InfiniMind apuesta a que las empresas explotarán el video no visto; ronda semilla de 5,8 M$ de UTEC

InfiniMind fabrica infraestructura empresarial de inteligencia de video: TV Pulse analiza televisión abierta en tiempo real para clientes de medios y retail, y DeepFrame convierte hasta 200 horas de metraje en una base de conocimiento consultable con comprensión visual, de audio y de habla, desplegable en una VPC o en instalaciones propias.

Los modelos de visión-lenguaje de 2024 ya podían seguir una narrativa, así que las empresas querrían hacer consultable el video de formato largo — de ahí una infraestructura sin código y desplegable de forma privada.

Aza Kai y Hiraku Yanagita pasaron casi una década juntos en Google Japón, Kai en cloud/ML/ciencia de datos y Yanagita en marca y soluciones de datos. En Google vieron a clientes acumular petabytes de metraje de transmisión y de cámaras sin lograr responder ni siquiera preguntas básicas sobre él — el etiquetado de objetos existía, pero nadie podía seguir la narrativa, la causalidad ni el contenido de formato largo. Kai dice que los avances de 2021–2023 en modelos de visión-lenguaje cambiaron lo que era posible, y que para 2024 la demanda del mercado era lo bastante clara como para que ambos dejaran la empresa y fundaran InfiniMind (antes SDio) en Tokio, sumándose en el camino a programas como AWS GAIA 2025, GENIAC del METI y NVIDIA Inception.

InfiniMind lanzó su primer producto, TV Pulse, en Japón en abril de 2025: analiza televisión abierta en tiempo real para que empresas de medios y retail puedan seguir la exposición de productos, la presencia de marca, el sentimiento y el impacto de relaciones públicas. Tras pilotos con grandes cadenas y agencias, firmó clientes de pago entre mayoristas y empresas de medios, y DeepTech informó que la plataforma había analizado más de 100.000 horas de contenido. En febrero de 2026 la startup anunció una ronda semilla de 5,8 M$ liderada por UTEC, con la participación de CX2, Headline Asia, Chiba Dojo y un investigador de IA vinculado a a16z Scout; dijo que trasladaría su sede a EE. UU. manteniendo su oficina de ingeniería en Tokio, contrataría más ingenieros y lanzaría su producto insignia DeepFrame — inteligencia de video de formato largo sobre hasta 200 horas de metraje, con comprensión de audio y habla — en beta en marzo de 2026 y con lanzamiento completo en abril de 2026.

La oferta de video sin analizar ya existe en cada archivo y en cada señal de cámara, así que lo que falta desbloquear es el costo y la capacidad de análisis, no la captura de nuevos datos.

El salto de los modelos de visión-lenguaje de 2021–2023 es lo que hizo racional fundar en 2024 — el mismo discurso no habría funcionado dos años antes.

Las restricciones empresariales — privacidad, soberanía de datos, flujos de trabajo sin código, consultas de formato largo — son una ventaja defensiva frente a las API de video de propósito general orientadas a consumidores y prosumidores.

Las cadenas y agencias de Japón conformaron un banco de pruebas compacto donde clientes exigentes pudieron validar la tecnología antes de la expansión a EE. UU.

El control de costos mediante muestreo adaptativo e indexación híbrida apunta a la economía por minuto que hoy mantiene fuera de alcance el análisis de video de formato largo.

La fundación debe esperar a la curva de capacidad: la IA de video solo etiquetó objetos durante años, así que Kai esperó hasta que los modelos de visión-lenguaje pudieran seguir una narrativa — el momento hizo creíble 2024 ante UTEC.

Al 2026-09-02 InfiniMind está activa y financiada con capital semilla: TV Pulse tiene clientes de pago en medios y mayoristas japoneses y más de 100.000 horas analizadas, y la ronda de 5,8 M$ financia el desarrollo de DeepFrame, contrataciones y el traslado de la sede a EE. UU. La beta de DeepFrame estaba prevista para marzo de 2026 y el lanzamiento completo para abril de 2026; no se verificó ningún hito posterior para esta entrada. Con más de 10 empleados en Tokio y colaboradores de la Universidad de Tokio, sostiene que la comprensión multimodal, causal y de formato largo — no el etiquetado a nivel de clip — es el nicho empresarial defendible.