Twelve Labs, ein Startup, das künstliche Intelligenz entwickelt, die Videos so verstehen kann, wie Sprachmodelle Texte verstehen, hat in einer Finanzierungsrunde der Serie B 100 Millionen US-Dollar eingesammelt und setzt darauf, dass die nächste Grenze der KI eher in der Bewegung als in den Worten liegt.
Das Unternehmen kündigte die Finanzierung am 1. Juli 2026 in seinem Blog an. Die Runde wurde von NEA und NAVER Ventures angeführt, an der sich Amazon neben Radical Ventures, Korea Investment Partners, Index Ventures, Quadrille Capital und Red Bull Ventures beteiligte. Für die breitere KI-Branchenberichterstattung zur Verfolgung, wohin Risikokapital fließt, unterstreicht der Deal die wachsende Überzeugung unter Investoren, dass Video der nächste große Datentyp ist, den KI beherrschen muss.
„Die Welt passiert nicht im Text“
Mitbegründer und CEO Jae Lee formulierte die Mission des Unternehmens in deutlichen Worten. „Vor fünf Jahren begannen wir mit einer einfachen Beobachtung: Die Welt geschieht nicht in Texten. Sie geschieht in Bewegung“, schrieb er in der Ankündigung.
In einem Interview mit Bloomberg News erläuterte Lee die Idee und argumentierte, dass Videos „die ähnlichsten Signaldaten sind, die wir als Menschen erhalten, um etwas über die Welt zu lernen“. Er verglich dies mit den derzeit vorherrschenden KI-Architekturen und stellte fest, dass „diese sich sogar von den neuesten Grenzmodellen wie Fable 5 und Mythos unterscheiden, bei denen es sich immer noch um Sprachmodelle handelt.“
Das Argument beruht auf einer Lücke in der derzeitigen Funktionsweise der KI. Das letzte Jahrzehnt der KI-Entwicklung, schrieb Lee, habe „Text programmierbar gemacht“, aber Video habe noch nicht die gleiche Behandlung erfahren. Er beschrieb die Videos der Welt als „größtenteils dunkle Materie für Maschinen“, die in Archiven, auf Drohnen und in Satellitenübertragungen schlummern und immer noch größtenteils „über Dateinamen, Ordner, Bildunterschriften, Transkripte und das menschliche Gedächtnis“ zugänglich seien.
Video für Agenten nutzbar machen
Das erklärte Ziel von Twelve Labs ist es, diese Lücke zu schließen. „Unser Ziel ist es, jede Sekunde des Videos für Agenten adressierbar, durchsuchbar und nutzbar zu machen“, schrieb Lee und verwies auf den Aufstieg von KI-Agenten, autonomen Systemen, die schlussfolgern und Maßnahmen ergreifen können, als Haupttreiber der Nachfrage.
Wenn Sprachmodelle Dokumente durchsuchbar machten und Codegeneratoren die Erstellung von Software beschleunigten, könnte ein Videoverständnismodell das riesige und weitgehend unerschlossene Archiv aufgezeichneter Videos für automatisierte Systeme zugänglich machen. Das hat Anwendungen in den Bereichen Medien, Sicherheit, autonome Fahrzeuge und Unternehmen, also in allen Bereichen, in denen Entscheidungen davon abhängen, zu verstehen, was in einem Videostream passiert.
Eine überfüllte, aber eigenständige Kategorie
Twelve Labs besetzt eine Nische, die zwischen zwei der sichtbarsten Kategorien in der KI liegt. Auf der einen Seite stehen Videogeneratoren, Tools, die aus Textaufforderungen neue Videos erstellen. Auf der anderen Seite stehen große Sprachmodelle, die Text verarbeiten. Twelve Labs konzentriert sich stattdessen auf das Videoverständnis und die Interpretation vorhandener Videos, damit Maschinen sie durchsuchen, zusammenfassen und darauf reagieren können.
PYMNTS stellte fest, dass Videogeneratoren neben KI-Begleitern, Konversationssuche und aufforderungsbasierten Codierungstools Teil einer neuen Generation von Verbrauchersoftwarekategorien sind, die sich rund um KI bilden. Der Ansatz von Twelve Labs zielt auf die Angebotsseite dieses Trends ab und erstellt die zugrunde liegenden Modelle, die Video zu einem erstklassigen Datentyp für die darauf aufbauenden Agenten und Anwendungen machen könnten.
Warum Investoren Video-KI unterstützen
Die Liste der Unterstützer in der Runde weist auf die Video-KI-Befehle von strategischem Interesse hin. Die Beteiligung von Amazon ist bemerkenswert, da die AWS-Cloud-Abteilung des Unternehmens ein wichtiger Anbieter von KI-Infrastruktur und eigenen Investitionen in Video- und Mediendienste ist. NAVER Ventures, der Investmentzweig des südkoreanischen Internetgiganten, und Radical Ventures, ein auf KI spezialisiertes Unternehmen, signalisieren weltweites Interesse an dieser Kategorie.
Die Runde spiegelt auch ein breiteres Muster bei der KI-Finanzierung bis Mitte 2026 wider, bei dem Investoren Kapital in Start-ups lenken, die Datenmodalitäten über den Text hinaus verfolgen. Während textbasierte Modelle den Löwenanteil der Aufmerksamkeit und Investitionen auf sich gezogen haben, gelten Videos und andere Formen umfangreicher, realer Daten als der nächste Bereich, in dem bedeutende Durchbrüche und Erträge erzielt werden können.
Was die Finanzierung ermöglicht
Twelve Labs machte keine Angaben zu konkreten Ausgabenplänen, aber der Umfang der Kapitalerhöhung, 100 Millionen US-Dollar in einer einzigen Runde, lässt auf erhebliche Investitionen in Rechenleistung, Talente und Modellentwicklung schließen. Das Training von Video-Verständnismodellen ist aufgrund der schieren Größe der Videodateien weitaus rechenintensiver als das Training von Textmodellen, was die Kosten für den Fortschritt erhöht.
Für Lee geht es darum, dass die Auszahlung diese Kosten rechtfertigt. Wie er es ausdrückte: „Die umfassendsten Aufzeichnungen der Realität liegen immer noch weitgehend außerhalb der semantischen Schicht, die moderne KI-Systeme verwenden.“ Die neue Finanzierung von Twelve Labs ist eine Wette darauf, dass die Integration von Video in diese Ebene einer der entscheidenden KI-Fortschritte der kommenden Jahre sein wird.
Quellen: PYMNTS, Bloomberg News, Unternehmensblog von Twelve Labs.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →
