تصور کنید مدیر ارشدی هستید که باید تصمیمی چند میلیون دلاری بگیرد، اما تنها منبع اطلاعاتی‌اش خلاصه‌ای است که یک هوش مصنوعی تولید کرده و هیچ‌کس نمی‌داند این اعداد از کجا آمده‌اند. این شکاف میان «روانیِ بیان» و «قابلیت اعتماد»، همان جایی است که QueryStory برای پر کردن آن متولد شده است. ۶ میلیون دلار، قیمت یک شرط‌بندی جدید روی «هوش مصنوعی اثبات‌پذیر» در مقابل «هوش مصنوعی قدرتمند» است.
به گزارش TechCrunch، این استارتاپ که به‌تازگی از حالت مخفیانه خارج شده، از این سرمایه‌گذاری برای مبارزه با پدیده‌ی «پراکندگی» (Sprawl) نسخه‌های متناقض و تولید شده توسط AI از حقیقت استفاده می‌کند؛ مشکلی که در حال حاضر اسلایدهای مدیریتی شرکت‌ها را گرفتار کرده است. هدف این استارتاپ، نصب سیستم‌های حسابرسی در سطح امنیتی، مستقیماً در فرآیند تولید هوش تجاری (BI) از طریق مدل‌های زبانی بزرگ است.
اکثر سازمان‌ها با LLMها به عنوان موتورهای پیشنهاددهنده‌ای برخورد می‌کنند که اگرچه پرکار هستند، اما شکننده (Brittle) می‌باشند. شما می‌توانید از یک AI بخواهید خط لوله فروش (Sales Pipeline) را تحلیل کند، اما تعداد کمی از مدیران حاضرند یک تصمیم چند میلیون دلاری را بر اساس یک خلاصه بپذیرند، بدون اینکه یک تحلیلگر انسانی تک‌تک خطوط آن را تأیید کرده باشد. این فلج‌شدگی، شکافی میان تسلط زبانی AI و کاربرد واقعی آن در محیط‌های حساس ایجاد می‌کند. طبق گزارش TechCrunch، راز مگو یا «dirty secret» این صنعت آن است که برای کارهای جدی، قدرتمندترین خروجی‌ها اغلب شکننده‌ترین‌ها هستند و نمی‌توان به آن‌ها اعتماد کرد.
همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهایی مثل LuxurAI Coder و استفاده از حلقه‌های ساختاری برای رفع خطاهای کدنویسی اشاره کردیم، QueryStory نیز سخت‌گیری مشابهی را در حوزه هوش تجاری به کار می‌گیرد. این ابزار به‌جای تولید صرف متن، بر زنجیره قابل تأییدی از وقایع، از داده‌های خام تا روایت نهایی، تمرکز می‌کند. هدف این است که هوش مصنوعی از یک ماشینِ تولید متنِ نامطمئن، به منبعی برای حقیقت‌های قابل حسابرسی و عملیاتی تبدیل شود.
زیرساخت اعتماد
این شرکت توسط شاپور نقیب‌زاده، مهندس سابق امنیت سایبری گوگل که تجربه مقابله با حملات Operation Aurora را دارد، تأسیس شده است. نقیب‌زاده توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — را یک نقص امنیتی می‌بیند. او استدلال می‌کند که ارزش واقعی در خودِ پرس‌وجو (Query) نیست، بلکه در داستان ساختاریافته و مستند شده‌ای است که از مجموعه‌ای از پرس‌وجوها بیرون می‌آید. این رویکرد در راستای پایان دادن به عدم اعتماد به تحلیل‌های داده‌ای است که هدف اصلی پلتفرم جدید نقیب‌زاده محسوب می‌شود.
او اشاره می‌کند که وقتی شرکت‌ها داده‌های خود را به یک رابط چت متصل می‌کنند، صدها یا هزاران کارمند هر کدام نسخه متفاوتی از حقیقت را دریافت می‌کنند. این امر باعث ایجاد پراکندگی گسترده‌ای از محتوا می‌شود که هیچ راهی برای بازگرداندن آن‌ها به داده‌های اصلی وجود ندارد.
در اواخر سال ۲۰۲۵، شرکت‌های Brightmind Partners و New York Life Ventures مبلغ ۶ میلیون دلار را با ارزش‌گذاری ۶۰ میلیون دلاری در این پروژه سرمایه‌گذاری کردند. این تأمین مالی، یک دسته‌بندی جدید از محصولات را تأیید می‌کند: «انسجام» (Coherence). هدف این است که AI از یک «ربات پرحرف» به منبعی برای حقیقت عملیاتی تبدیل شود. این یک شرط‌بندی روی زیرساخت‌های غیرجذاب اما حیاتیِ تأیید اعتبار است و نشان می‌دهد که سرمایه‌گذاران خطرپذیر (VCs) در حال چرخش به سمت ابزارهایی هستند که AI موجود را «مفید» کنند، نه اینکه صرفاً آن را «قدرتمندتر» سازند.
تخصص در تأیید اعتبار
منطق سرمایه‌گذاران ریشه در ترکیب غیرمعمول مهارت‌های این تیم دارد. پیشینه نقیب‌زاده در ردیابی حملات پیچیده شبکه‌ای در گوگل، بنیادی برای شناسایی نقص‌های داده‌ای و دست‌کاری‌ها فراهم کرده است. در کنار او، استنلی یانگ (CTO) و دیوید گلسیک (CPO) حضور دارند که تجربیات مهندسی گوگل و تجربه سازمانی اکسنچر (Accenture) را به تیم آورده‌اند. این‌ها تیمی از «مهندسان پرامپت» نیستند، بلکه گروهی هستند که در محیط‌هایی پرورش یافته‌اند که ایجاد زنجیره قابل تأیید از وقایع، دیسیپلین اصلی آن‌هاست.
تیم دل بلو از New York Life Ventures، که رهبری این سرمایه‌گذاری را بر عهده داشت، در حال حاضر از این پلتفرم استفاده می‌کند. تیم او از QueryStory برای جایگزینی کارهای دستی چندین نفر که برای تولید گزارش بازبینی فصلی (Quarterly Business Review) نیاز بود، بهره می‌برد. دل بلو امیدوار است این فرآیند را به یک داشبورد لحظه‌ای تبدیل کند و تصمیم‌گیرانی را هدف قرار دهد که به حقیقت میدانی نیاز دارند اما تیم اختصاصی علوم داده یا BI ندارند.
مکانیزم موتور تأیید
QueryStory به عنوان یک لایه مستقل از مدل (Model-agnostic) بین پایگاه‌داده‌های اختصاصی شرکت و یک LLM (عمدتاً مدل‌های آزمایشگاه‌های پیشرو) قرار می‌گیرد. این سیستم «جعبه سیاه» استدلال AI را با سه مکانیسم حسابرسی خاص جایگزین می‌کند:
- نمایش پرس‌وجوهای SQL: برخلاف چت‌های معمولی که استدلال در آن‌ها پنهان است، این پلتفرم به‌طور خودکار دقیقاً پرس‌وجوهای SQL را که AI برای استخراج داده‌ها نوشته است، آشکار می‌کند. این به کاربران اجازه می‌دهد دقیقاً ببینند یک پاسخ چگونه ساخته شده است.
- شاخص‌های اطمینان: هر تحلیل شامل یک امتیاز اطمینان است که توضیح می‌دهد چرا عامل‌های هوش مصنوعی (AI Agents) معتقدند نتیجه دقیق است و نتایج را به نقاط داده‌ای خاص پیوند می‌دهد.
- ردپای حسابرسی انسانی: تحلیل‌ها می‌توانند برای بازبینی توسط همکاران علامت‌گذاری شوند. این بازبینی‌ها به‌صورت دائمی در پلتفرم ثبت می‌شوند و یک ردپای حسابرسی بادوام ایجاد می‌کنند.
برای تست این سیستم، یک خبرنگار TechCrunch از پایگاه داده فعالیت‌های فضایی استفاده کرد. QueryStory در عرض چند ساعت، یک بصری‌سازی و تحلیل پیچیده تولید کرد؛ کاری که پیش از این به چندین هفته زمان توسعه توسط برنامه‌نویسان نیاز داشت. خروجی نهایی، منشأ داده‌ها (Provenance) را فاش کرد و شامل شاخص‌های اطمینان لازم بود.
فراتر از RAG: زنجیره اعتماد
این رویکرد تضاد شدیدی با سیستم‌های استاندارد تولید بازیابی‌افزا (RAG) دارد. در حالی که RAG بر بازیابی اسناد مرتبط تمرکز دارد، QueryStory برای حسابرسی در سطح امنیتیِ کل فرآیند تحلیلی ساخته شده است. تیلر سیپرلی از Brightmind Partners نیاز به این ابزار را صریحاً بیان می‌کند و می‌گوید AI هنگام ساخت سیستم‌های بادوامی که کسب‌وکارهای بزرگ به آن‌ها تکیه می‌کنند، بسیار شکننده‌تر از آن است که مردم تصور کنند.
با ایجاد یک «زنجیره اعتماد» از داده‌های خام تا روایت نهایی، QueryStory به ناهماهنگی و پراکندگی شناسایی شده توسط نقیب‌زاده پاسخ می‌دهد. این تمرکز بر فرآیند قابل تأیید، بازتاب‌دهنده تقاضای رو به رشد برای ابزارهایی است که در مناطق خاکستری اخلاقی AI حرکت می‌کنند؛ مشابه تلاش هنرمندانی که در برابر ابزارهای استخراج داده (Scraper) و سرقت آثار هنری توسط AI مبارزه می‌کنند.
تقسیم‌بندی بازار
پذیرش این فناوری احتمالاً بازار را به سه گروه متمایز تقسیم می‌کند:
۱. صنایع تحت نظارت (باورمندان): برای بخش‌های مالی، بهداشت و درمان و حقوقی، هوش مصنوعی قابل حسابرسی یک سپر در برابر مسئولیت‌های قانونی و انطباق (Compliance) است. در این حوزه‌ها، یک لاگ بازبینی و شاخص اطمینان می‌تواند تفاوت بین یک ابزار مجاز و یک ابزار ممنوعه باشد.
۲. پوریست‌های علوم داده (شکاکان): برخی استدلال می‌کنند که این یک «قابلیت» (Feature) است و نه یک «محصول» (Product)، و فروشندگانی مانند OpenAI، Anthropic یا گوگل در نهایت شفافیت را در پلتفرم‌های خود ایجاد خواهند کرد. آن‌ها تردید دارند که آیا یک لایه میانی می‌تواند با پیچیده‌تر شدن مدل‌ها، مقیاس‌پذیر باشد یا خیر.
۳. مدیران عملیاتی آسیب‌دیده (بازار هدف): این‌ها اهداف اصلی هستند؛ مدیرانی که توسط توهمات AI ضربه خورده‌اند. برخی از آن‌ها در حال حاضر نسخه‌های دستی این گردش‌کار را اجرا می‌کنند، مثلاً مدل Claude را مجبور می‌کنند پرس‌وجوهای SQL خود را برای بازبینی انسانی نشان دهد. برای آن‌ها، ارزش این ابزار فوری است: کاهش ریسک و کاهش هزینه‌های نظارت انسانی بر صحت مطالب.
پیامد برای کسب‌وکار
استقرار یک سیستم تأییدشده، ریاضیات عملیاتی مدیران ارشد (C-suite) را تغییر می‌دهد. تأثیر این امر در چندین معیار کلیدی ملموس است:
- سرعت تصمیم‌گیری: بدون تأیید، تصمیمات برای بررسی‌های دستی متوقف می‌شوند. با QueryStory، چرخه‌های تصمیم‌گیری از طریق خلاصه‌های مورد اعتماد تسریع می‌شوند.
- مدیریت ریسک: با ارائه ردپای حسابرسی، ریسک‌های بالای انطباق و قانونی مرتبط با استفاده از AI بدون حسابرسی را کاهش می‌دهد.
- انسجام داخلی: پراکندگی روایت‌های داخلی متناقض را با یک منبع واحد از حقیقت مستند جایگزین می‌کند.
- کاهش هزینه: هزینه اعتبارسنجی انسانی را پایین می‌آورد و به تحلیلگران اجازه می‌دهد به‌جای چک کردن فکت‌های ساده، روی موارد استثنایی و پیچیده تمرکز کنند.
این تغییر باعث می‌شود موارد استفاده حساس — مانند گزارش‌های مالی، خلاصه‌های تحقیقات پزشکی و تحلیل قراردادهای حقوقی — واقعاً عملی شوند. نقیب‌زاده مدل کسب‌وکار خود را حول این اعتماد می‌سازد، به‌ویژه با دادن این توانایی به یک مدیر مالی (CFO) که به‌طور دقیق بفهمد «هزینه این مورد دقیقاً چقدر خواهد بود؟»
با این حال، ریسک محافظه‌کاری نیز وجود دارد. تأیید بیش از حد و سخت‌گیرانه می‌تواند پرسشگری خلاقانه و اکتشافی را که اغلب منجر به بینش‌های تجاری پیشگامانه می‌شود، سرکوب کند. تنش بین «قابلیت اطمینان» و «چابکی»، چالش اصلی برای پذیرندگان اولیه خواهد بود.
پایان غرب وحشیِ هوش مصنوعی
ما در حال ورود به عصر «هوش مصنوعی کند و تأییدشده» در سازمان‌ها هستیم. در حالی که AI مصرف‌کننده سریع و جسور باقی می‌ماند — جایی که سرعت و نوآوری ارزشمند است — سامانه‌های شرکتی باید قطعی (Deterministic) و از نظر قانونی قابل دفاع باشند.
نقیب‌زاده شرکت خود را مستقل از «آزمایشگاه‌های پیشرو» می‌بیند. او استدلال می‌کند که مشتریان ارائه‌دهنده‌ای را ترجیح می‌دهند که توسط «مدل مصرفی» توکن‌ها و پردازش تحریک نشده باشد. نقیب‌زاده می‌گوید: «ما مزایای زیادی داریم چون یکی از آن شرکت‌هایی نیستیم که کسب‌وکارشان را بر پایه مدل مصرفی پردازش، ذخیره‌سازی یا توکن بنا کرده‌اند».
با سخت‌تر شدن قوانین دولتی و اعمال مقررات شدیدتر بر AI، پلتفرم‌هایی که سوابق انطباق داخلی را فراهم می‌کنند، مانند بیمه ریسک عمل خواهند کرد. دوران کپی-پیست کردن خروجی‌های چک‌نشده چت‌بات‌ها در طرح‌های تجاری به پایان رسیده است. فاز بعدی، ساخت لوایح قابل ارائه در دادگاه از طریق هوش مصنوعی سنتتیک است. سؤال دیگر این نیست که «AI چه کاری می‌تواند انجام دهد؟» بلکه این است که «AI چه چیزی را می‌تواند اثبات کند؟». رقابت برای پاسخ به این سؤال، جایی است که لایه بنیادی بعدی نرم‌افزارهای سازمانی در حال ساخته شدن است.
گام بعدی شما
- اگر از LLM برای تحلیل داده‌های مالی استفاده می‌کنید، از مدل بخواهید تمام پرس‌وجوهای SQL خود را نمایش دهد تا منطق استخراج را بررسی کنید.
- در گردش‌کارهای تیمی، یک لایه «تأیید انسانی» (Human-in-the-loop) برای خروجی‌های حساس تعریف کنید.
- بررسی کنید آیا ابزارهای فعلی شما قابلیت ایجاد ردپای حسابرسی (Audit Trail) را دارند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو