InfiniMind wettet darauf, dass Unternehmen ungesichtetes Video auswerten; 5,8 Mio. US-Dollar Seed-Finanzierung von UTEC

InfiniMind entwickelt Infrastruktur für unternehmerische Video-Intelligenz: TV Pulse analysiert Fernsehübertragungen in Echtzeit für Medien- und Einzelhandelskunden, und DeepFrame verwandelt bis zu 200 Stunden Filmmaterial in eine durchsuchbare Wissensbasis mit visuellem, auditivem und sprachlichem Verständnis, die in einer VPC oder vor Ort bereitgestellt werden kann.

Vision-Language-Modelle konnten bis 2024 einer Erzählung folgen, sodass Unternehmen langformatiges Video abfragbar machen wollten – daher eine No-Code-Infrastruktur, die privat bereitgestellt werden kann.

Aza Kai und Hiraku Yanagita verbrachten fast ein Jahrzehnt gemeinsam bei Google Japan, Kai in Cloud/ML/Data Science und Yanagita in Marken- und Datenlösungen. Bei Google sahen sie, wie Kunden auf Petabytes von Übertragungs- und Kameramaterial saßen und selbst grundlegende Fragen dazu nicht beantworten konnten – Objekt-Tagging gab es, aber niemand konnte Erzählung, Kausalität oder Langform-Inhalte verfolgen. Kai sagt, die Fortschritte bei Vision-Language-Modellen von 2021 bis 2023 hätten verändert, was möglich sei, und bis 2024 sei die Marktnachfrage klar genug gewesen, dass die beiden kündigten, um InfiniMind (früher SDio) in Tokio zu gründen und dabei Programmen wie AWS GAIA 2025, GENIAC des METI und NVIDIA Inception beitraten.

InfiniMind brachte im April 2025 sein erstes Produkt TV Pulse in Japan auf den Markt: Es analysiert Fernsehübertragungen in Echtzeit, damit Medien- und Einzelhandelsunternehmen Produktpräsenz, Markenpräsenz, Stimmung und PR-Wirkung verfolgen können. Nach Pilotprojekten mit großen Sendern und Agenturen gewann es zahlende Kunden unter Großhändlern und Medienunternehmen, und DeepTech berichtete, die Plattform habe mehr als 100.000 Stunden Inhalte analysiert. Im Februar 2026 kündigte das Startup eine Seed-Runde über 5,8 Mio. US-Dollar unter Führung von UTEC an, an der CX2, Headline Asia, Chiba Dojo und ein mit einem a16z Scout verbundener KI-Forscher beteiligt waren; es erklärte, seinen Hauptsitz in die USA verlegen und das Ingenieurbüro in Tokio behalten, mehr Ingenieure einstellen und sein Flaggschiff DeepFrame – Langform-Video-Intelligenz über bis zu 200 Stunden Filmmaterial mit Audio- und Sprachverständnis – im März 2026 als Beta und im April 2026 vollständig veröffentlichen zu wollen.

Nicht analysiertes Video existiert bereits in jedem Archiv und in allen Kamerafeeds, daher liegt der Durchbruch in Analysekosten und -fähigkeit, nicht in neuer Datenerfassung.

Der Sprung bei Vision-Language-Modellen von 2021 bis 2023 ist der Grund, warum eine Gründung 2024 rational war – derselbe Pitch hätte zwei Jahre früher nicht funktioniert.

Unternehmensbeschränkungen – Datenschutz, Datensouveränität, No-Code-Workflows, Langform-Abfragen – sind ein Burggraben gegenüber allgemeinen Video-APIs, die auf Verbraucher und Prosumer abzielen.

Japans Sender und Agenturen boten ein kompaktes Testfeld, in dem anspruchsvolle Kunden die Technologie vor einem US-Vorstoß validieren konnten.

Kostenkontrolle durch adaptive Abtastung und hybrides Indexieren zielt auf die Ökonomie pro Minute, die Langform-Videoanalyse heute unerschwinglich macht.

Eine Gründung sollte auf die Fähigkeitskurve warten: Video-KI taggte jahrelang nur Objekte, daher wartete Kai, bis Vision-Language-Modelle einer Erzählung folgen konnten – das Timing machte 2024 für UTEC glaubwürdig.

Stand 2026-09-02 ist InfiniMind aktiv und mit Seed-Kapital finanziert: TV Pulse hat zahlende japanische Medien- und Großhandelskunden und über 100.000 analysierte Stunden, und die Runde über 5,8 Mio. US-Dollar finanziert die Entwicklung von DeepFrame, Neueinstellungen und den Umzug des Hauptsitzes in die USA. Die Beta von DeepFrame war für März 2026 und die vollständige Veröffentlichung für April 2026 vorgesehen; ein späterer Meilenstein wurde für diesen Eintrag nicht verifiziert. Mit mehr als 10 Mitarbeitern in Tokio und Kooperationspartnern von der Universität Tokio argumentiert das Unternehmen, dass Langform-, Kausal- und multimodales Verständnis – nicht Tagging auf Clip-Ebene – die verteidigungsfähige Unternehmensnische sei.