QueryStory lève 6 M$ et bouscule la traçabilité des réponses d’IA

Une seule question peut coûter plusieurs millions : peut-on vraiment faire confiance à ce que raconte un LLM branché sur les données d’une entreprise ? En 2025, plusieurs banques et assureurs ont rapporté des erreurs d’analyses chiffrées générées par des agents d’IA, sans aucun moyen simple de retracer d’où venait la faute.

C’est précisément ce vide que veut combler QueryStory, une startup sortie du bois en août 2026 avec une levée de 6 millions de dollars en seed, pour une valorisation d’environ 60 millions de dollars. Portée par d’anciens ingénieurs de Google, elle promet une chose simple mais exigeante : chaque réponse d’IA reliée à des données d’entreprise doit être traçable, vérifiable et révisable.

L’enjeu dépasse largement ce seul tour de table. Il dit quelque chose d’un virage en cours : celui d’une IA traçable qui n’est plus un nice-to-have, mais un socle de confiance pour les entreprises, aux côtés d’autres acteurs comme Divine, Lemma ou Hush Security.

QueryStory fait de la traçabilité un produit, pas une check-list de conformité

Mini-takeaway : QueryStory ne vend pas un « chatbot BI », mais une plateforme agentique traçable où chaque réponse est reliée à ses requêtes SQL, à un workflow de revue humaine et à un score de confiance.

Selon TechCrunch et plusieurs reprises presse, QueryStory a levé 6 millions de dollars en seed fin 2025 auprès de Brightmind Ventures et New York Life Ventures, pour une valorisation de 60 millions de dollars. Le produit a été développé en mode pilote en 2025 avant une sortie de l’ombre en août 2026.

La promesse tient en trois piliers :

• Une plateforme agentique de données qui relie plusieurs sources (généralement des data warehouses type Snowflake, BigQuery ou Redshift) aux LLM.
• Une traçabilité systématique des réponses : la plateforme expose les requêtes SQL sous-jacentes, garde un historique et permet aux équipes d’auditer chaque résultat.
• Un mécanisme de score de confiance et de re-vérification continue : chaque réponse est notée, surveillée, et « re-checkée » quand les données évoluent.

L’article de TechCrunch insiste sur ce positionnement : QueryStory veut que les utilisateurs puissent « croire » ce que dit l’IA, non parce que le modèle est magique, mais parce qu’ils voient comment la réponse a été construite et peuvent la challenger.

💡 À retenir : QueryStory transforme la traçabilité d’un irritant de conformité en fonction produit centrale, exposée dans l’interface et intégrée au workflow des équipes data.

SQL rendu visible par défaut

La plupart des solutions d’analytics augmentées intègrent déjà un moteur SQL en coulisses. La différence ici est que QueryStory rend ce SQL visible par défaut, comme une pièce justificative.

D’après un article spécialisé en allemand consacré à l’entreprise, la plateforme :

• Affiche les statements SQL associés à chaque réponse.
• Intègre un workflow de revue par des data analysts ou data engineers.
• Documente le passage de « brouillon » à « réponse approuvée », ce qui permet de reconstruire l’histoire d’une décision.

Cette approche répond à un besoin très concret des grandes entreprises : la traçabilité des transformations de données est souvent exigée par les audits internes, les régulateurs ou les comités de risques, notamment dans la finance et l’assurance.

Une levée de 6 M$ dans un paysage où la traçabilité devient stratégique

Mini-takeaway : QueryStory n’est pas un cas isolé : d’autres startups comme Divine, Lemma ou Hush Security montrent que le financement de la fiabilité et de la traçabilité des systèmes d’IA accélère depuis 2025.

La levée de QueryStory s’inscrit dans une vague plus large de financements dédiés à la traçabilité, à l’observabilité et à la gouvernance des systèmes d’IA.

Quelques chiffres clés sur les concurrents et adjacents

• Divine : protocole décentralisé qui rend les modèles d’IA plus transparents et vérifiables. Selon une base de données de levées, l’entreprise a réuni 6,6 millions de dollars lors d’un seed en septembre 2025.
• Lemma : startup focalisée sur la détection des « silent failures » d’agents d’IA en production. Elle a levé 2,3 millions de dollars en pre-seed en 2026 auprès d’investisseurs comme Matrix et Y Combinator.
• Hush Security : spécialisée dans la gouvernance et la sécurité des agents d’IA ; elle a annoncé 30 millions de dollars en Series A en 2026, portant son total levé à 41 millions de dollars.
• Onyx Security : autre acteur de la sécurisation des agents d’IA en entreprise, avec 113 millions de dollars levés en 2026.
• groundcover : plateforme d’observabilité incluant des briques d’IA, qui a levé 100 millions de dollars en Series C à l’été 2026.

Ce faisceau de levées est révélateur : les investisseurs déplacent une partie du capital des seuls « modèles plus gros » vers les infrastructures de confiance (traçabilité, observabilité, sécurité).

💡 À retenir : sur 2025-2026, plusieurs deals à 8 ou 9 chiffres se concentrent sur la maîtrise des risques des agents d’IA, et non sur leurs seules performances brutes.

Une niche : l’IA traçable centrée data warehouse

La spécificité de QueryStory tient à son ancrage data : là où des solutions comme Hush ou Onyx se focalisent sur les agents généralistes (workflows multi-outils, emails, systèmes internes), QueryStory se concentre sur les réponses liées à des bases de données d’entreprise.

Cette niche est stratégiquement intéressante :

• Les erreurs sur les chiffres (revenus, risques, volumes) peuvent déclencher des impacts financiers majeurs.
• Les data warehouses sont déjà au cœur de l’infrastructure BI ; s’aligner dessus rend l’adoption plus fluide.

Dans ce contexte, les 6 millions de dollars levés par QueryStory, à comparer aux 6,6 millions de Divine ou aux 2,3 millions de Lemma, positionnent la startup dans un segment intermédiaire : pas un mastodonte, mais suffisamment financée pour viser des déploiements sérieux en entreprise.

Ce que QueryStory change pour les équipes data et métiers

Mini-takeaway : pour un data engineer ou un responsable métier, QueryStory promet une bascule de la confiance par réputation à la confiance par preuve – avec un coût mesurable sur le temps passé et les incidents évités.

Là où les équipes data adoptent souvent des assistants LLM « en périphérie », QueryStory se place au cœur du processus décisionnel autour des données.

Un workflow pensé pour les grandes entreprises

D’après les descriptions publiques disponibles, QueryStory se déploie comme une plateforme centralisée que les équipes data et métiers viennent consommer :

• Connexion aux bases de données internes (généralement via un data warehouse).
• Définition de workspaces par équipe (finance, marketing, opérations…).
• Configurations de garde-fous : qui peut valider, quelles requêtes sont sensibles, quelles sources sont autorisées.

Les LLM utilisés génèrent des requêtes SQL pour répondre aux questions des utilisateurs (par exemple : « quelle a été la croissance du chiffre d’affaires par région au dernier trimestre ? »). Là où un copilote classique renverrait simplement un graphique ou un tableau, QueryStory :

• Affiche le SQL généré.
• Permet une revue humaine avant validation.
• Stocke la réponse avec un historique audit.

Des entreprises pilotes dans la finance et l’assurance auraient testé ces workflows en 2025, avant l’annonce publique en 2026.

Impact potentiel sur le temps de revue

Bien que la startup ne communique pas (à date) de chiffres publics détaillés sur les gains de productivité, les acteurs comparables de la BI augmentée rapportent souvent :

• Une réduction significative du temps de préparation de rapports (parfois 30 à 50 % sur certains cas d’usage) quand la génération SQL est automatisée.
• Une relocalisation du temps des data analysts, moins concentré sur l’écriture de requêtes et davantage sur la validation et l’interprétation.

La différence, dans le cas de QueryStory, est que cette bascule est instrumentée : chaque revue est tracée, chaque correction documentée, ce qui facilite les audits et les post-mortems en cas d’incident.

💡 À retenir : QueryStory ne supprime pas les data analysts, il les repositionne en réviseurs en chef des réponses d’IA, avec un journal complet des décisions.

Comment QueryStory se compare aux autres solutions d’IA traçable

Mini-takeaway : face à Divine, Lemma ou Hush Security, QueryStory se distingue par son focus sur la traçabilité des réponses analytiques plutôt que sur la seule robustesse ou sécurité des agents.

Pour situer QueryStory dans l’écosystème, il est utile de comparer quelques acteurs récents qui traitent, chacun à leur manière, la question de la traçabilité, de la fiabilité ou de la gouvernance des IA.

Tableau comparatif : QueryStory et quelques voisins de catégorie

Les prix précis de QueryStory n’ont pas été publiquement détaillés à ce stade. Compte tenu du positionnement et de la cible (grandes entreprises, data warehouses existants), il est cohérent que l’entreprise fonctionne sur des contrats enterprise comprenant :

• Une base d’abonnement mensuel ou annuel.
• Une tarification par workspace, nombre d’utilisateurs ou volume de requêtes.

Un différenciateur clé : l’alignement sur les pratiques BI

Les acteurs comme Divine ou Lemma s’adressent avant tout à des équipes techniques (MLOps, développeurs de modèles, architectes). QueryStory, lui, se situe à l’interface :

• Côté data : il respecte les pipelines existants, en exposant la logique SQL.
• Côté métier : il expose des réponses en langage naturel mais documentées.

C’est une différence majeure pour l’adoption : en 2025-2026, beaucoup d’initiatives IA se heurtent à la défiance des équipes finance ou risque, qui exigent des preuves tangibles pour signer des rapports issus d’outils alimentés par LLM.

💡 À retenir : la force de QueryStory n’est pas d’être plus « intelligent » que les autres, mais de parler la langue des équipes BI traditionnelles tout en apportant l’ergonomie des assistants IA.

La traçabilité d’IA devient une politique publique, pas seulement un sujet startup

Mini-takeaway : la levée de QueryStory arrive dans un contexte où même les États investissent dans des infrastructures de provenance et traçabilité des systèmes d’IA et des chaînes d’approvisionnement.

L’un des signaux forts de 2026 est une initiative du Département d’État américain, qui a lancé un appel à projets pour une plateforme de traçabilité de la chaîne d’approvisionnement liée à l’IA, avec un budget pouvant aller jusqu’à 50 millions de dollars d’assistance étrangère.

Le projet, annoncé lors du second sommet Pax Silica en juin 2026, porte sur :

• La vérification cryptographique du contenu des cargaisons (puces, infrastructures d’IA, minerais critiques…).
• L’utilisation d’IA pour accélérer l’évaluation des risques.
• Un dispositif de fast lane pour les cargaisons pré-certifiées.

Un premier pilote est prévu avec les autorités portuaires et douanières du Panama. Les montants par projet vont de 1 à 50 millions de dollars.

Ce type d’initiative montre que la traçabilité n’est pas seulement une question de compliance interne : elle devient un élément d’infrastructure pour les flux physiques et numériques liés à l’IA.

Effet de ricochet sur les outils d’IA traçable

Même si QueryStory se concentre sur les données internes d’entreprise, ce mouvement institutionnel crée un environnement où :

• Les régulateurs sont plus attentifs à la provenance des données et des modèles.
• Les grandes entreprises doivent documenter plus finement les chaînes de traitement (data lineage, transformation, décisions).

Dans ce contexte, une plateforme qui documente chaque requête, chaque validation, chaque correction d’IA devient un outil précieux pour répondre aux demandes d’audit ou pour prouver sa bonne foi en cas de litige.

💡 À retenir : les signaux forts de politique publique autour de la traçabilité renforcent la valeur stratégique des solutions comme QueryStory, même si elles opèrent à l’échelle micro (tableaux de bord, rapports internes).

QueryStory face aux défis de l’IA agentique en entreprise

Mini-takeaway : QueryStory arrive au moment où les entreprises testent des agents d’IA pour automatiser des décisions, et où les cas d’« agents silencieusement faux » se multiplient – une opportunité autant qu’un risque.

L’année 2026 est marquée par une explosion des agents d’IA capables de planifier des tâches, d’appeler des API internes, d’orchestrer des workflows métiers. C’est précisément ce que visent des startups comme Lemma ou Hush Security : détecter les erreurs, sécuriser les actions, tracer les opérations.

Silent failures : quand l’IA « a l’air » d’avoir bien fait

Lemma, par exemple, met en avant un cas très spécifique : les silent failures. Il s’agit de situations où un agent d’IA :

• Renvoie une sortie qui semble cohérente.
• Applique un plan d’action qui ne déclenche pas d’alarme explicite.
• Mais produit, en fond, un résultat erroné ou incomplet.

Dans le domaine des données, ce problème est particulièrement critique : une courbe mal filtrée, une agrégation incorrecte, une jointure à la mauvaise granularité peuvent passer inaperçues, surtout si le visuel est propre et la phrase de conclusion convaincante.

QueryStory attaque ce problème par un angle différent : rendre visible la mécanique, pas seulement le résultat.

Lien avec la gouvernance des agents

Des acteurs comme Hush Security ou Onyx Security se positionnent plus en amont et en aval :

• Ils contrôlent les permissions des agents d’IA.
• Ils enregistrent leurs actions, mettent en place des politiques de sécurité.

Dans cette architecture, une plateforme comme QueryStory peut devenir :

• Le point de vérité sur les réponses graphiques et textuelles produites par les agents.
• La source d’audit en cas de question sur ce qui a été montré aux décideurs.

💡 À retenir : plus les agents d’IA prennent d’initiatives en accès aux données, plus la capacité à rejouer le film des requêtes et des réponses devient critique.

Notre avis : qui devrait s’intéresser à QueryStory dès maintenant ?

Mini-takeaway : pour Brief IA, QueryStory est un signal fort : la prochaine génération d’outils data/IA ne sera pas jugée seulement sur sa vitesse ou sa UX, mais sur sa capacité à prouver chaque réponse.

À court terme, la levée de fonds de QueryStory ne va pas, à elle seule, bouleverser toutes les pratiques d’analytics. Mais elle cristallise une tendance nette :

• Les entreprises ne veulent plus d’outils d’IA « boîtes noires » branchés sur leurs chiffres sensibles.
• Les investisseurs financent de plus en plus les briques de confiance, traçabilité et gouvernance.

Les profils pour qui QueryStory est une alerte utile

• DSI et CDO de grands groupes qui testent des copilotes de données : l’existence de solutions comme QueryStory montre qu’il est possible – et bientôt nécessaire – d’exiger des outils qui exposent le SQL, les sources, les scores de confiance.
• Responsables risques et conformité : la traçabilité complète des réponses d’IA devient un argument fort face aux régulateurs et aux auditeurs.
• Équipes data qui craignent de perdre le contrôle face aux LLM : QueryStory illustre un modèle où les data analysts restent au centre, mais avec des outils adaptés à l’ère des agents.

Projection à six mois : de la traçabilité « nice-to-have » au prérequis contractuel

Au rythme actuel :

• Les initiatives publiques (comme les 50 millions de dollars du Département d’État pour la traçabilité de la supply chain) vont renforcer les attentes autour de la provenance des données et des décisions.
• Les grands comptes qui déploient des agents d’IA à large échelle devront documenter leurs pipelines de données et leurs décisions automatiques.

Il est donc probable que, d’ici six mois à un an, la question « pouvez-vous tracer l’origine de chaque réponse d’IA ? » devienne :

• Une clause standard dans les RFP pour des solutions d’IA en entreprise.
• Un critère différenciant pour les outils d’analytics augmentée et les plateformes d’agents.

Dans ce contexte, QueryStory n’est peut-être que l’un des premiers noms d’une nouvelle catégorie : celle des plateformes d’IA traçable centrées données.

Reste une question ouverte, qui décidera en grande partie de l’avenir du secteur : les utilisateurs métiers accepteront-ils de prendre l’habitude d’ouvrir les coulisses (SQL, scores de confiance, journaux de revue), ou préféreront-ils la commodité d’une IA « magique » ?

La tension entre transparence et friction sera probablement l’un des champs de bataille les plus intéressants de l’IA d’entreprise d’ici 2027.