QueryStory wants you to believe what AI is telling you

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

QueryStory는 분석 근거 공개와 사람의 검토를 결합해 대기업이 신뢰하고 활용할 수 있는 AI 데이터 분석을 제공하려는 플랫폼이다.

📌 핵심 요약

• 구글에서 사이버보안 분석 도구를 개발하고 Chronicle을 공동 창업한 샤포르 나기브자데는 해당 경험을 다양한 데이터 분석에 적용하기 위해 QueryStory를 공동 창업했다.
• QueryStory는 2025년 말 기업가치 6,000만 달러로 600만 달러의 시드 투자를 유치했으며, 대규모 독점 데이터베이스를 관리하는 대기업을 대상으로 제품을 개발하고 고객 시범 적용을 진행했다.
• 기자가 제공한 우주 활동 데이터의 시각화를 몇 시간 만에 만들었으며, 분석 결과와 함께 AI 에이전트가 정확하다고 판단한 근거를 보여주는 신뢰도 지표를 제공했다. 기자가 과거 개발자와 수행한 작업에는 몇 주가 걸렸다.
• QueryStory는 SQL 쿼리를 자동으로 공개하고 동료에게 분석 검토를 요청하며 그 기록을 남기는 기능을 제공한다. 나기브자데는 조직 구성원이 각자 AI 답변을 생성할 때 결과물이 원본 데이터와 연결되지 않은 채 확산되는 문제를 지적했다.
• QueryStory는 특정 모델에 종속되지 않도록 설계됐지만 현재는 주로 선도 AI 연구소의 최신 모델을 사용한다. 나기브자데는 맥락 보존을 통한 효율성과 정확성, 기업의 비용 예측 가능성을 차별점으로 주장했다.

🧩 주요 포인트

1. 사이버보안 조사 경험의 확장 → 여러 데이터 질문과 검증 결과를 연결해 근거 있는 설명을 만드는 것이 제품의 출발점이다.
2. 신뢰도 지표·SQL 공개·검토 기록의 결합 → 분석 속도와 함께 결과의 근거를 확인하고 조직 안에서 검토할 수 있는 기능을 제공한다.
3. 모델 비종속 설계와 맥락 보존 → 특정 모델보다 답변의 신뢰성과 비용 예측 가능성을 중심으로 경쟁하려는 전략이다.

🧠 상세 정리

1. 사이버보안 조사에서 출발한 검증 중심 분석

샤포르 나기브자데는 2009년 구글 시스템 운영 엔지니어로 일하며 중국의 지원을 받는 해커들의 오퍼레이션 오로라 공격에 대응했다. 당시 긴급 대응 조직에서 회사 서버에 무슨 일이 벌어지는지 설명해야 했고, 서로 다른 네트워크를 추적하며 검증된 지식의 가치를 배웠다. 그러나 이런 조사는 비용과 시간이 많이 드는 작업이었다. 이후 6년 동안 구글에서 보안 분석가가 복잡한 데이터를 질의할 수 있는 도구를 개발했으며, 2016년에는 같은 기능을 다른 기업에도 제공하기 위해 구글 엑스 랩에서 Chronicle을 공동 창업했다. 그는 대규모 언어 모델이 이 분석 방식을 다양한 데이터베이스에 적용하면서 소요 시간을 크게 줄일 수 있다고 봤다.

2. QueryStory 창업과 대기업 대상 제품화

나기브자데는 대규모 언어 모델의 데이터 분석 활용이 커지자 보안 분야에서 개발한 기법을 다른 분석 업무로 확장하기 위해 QueryStory를 공동 창업했다. 최고기술책임자는 전 구글 동료이자 EvolutionIQ 수석 엔지니어 출신인 스탠리 양이며, 최고제품책임자는 액센추어 출신 데이비드 글루식이다. 회사는 2025년 말 Brightmind Partners와 New York Life Ventures로부터 기업가치 6,000만 달러에 600만 달러의 시드 투자를 받았다. 이후 고객과 제품 개발 및 시범 적용을 진행했고, 기사 게재일인 2026년 8월 26일 비공개 개발 단계에서 모습을 드러냈다. 주요 대상은 대규모 독점 데이터베이스를 보유한 대기업으로, 영업팀이나 운영 관리자가 데이터 분석과 검토를 한 플랫폼에서 수행하도록 지원한다.

3. 질문을 연결한 설명과 투자사의 실제 활용

나기브자데는 데이터를 조사할 때 여러 질문을 던진 뒤 답변을 모아 하나의 설명으로 구성하는 과정에서 QueryStory라는 이름이 나왔다고 설명했다. 제품의 목표는 사실에 근거한 설명을 만들고, 기업이 행동의 근거로 삼을 수 있는 답변을 제공해 AI에 대한 신뢰 격차를 줄이는 것이다. 그는 사람의 판단이나 다수의 현장 투입 엔지니어에 의존하던 과정을 제품으로 구현했다고 주장했다. 투자사인 New York Life Ventures는 여러 사람이 수행하던 분기 사업 검토 업무에 플랫폼을 사용하고 있으며, 투자 책임자 팀 델 벨로는 이를 실시간 현황판으로 발전시키기를 기대했다. 그는 복잡하고 분산된 데이터를 다루지만 데이터 과학이나 비즈니스 인텔리전스 전담팀이 없는 의사결정자, 특히 규제가 엄격한 업계의 사용자에게 적합한 제품이라고 평가했다.

4. 우주 활동 데이터 시연과 신뢰도 표시

기자는 SpaceX 같은 기업의 궤도상 활동을 이해하는 데 쓰이는 우주 활동 데이터베이스를 QueryStory에 제공했다. 플랫폼은 몇 시간 만에 데이터를 시각화했으며, 기자는 과거 개발자와 유사한 작업을 수행할 때 몇 주가 걸렸다고 비교했다. 결과물에는 정교한 현황판과 분석이 포함됐고, AI 에이전트가 분석을 정확하다고 판단한 이유를 보여주는 신뢰도 지표도 별도로 제시됐다. 이 사례는 기사에서 분석 속도와 근거 표시 기능을 보여주는 직접적인 사용 경험으로 소개된다. 기사는 선도 AI 연구소의 협업 도구로도 이런 작업을 할 수 있다고 설명하면서, QueryStory가 특히 대기업 사용자의 투명성·신뢰성·통제 요구에 사업 기회를 걸고 있다고 짚었다.

5. SQL 공개와 사람의 검토를 통한 조직 내 신뢰

기사에 등장한 한 기술기업 임원은 Claude Cowork로 회사 데이터베이스를 질의한 뒤, 생성된 SQL이 타당한지 확인하기 위해 모델에 쿼리 공개를 요청했다. 이후에는 데이터 분석가에게 보내 사람의 검토를 받았다. QueryStory에서는 SQL 쿼리가 자동으로 드러나며, 사용자가 동료에게 분석 검토를 요청하고 그 검토 내용을 플랫폼에 기록할 수 있다. Brightmind Partners의 테일러 시펄리는 대규모 사업이 의존해야 하는 지속적인 시스템을 구축할 때 AI가 사람들이 생각하는 것보다 취약하다고 지적했다. 나기브자데는 수백 또는 수천 명이 대화형 AI에서 각자의 답을 얻어 발표 자료로 공유하면, 결과물이 원본 데이터와 연결되지 않은 채 조직 전체로 확산될 수 있다는 문제를 제기했다.

6. 모델 선택의 유연성과 비용 예측을 내세운 경쟁

QueryStory는 특정 모델에 종속되지 않도록 설계됐지만, 현재는 주로 선도 AI 연구소가 제공하는 최신 모델을 사용한다. 따라서 해당 연구소의 모델을 활용하면서도 제품 차원에서는 이들과 경쟁하는 구조다. 나기브자데는 기업 고객이 가능한 한 많은 AI 사용량을 판매할 유인이 없는 서비스 제공자를 선호할 것이라고 주장했다. 또한 맥락을 이해하고 보존하는 전용 도구가 범용 에이전트보다 효율적이고 정확할 수 있다고 설명했다. 그가 내세운 판매 가치는 답변에 대한 신뢰와 사업에 더하는 가치이며, 재무책임자가 비용을 이해하고 예측할 수 있도록 하는 것이 목표다. 다만 기사에는 구체적인 가격 체계나 범용 에이전트와의 정량적인 비용·정확도 비교 결과는 제시되지 않았다.

🧾 핵심 주장 / 시사점

• QueryStory의 차별화 주장은 분석 결과를 생성하는 속도뿐 아니라 사용자가 그 근거를 확인하고 사람의 검토를 연결할 수 있다는 데 있다.
• 조직 구성원이 각자 생성한 AI 답변이 확산되는 문제는 개별 답변의 정확성과 별개로 결과와 원본 데이터의 연결을 관리할 필요성을 보여준다.
• 우주 활동 데이터 사례는 처리 시간 단축을 보여주지만, 전반적인 정확성과 비용 경쟁력에 관한 주장은 별도의 검증이 필요한 영역으로 남는다.

✅ 액션 아이템

• QueryStory의 신뢰도 지표와 SQL 공개가 분석 근거 확인에 제공하는 범위 검토.
• 대기업의 AI 답변 확산 문제와 검토 기록 기능을 연결해 조직 내 분석 검토 활용 가능성 평가.
• 모델 비종속 설계와 맥락 보존이 효율성·정확성·비용 예측 가능성 주장에 제공하는 근거 확인.

❓ 열린 질문

• QueryStory의 신뢰도 지표는 분석의 정확성을 뒷받침하는 근거를 어느 범위까지 보여주는가?
• SQL 공개와 검토 기록은 조직 내 AI 답변 확산과 원본 데이터 연결 문제를 어느 정도 해결하는가?
• 모델 비종속 설계와 맥락 보존은 비용 예측 가능성을 어떻게 뒷받침하는가?