peut l’accompagner. Il ne peut pas le remplacer entièrement.

QueryStory, en mettant en scène la succession des questions, encourage cette montée en compétence. L’utilisateur voit le chemin. Il peut reprendre une branche. Il peut demander à un collègue de valider une hypothèse. L’IA n’efface pas le travail collectif. Elle lui donne un support commun, au lieu de laisser chacun dialoguer seul avec sa petite machine.

C’est peut-être là le geste le plus politique du projet, au sens noble du terme. Contre la privatisation de la vérité analytique dans des fils de conversation individuels, proposer une place publique interne. Une place où l’on voit d’où vient le chiffre. Une place où l’on peut le contester sans tout détruire.

Limites, Zones D’Ombre Et Questions Ouvertes

Un article honnête doit aussi dire ce que l’on ne sait pas encore. On ignore le rythme exact d’adoption hors du cercle des early adopters. On ignore comment le produit se comporte lorsque les données sont sales, mal documentées, contradictoires, ce qui est le cas le plus fréquent. On ignore le degré d’effort nécessaire pour brancher un paysage applicatif réel, avec ses droits, ses synonymes et ses cadavres de champs.

On ignore aussi jusqu’où l’indicateur de confiance reste fiable lorsque le modèle sous-jacent change. Un système qui explique trop bien une erreur reste une erreur. La pédagogie de l’incertitude est utile. Elle n’absout pas une mauvaise jointure. La qualité des connecteurs, des catalogues et des définitions métier pèsera donc autant que la qualité de la prose générée.

Enfin, la promesse de coût lisible devra se vérifier dans des contrats. Les entreprises ont entendu trop de discours de prévisibilité pour ne pas demander des preuves. Si QueryStory tient cet engagement, elle se distinguera. Si elle recule vers une facturation opaque, elle rejoindra la file des outils brillants et interchangeables.

Ce Qu’Il Faut Retenir Sans Se Laisser Envoûter

QueryStory naît d’une expérience concrète : reconstruire un événement à partir de traces techniques, sous pression, sans droit à l’à-peu-près. Cette origine cyber donne au discours une gravité que n’ont pas toujours les startups nées dans la seule excitation des chatbots. Elle rappelle que questionner une base, c’est parfois empêcher une catastrophe, pas seulement illustrer une réunion.

Le produit cherche à industrialiser ce geste pour des publics plus larges. Il mise sur la transparence des requêtes, l’enregistrement des revues humaines, un indicateur de confiance et un récit final accroché aux données. Le financement de 6 millions à 60 millions de valorisation lui donne de l’air, pas une victoire. Les prochains mois diront si le pont entre analyse et confiance tient hors des démonstrations soignées.

En attendant, la leçon dépasse cette seule société. Les entreprises n’ont plus seulement besoin d’assistants éloquents. Elles ont besoin d’endroits où une réponse peut être examinée, partagée et corrigée. Croire ce que dit une IA n’est pas un acte de foi. C’est un travail. QueryStory, au moins, a le mérite de le nommer ainsi, et de construire un logiciel autour de cette exigence plutôt qu’autour de l’éblouissement.

Il restera toujours une part d’interprétation. Aucune plateforme n’abolira le jugement. Mais on peut cesser de laisser ce jugement orphelin, coincé entre une phrase générée et une diapositive trop lisse. Relier la question, la preuve et le récit, voilà un programme plus modeste que « révolutionner l’entreprise », et probablement plus utile. C’est aussi, pour une fois, un programme que l’on peut vérifier.