Twelve Labs aposta que vídeo é a base da IA; Série B de US$ 100 milhões com Amazon e Nvidia

A Twelve Labs desenvolve modelos de fundação para compreensão de vídeo — Marengo (indexação/recuperação) e Pegasus (raciocínio vídeo-linguagem) — vendidos via API e Amazon Bedrock para empresas que buscam e analisam grandes acervos de vídeo.

O vídeo, e não a linguagem, será a base da IA: modelos nativos de vídeo (Marengo, Pegasus) permitem que máquinas assistam, lembrem e raciocinem sobre imagens em movimento como humanos.

Fundada em 2021 em São Francisco por cinco coreanos liderados por Jae Lee, com a pesquisa central de IA realizada em Seul. A observação fundadora: 'o mundo não acontece em texto. Acontece em movimento.' O financiamento semente chegou a cerca de US$ 17 milhões e, em outubro de 2023, a Nvidia fez seu primeiro investimento em uma startup coreana de IA generativa, apoiando uma pré-Série A de aproximadamente US$ 10 milhões.

Junho de 2024: uma Série A de US$ 50 milhões co-liderada pela NVentures, da Nvidia, e pela NEA, com participação de Index Ventures, Radical Ventures, WndrCo e Korea Investment Partners. Os produtos amadureceram rápido: o Marengo-2.6 foi lançado em março de 2024 para busca de vídeo any-to-any, e o Pegasus-1 entrou em beta para raciocínio vídeo-linguagem. Dezembro de 2024: a SK Telecom investiu US$ 3 milhões para usar os modelos em seu agente de IA e em trabalhos de vigilância. Em julho de 2025, a Amazon tornou o Marengo 2.7 e o Pegasus 1.2 totalmente gerenciados no Bedrock; até 2026, a recomendação de vídeo da GS Shop construída sobre os modelos dobrou a taxa de cliques e elevou a intenção de compra em 9 vezes, e agências do governo dos EUA exploravam inteligência de vídeo para defesa e segurança pública.

Ainda em operação e em expansão: uma Série B de US$ 100 milhões anunciada em 2026-07-01 (co-liderada por Naver Ventures e NEA, com participação da Amazon) elevou o financiamento total para além de US$ 207 milhões. O CEO Jae Lee diz que o objetivo é a 'superinteligência de vídeo' — uma IA que assiste, lembra e raciocina como humanos —, com escritórios planejados em Nova York e Londres e um primeiro aplicativo de criação de vídeo por IA, o Rodeo, em prévia.

A Twelve Labs escolheu o vídeo como tipo de dado primário — não como segunda modalidade —, argumentando que o texto é uma compressão com perdas da realidade e que a causalidade vive na sequência.

A arquitetura tornou o vídeo uma memória legível por máquina: as imagens são compreendidas uma vez, armazenadas de forma durável e endereçáveis ao segundo exato — exatamente o que empresas com grandes acervos realmente precisam.

O investimento da Nvidia em 2023 foi a primeira validação e a cunha: sinalizou que a aposta era crível antes de os modelos serem lançados, e três anos de colaboração levaram à Série B.

A prova comercial veio de um conjunto restrito — a taxa de cliques dobrada e a intenção de compra 9 vezes maior da GS Shop —, mostrando que a plataforma podia monetizar antes de a 'superinteligência de vídeo' chegar.

Apostar em uma modalidade que a maior parte da IA ignorava — vídeo em vez de texto — atraiu Nvidia e Amazon como apoiadoras; a aposta contrária ainda precisa se converter em receita empresarial para se compor.

Em 2026-09-02, a Twelve Labs havia captado mais de US$ 207 milhões: a Série B de julho de 2026 (US$ 100 milhões, co-liderada por Naver Ventures e NEA com a Amazon) financia o Marengo, o Pegasus e seu Video Cognition System. A receita empresarial está concentrada nos EUA e na Europa, a receita de desenvolvedores cresce de 80% a 120% ao ano, os adotantes incluem a GS Shop e agências dos EUA, e seus modelos rodam totalmente gerenciados no Amazon Bedrock. A empresa planeja escritórios em Nova York e Londres, apresentou em prévia seu aplicativo de criação de vídeo Rodeo e continua impulsionando modelos de vídeo construídos na Coreia como líderes da emergente era da inteligência de vídeo.