Twelve Labs apuesta a que el video es el fundamento de la IA; ronda Serie B de 100 millones de dólares con Amazon y Nvidia

Twelve Labs desarrolla modelos fundacionales de comprensión de video —Marengo (indexación/recuperación) y Pegasus (razonamiento video-lenguaje)— que se venden mediante API y Amazon Bedrock a empresas que buscan y analizan grandes archivos de video.

El video, no el lenguaje, será el fundamento de la IA: los modelos nativos de video (Marengo, Pegasus) permiten que las máquinas vean, recuerden y razonen sobre material audiovisual como los humanos.

Fundada en 2021 en San Francisco por cinco coreanos liderados por Jae Lee, con la investigación central de IA realizada en Seúl. La observación fundacional: «el mundo no ocurre en texto. Ocurre en movimiento». La financiación semilla alcanzó unos 17 millones de dólares y, en octubre de 2023, Nvidia realizó su primera inversión en una startup coreana de IA generativa, respaldando una pre-Serie A de aproximadamente 10 millones de dólares.

Junio de 2024: una Serie A de 50 millones de dólares codirigida por NVentures de Nvidia y NEA, con la participación de Index Ventures, Radical Ventures, WndrCo y Korea Investment Partners. Los productos maduraron rápido: Marengo-2.6 se lanzó en marzo de 2024 para búsqueda de video de cualquier tipo a cualquier tipo, y Pegasus-1 pasó a beta para el razonamiento video-lenguaje. Diciembre de 2024: SK Telecom invirtió 3 millones de dólares para usar los modelos en su agente de IA y en labores de vigilancia. En julio de 2025, Amazon puso Marengo 2.7 y Pegasus 1.2 totalmente gestionados en Bedrock; para 2026, la recomendación de video de GS Shop construida sobre los modelos duplicó la tasa de clics y elevó la intención de compra 9 veces, y agencias del gobierno de Estados Unidos exploraban inteligencia de video para defensa y seguridad pública.

Sigue en marcha y escalando: una Serie B de 100 millones de dólares anunciada el 2026-07-01 (codirigida por Naver Ventures y NEA, con participación de Amazon) llevó la financiación total por encima de los 207 millones de dólares. El CEO Jae Lee afirma que el objetivo es la «superinteligencia de video» —una IA que vea, recuerde y razone como los humanos—, con oficinas previstas en Nueva York y Londres y una primera aplicación de creación de video con IA, Rodeo, en fase de vista previa.

Twelve Labs eligió el video como tipo de dato primario —no como una segunda modalidad—, argumentando que el texto es una compresión con pérdida de la realidad y que la causalidad vive en la secuencia.

La arquitectura convirtió el video en memoria legible por máquina: el material se comprende una vez, se almacena de forma duradera y se puede direccionar al segundo exacto —justo lo que necesitan las empresas con grandes archivos.

La inversión de Nvidia en 2023 fue la primera validación y la cuña: señaló que la apuesta era creíble antes de que se lanzaran los modelos, y tres años de colaboración condujeron a la Serie B.

La prueba comercial provino de un conjunto reducido —la duplicación de la tasa de clics y la intención de compra 9 veces mayor de GS Shop—, lo que mostró que la plataforma podía monetizarse antes de que llegara la «superinteligencia de video».

Apostar por una modalidad que la mayor parte de la IA ignoraba —el video en lugar del texto— atrajo a Nvidia y Amazon como inversores; la apuesta contraria aún debe convertirse en ingresos empresariales para capitalizarse.

A fecha de 2026-09-02, Twelve Labs ha recaudado más de 207 millones de dólares: la Serie B de julio de 2026 (100 millones de dólares, codirigida por Naver Ventures y NEA con Amazon) financia Marengo, Pegasus y su Video Cognition System. Los ingresos empresariales se concentran en Estados Unidos y Europa, los ingresos de desarrolladores crecen entre un 80 % y un 120 % anual, entre los adoptantes figuran GS Shop y agencias de Estados Unidos, y sus modelos se ejecutan totalmente gestionados en Amazon Bedrock. Planea oficinas en Nueva York y Londres, presentó en vista previa su aplicación de creación de video Rodeo y sigue impulsando modelos de video construidos en Corea como líderes de la emergente era de la inteligencia de video.