A Twelve Labs, uma startup que desenvolve inteligência artificial capaz de compreender vídeos da mesma forma que os modelos de linguagem entendem textos, arrecadou US$ 100 milhões em uma rodada de financiamento da Série B ao apostar que a próxima fronteira da IA está no movimento, e não nas palavras.
A empresa anunciou o financiamento em seu blog em 1º de julho de 2026. A rodada foi liderada pela NEA e NAVER Ventures, com a participação da Amazon ao lado de Radical Ventures, Korea Investment Partners, Index Ventures, Quadrille Capital e Red Bull Ventures. Para uma cobertura mais ampla da indústria de IA que rastreia para onde o capital de risco está fluindo, o acordo ressalta uma convicção crescente entre os investidores de que o vídeo é o próximo grande tipo de dados que a IA deve dominar.
'O mundo não acontece em texto'
O cofundador e executivo-chefe Jae Lee definiu a missão da empresa em termos rígidos. “Há cinco anos, começamos com uma observação simples: o mundo não acontece em texto. Acontece em movimento”, escreveu ele no anúncio.
Em entrevista à Bloomberg News, Lee expandiu a ideia, argumentando que o vídeo “é o sinal de dados mais semelhante que recebemos como humanos para aprender sobre o mundo”. Ele comparou isso com as arquiteturas de IA dominantes do momento, observando que “isso é diferente até mesmo dos modelos de fronteira mais recentes, como Fable 5 e Mythos, que ainda são modelos de linguagem”.
O argumento baseia-se numa lacuna na forma como a IA funciona atualmente. A última década de desenvolvimento da IA, escreveu Lee, “tornou o texto programável”, mas o vídeo ainda não recebeu o mesmo tratamento. Ele descreveu o vídeo do mundo como "principalmente matéria escura para máquinas", guardado em arquivos, em drones e em feeds de satélite, ainda acessado em grande parte "através de nomes de arquivos, pastas, legendas, transcrições e memória humana".
Tornando o vídeo utilizável pelos agentes
O objetivo declarado do Twelve Labs é preencher essa lacuna. “Nosso objetivo é tornar cada segundo de vídeo endereçável, pesquisável e utilizável pelos agentes”, escreveu Lee, apontando para a ascensão dos agentes de IA, sistemas autônomos que podem raciocinar e agir, como o principal impulsionador da demanda.
Se os modelos de linguagem tornassem os documentos pesquisáveis e os geradores de código tornassem a construção de software mais rápida, um modelo de compreensão de vídeo poderia tornar o enorme e inexplorado arquivo de vídeo gravado acessível a sistemas automatizados. Isso tem aplicações em mídia, segurança, veículos autônomos e empresas, em qualquer área onde as decisões dependam da compreensão do que está acontecendo dentro de um stream de vídeo.
Uma categoria lotada, mas distinta
Twelve Labs ocupa um nicho que fica entre duas das categorias mais visíveis em IA. De um lado estão os geradores de vídeo, ferramentas que criam novos vídeos a partir de instruções de texto. Por outro lado, estão grandes modelos de linguagem que processam texto. Em vez disso, o Twelve Labs se concentra na compreensão do vídeo, interpretando o vídeo existente para que as máquinas possam pesquisá-lo, resumi-lo e agir de acordo com ele.
PYMNTS observou que os geradores de vídeo fazem parte de uma nova geração de categorias de software de consumo formadas em torno da IA, juntamente com companheiros de IA, pesquisa conversacional e ferramentas de codificação baseadas em prompts. A abordagem da Twelve Labs visa o lado da oferta dessa tendência, construindo os modelos subjacentes que poderiam tornar o vídeo um tipo de dados de primeira classe para os agentes e aplicativos que estão sendo construídos sobre ele.
Por que os investidores estão apoiando a IA de vídeo
A lista de apoiadores na rodada aponta para os comandos de IA de vídeo de interesse estratégico. A participação da Amazon é notável dado que a divisão de nuvem AWS da empresa é um importante fornecedor de infraestrutura de IA e seus próprios investimentos em serviços de vídeo e mídia. NAVER Ventures, braço de investimentos da gigante sul-coreana da internet, e Radical Ventures, empresa focada em IA, sinalizam interesse global na categoria.
A ronda também reflete um padrão mais amplo no financiamento da IA até meados de 2026, onde os investidores estão a direcionar capital para startups que procuram modalidades de dados para além do texto. Embora os modelos baseados em texto tenham absorvido a maior parte da atenção e do investimento, o vídeo e outras formas de dados ricos e do mundo real são vistos como a próxima arena onde podem ser encontrados avanços e retornos significativos.
O que o financiamento permite
A Twelve Labs não detalhou planos de gastos específicos, mas a escala do aumento, US$ 100 milhões em uma única rodada, sugere um investimento significativo em computação, talento e desenvolvimento de modelos. O treinamento de modelos de compreensão de vídeo é muito mais exigente em termos computacionais do que o treinamento de modelos de texto, dado o tamanho dos arquivos de vídeo, o que aumenta o custo do progresso.
Para Lee, a aposta é que o retorno justifique esse custo. Como ele disse, “o registro mais rico da realidade ainda está em grande parte fora da camada semântica que os sistemas modernos de IA usam”. O novo financiamento da Twelve Labs é uma aposta de que trazer o vídeo para dentro dessa camada será um dos avanços definidores da IA nos próximos anos.
Fontes: PYMNTS, Bloomberg News, blog da empresa Twelve Labs.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
