Twelve Labs wettet darauf, dass Video die Grundlage der KI ist; 100 Mio. US-Dollar Series B mit Amazon und Nvidia

Twelve Labs entwickelt Foundation-Modelle für das Videoverständnis – Marengo (Indexierung/Retrieval) und Pegasus (Video-Sprach-Reasoning) –, die über API und Amazon Bedrock an Unternehmen verkauft werden, die große Videoarchive durchsuchen und analysieren.

Video, nicht Sprache, wird die Grundlage der KI sein: Native Videomodelle (Marengo, Pegasus) ermöglichen es Maschinen, Filmmaterial wie Menschen zu sehen, sich zu erinnern und darüber zu schlussfolgern.

2021 in San Francisco von fünf Koreanern unter der Leitung von Jae Lee gegründet, wobei die zentrale KI-Forschung in Seoul erfolgte. Die Beobachtung bei der Gründung: „Die Welt geschieht nicht im Text. Sie geschieht in Bewegung.“ Die Seed-Finanzierung erreichte etwa 17 Mio. US-Dollar, und im Oktober 2023 tätigte Nvidia seine erste Investition in ein koreanisches Generative-KI-Startup und unterstützte eine Pre-Series-A von rund 10 Mio. US-Dollar.

Juni 2024: eine Series A über 50 Mio. US-Dollar, gemeinsam geleitet von Nvidias NVentures und NEA, an der sich Index Ventures, Radical Ventures, WndrCo und Korea Investment Partners beteiligten. Die Produkte reiften schnell: Marengo-2.6 wurde im März 2024 für Any-to-Any-Videosuche ausgeliefert, Pegasus-1 ging für Video-Sprach-Reasoning in die Beta. Dezember 2024: SK Telecom investierte 3 Mio. US-Dollar, um die Modelle in seiner KI-Agenten- und Überwachungsarbeit einzusetzen. Im Juli 2025 machte Amazon Marengo 2.7 und Pegasus 1.2 in Bedrock vollständig verwaltet; bis 2026 verdoppelte die auf den Modellen aufbauende Videoempfehlung von GS Shop die Klickrate und steigerte die Kaufabsicht um das Neunfache, und US-Regierungsbehörden erkundeten Video-Intelligence für Verteidigung und öffentliche Sicherheit.

Das Unternehmen ist weiterhin in Betrieb und wächst: Eine am 01.07.2026 angekündigte Series B über 100 Mio. US-Dollar (gemeinsam geleitet von Naver Ventures und NEA, mit Beteiligung von Amazon) brachte die Gesamtfinanzierung auf über 207 Mio. US-Dollar. CEO Jae Lee sagt, das Ziel sei „Video-Superintelligenz“ – KI, die wie Menschen sieht, sich erinnert und schlussfolgert –, mit geplanten Büros in New York und London und einer ersten KI-Videokreations-App, Rodeo, in der Vorschau.

Twelve Labs wählte Video als primären Datentyp – nicht als zweite Modalität – und argumentiert, dass Text eine verlustbehaftete Kompression der Realität sei und Kausalität in der Sequenz liege.

Die Architektur machte Video zu maschinenlesbarem Gedächtnis: Filmmaterial wird einmal verstanden, dauerhaft gespeichert und auf die exakte Sekunde genau adressierbar – genau das, was Unternehmen mit riesigen Archiven tatsächlich brauchen.

Nvidias Investition von 2023 war die erste Validierung und der Keil: Sie signalisierte, dass die Wette glaubwürdig war, bevor die Modelle ausgeliefert wurden, und drei Jahre Zusammenarbeit führten zur Series B.

Der kommerzielle Beweis kam aus einem engen Kreis – die verdoppelte Klickrate und die neunfache Kaufabsicht von GS Shop – und zeigte, dass die Plattform monetarisierbar war, bevor „Video-Superintelligenz“ erreicht war.

Die Wette auf eine Modalität, die der Großteil der KI ignorierte – Video statt Text –, brachte Nvidia und Amazon als Unterstützer ein; die konträre Wette muss sich jedoch noch in Unternehmensumsatz umwandeln, um sich zu verzinsen.

Stand 02.09.2026 hat Twelve Labs mehr als 207 Mio. US-Dollar eingeworben: Die Series B vom Juli 2026 (100 Mio. US-Dollar, gemeinsam geleitet von Naver Ventures und NEA mit Amazon) finanziert Marengo, Pegasus und sein Video Cognition System. Der Unternehmensumsatz konzentriert sich auf die USA und Europa, der Entwicklerumsatz wächst jährlich um 80–120 %, zu den Anwendern gehören GS Shop und US-Behörden, und seine Modelle laufen vollständig verwaltet in Amazon Bedrock. Das Unternehmen plant Büros in New York und London, hat seine Videokreations-App Rodeo in der Vorschau vorgestellt und treibt weiterhin in Korea entwickelte Videomodelle als Vorreiter der aufkommenden Ära der Video-Intelligenz voran.