10年分の商談データを抱えたPeople.aiが、Backstoryへ改名した理由

Backstoryは、営業チームのメール・会議・通話・CRM・intent dataなどを自動で取り込み、「この商談の実態は何か」「次に何をすべきか」をAIが回答として返すレベニューAI基盤だ。

2026年4月、旧People.aiから社名を変更し、データを見せるダッシュボード型の製品から、営業の現場に回答を届ける製品へ軸足を移した。

創業者のOleg Rogynskyyは2016年から、CRM入力という営業組織の慢性的な負担と、その結果生まれる不正確なデータの解決に取り組んできた。出典

「宿題をやる」と「迷わず動く」

Oleg Rogynskyyは、営業が本来向き合うべき相手は顧客であって、データ入力ではないと考え続けてきた創業者だ。

ウクライナ出身のRogynskyyは15歳で単身ボストン大学へ渡り、後の製品の原型になる価値観をそこで固めた。

「I have two core values that are always in my mind. 'Do your homework', and, 'move without hesitation'」とRogynskyyは語っている。出典

CRMは、埋まらないままだった

2011年、Rogynskyyは感情分析のSemantriaを創業し、2014年にLexalyticsへ売却する。

その間の営業経験で繰り返し目にしたのが、不完全で不正確なCRMデータだった。

顧客と話す時間を最優先したい営業担当者にとって、入力作業は後回しになる。

にもかかわらず、商談の実態を知るための情報はその入力の先にしかない。

2016年、Rogynskyyはこの矛盾を製品で解くためにPeople.aiを創業し、Y CombinatorのSummer 2016 batchに参加した（OpenAIやScale AIと同じ期である）。出典

「まだ誰もやっていなかった」データへの賭け

創業時、レベニュー領域の点解決ツールは通話録音や予測など機能の一部を切り出していた。

Rogynskyyは逆に、GTM全体の活動データを収集・整理・照合する土台そのものを最初に作ることを選んだ。

「I don't believe anybody else had that idea until AI really hit us hard about a year ago」とRogynskyyは述べている。

当時は「なぜデータを集めるのか」と問われたという。出典

集め続けたデータが、AI時代に効き始めた

初期にデータ基盤を採用した顧客は、10年分の商談テレメトリを蓄積した。

Rogynskyyはそれを「最も価値のある資産」と位置づける。

彼自身、AIの成熟を自動運転のレベルになぞらえた「GTM AI Maturity Levels」を提唱し、データが分断された状態をLevel 2、データがサイロ化せずAIが全体の頭脳になる状態をLevel 3と説明している。出典

名前を変えて、答える製品へ

2025年10月にJason AmbroseがCEOに就任し、2026年4月21日、会社はPeople.aiからBackstoryへと改名した。

データと分析を見せる会社から、商談についての「回答」を返す会社へ移るという宣言だった。

Ambroseは「people should work with people, and AI should do the rest」と述べ、10年以上にわたって蓄積した商談データを根拠に答えを返すと説明している。出典

Backstoryが刺さるのは、CRMに実態が残らないまま予測を求められる営業組織だ。

担当者は入力より顧客との時間を優先するため、商談の実態はメールや会議、通話の記録に散在する。

同社はこれらを自動で取り込み、案件ごとの回答を返すことで、入力という運用負債を減らす。出典

価値は導入時より運用時に出る。

使うほど自社固有の商談パターンが蓄積され、回答の精度が上がる。

逆にデータが薄い初期は効果が限定的で、短期のROIを求める導入では評価が割れやすい。出典

参入障壁はデータと推論エンジンの組み合わせにある。

自動収集した商談テレメトリは顧客固有のパターンを含み、後発が短期間で再現しにくい。

数十億件のB2B商談で訓練した推論エンジンも、期間と量の蓄積が必要な資産だ。出典

ネットワーク効果は弱い。

顧客同士がつながる構造ではなく、1社ごとにデータが蓄積されるほど精度が上がる「データの規模効果」が中心になる。

同じ顧客内での利用者増は精度と定着に効くが、他社顧客の増加は直接の価値にならない。出典

CRO、レベニューオペレーション、セールスリーダーが主な買い手で、現場では商談を進める営業担当者とCSが使う。

商談数が多く、複数システムに活動が分散し、予測の精度に課題を持つ中堅〜大企業が中心になる。出典

1つは順番の設計。

見せる機能より先に、GTM全体の活動データを自動収集する土台を作った。出典

2つめはカテゴリの明確化。

リブランドで「回答を返す製品」という位置づけに絞り、説明コストを下げた。出典

3つめは価格設計。

seat課金を外し、回答の消費へ課金先を移した。出典

リブランドは認知をリセットするため、当面は旧People.ai名との併存が続く。

精度が自社データの蓄積量に依存する点も構造的な制約で、導入初期の企業では回答の質が上がりにくい。

CRM・Gong・Slackとの機能重複が多く、置き換えではなく重ねる導入になりやすい。

現在のARRは非公開で、成長の実測値は確認できない。出典

成長の軸は、活動データの自動収集と回答のデリバリ先の拡大だ。

Salesforce・Slack・Copilot・ChatGPT・Claude・MCPの中に回答を置くことで、営業が新しい画面を覚えずに使える。

エンタープライズ顧客を起点に、seat課金を外して閲覧者を増やし、消費ベースで収益を伸ばす設計になっている。出典

主要チャネル: content_seo, podcast, events_webinars, partnerships, enterprise_sales

プロダクトの立ち上げ順序は後から大きく効く。

見せる機能を先に作るほど、AIに食わせるデータが足りなくなる。

集めるデータを最初に決め、AIが実用になる時点まで蓄積を続けた企業が、その時点で一気に答えを返せるようになる。出典

日本企業はCRMの入力率が低く、商談の実態が個人のメールやチャットに散在しやすい。

入力負荷を増やさない収集設計は受け入れられやすい。

一方、営業プロセスの標準化度が企業ごとに異なるため、日本語の商談文脈の扱いと、閲覧者が多い組織でもコストが膨らまない価格設計が導入の鍵になる。出典