Vektordatenbanken im Vergleich 2026: Pinecone vs. Qdrant vs. Weaviate vs. Milvus vs. pgvector

Im August 2026 entscheidet über die Qualität von RAG-Pipelines (Retrieval Augmented Generation) und KI-Agenten längst nicht mehr das Modell, sondern die Retrieval-Schicht. Sie können das beste LLM anbinden, das es gibt – wenn die Belegdokumente nicht sauber gefunden werden, bricht die Antwort in sich zusammen. Deshalb lautet die Frage beim Vergleich von Vektordatenbanken 2026 nicht mehr „Was ist am schnellsten?”, sondern „Was passt zu unserem Datenstandort, unserer Betriebsmannschaft und unseren Anforderungen an die Hybridsuche?”. Dieser Artikel stellt Pinecone, Qdrant, Weaviate, Milvus (Zilliz) und pgvector gegenüber – ausschließlich auf Grundlage offizieller Dokumentationen und offizieller Preisseiten.

Der Zeitpunkt ist dabei bemerkenswert. Milvus 3.0 wurde am 27. Juli 2026 angekündigt, der Release-Tag folgte am 29. Juli. Zum Zeitpunkt dieses Artikels ist die Nachricht also keine Woche alt, und das Konzept heißt „Lake-Native”: Parquet-, Iceberg-, Lance- und Vortex-Tabellen, die ohnehin schon im Object Storage liegen, werden direkt durchsucht, ohne sie in die Vektordatenbank zu kopieren. Für Organisationen, die bereits einen Data Lake betreiben, fällt damit die Grundannahme weg, man müsse zuerst eine komplett neue Ingest-Pipeline bauen.

Zur gleichen Zeit gab es bei pgvector eine deutlich dringlichere Nachricht: CVE-2026-3172 – eine Schwachstelle, bei der beim parallelen HNSW-Indexaufbau durch einen Integer-Wraparound ein Pufferüberlauf entsteht. Betroffen sind alle Versionen von 0.6.0 bis 0.8.1, behoben wurde sie in 0.8.2. Und obwohl diverse Blogs von „pgvector 0.9” schreiben: 0.9 existiert nicht. Stand 2. August 2026 ist 0.8.6 (29.07.2026) die aktuelle Version. Dieser Artikel korrigiert solche falsch kursierenden Angaben eine nach der anderen anhand der offiziellen Werte.

Im Folgenden geht es der Reihe nach um die große Vergleichstabelle aller fünf Kandidaten, einen Deep Dive zu jedem Produkt, einen ehrlichen Umgang mit dem Thema Performance, einen vollständigen Preisvergleich nach offiziellen Angaben, Empfehlungen nach Anwendertyp, Praxistipps samt typischen Fehlern und schließlich die FAQ. Statt plausibel klingende Benchmark-Zahlen aneinanderzureihen, gilt hier die Regel: Nur belegte Werte werden als Zahlen genannt, und alles Unbelegte wird als unbelegt gekennzeichnet. Genau das ist bei einer echten Auswahlentscheidung deutlich wertvoller.

1. Executive Summary: die fünf großen Vektordatenbanken im August 2026 auf einen Blick

Für KI-Engineers und Tech-Leads ohne Zeit: Designphilosophie, aktuelle Version, Preisstruktur, Gratis-Tarif sowie Stärken und Schwächen aller fünf Systeme – komprimiert in einer Tabelle.

📊 Große Vergleichstabelle der fünf Top-Vektordatenbanken (August 2026)

Das Erste, was in dieser Tabelle ins Auge fallen sollte, ist die letzte Zeile. Die fünf Systeme sind weniger Konkurrenzprodukte als vielmehr Antworten auf unterschiedliche Ausgangslagen von Organisationen. Wer bereits Postgres einsetzt und unter zehn Millionen Vektoren bleibt, für den ist pgvector faktisch der Standardwert – und die Einführung einer separaten Vektordatenbank bedeutet, sich mit Betriebspersonal und Synchronisationspipeline freiwillig neue Kosten zu schaffen.

2. Die Kernfunktionen der fünf Vektordatenbanken im Deep Dive

🌲 1) Pinecone – der Referenzpunkt für vollständig verwaltetes Serverless

• Serverless ist der uneingeschränkte Standard: Die früheren Pod-basierten Indizes sind Legacy, heute führt der Standardweg über Serverless. Dass man sich weder um Node-Sizing noch um Sharding oder Rebalancing kümmern muss, ist die eigentliche Daseinsberechtigung von Pinecone. Für Teams ohne Infrastruktur-Engineer wiegt dieser eine Satz sämtliche anderen Vergleichspunkte auf.
• Alle drei Indextypen komplett serverless: Unterstützt werden dense, sparse und Volltext; der Volltextindex nutzt BM25 und die Lucene-Query-Syntax. Die veraltete Information „Sparse gibt es nur mit Pods” kursiert immer noch, stimmt aber nicht. Alle drei laufen serverless.
• Eigene Embedding- und Reranking-Modelle: Für Sparse-Embeddings stellt Pinecone pinecone-sparse-english-v0 bereit, als Reranker kommt bge-reranker-v2-m3 zum Einsatz. Im Free- und im Builder-Tarif steht ausschließlich dieser Reranker zur Verfügung, das vollständige Modellangebot gibt es ab Standard.
• Harte Limits, deren Kenntnis Unfälle verhindert – Teil 1: allgemeine Indizes: Metadaten pro Record 40 KB, top_k maximal 10.000, Ergebnisgröße pro Query maximal 4 MB, und die Metadatenfilter $in/$nin erlauben höchstens 10.000 Werte pro Operator. Wer für das Reranking großzügig Kandidaten aus einem Dense-Index zieht, hat also deutlich mehr Spielraum, als die meisten Artikel nahelegen.
• Harte Limits – Teil 2: ausschließlich für Sparse-Indizes: Für Sparse-Indizes gilt ein eigener, erheblich strengerer Satz an Grenzen: maximal 1.000 Nicht-Null-Werte pro Sparse-Vektor (das allgemeine Sparse-Vektor-Limit liegt bei 2.048), top_k maximal 1.000, 10 Upserts/Sekunde und 100 QPS bei Queries. Viele Vergleichsartikel übernehmen diese Sparse-Werte, als wären es Pinecones globale Limits – die Obergrenze von 1.000 bei top_k gilt nur für Sparse-Indizes, allgemein sind es 10.000. Was tatsächlich an der Sparse-Geschwindigkeit hängt, ist der Zeitplan für den initialen Massenimport.
• Die Neuerung 2026: Zwischen Starter und Standard klaffte eine Lücke, die nun der neue Pauschaltarif Builder für 20 $/Monat schließt. Er zielt genau auf jene Einzelentwickler und kleinen Teams, denen der Gratis-Tarif nicht reicht, die aber vor nutzungsbasierter Abrechnung zurückschrecken.

🦀 2) Qdrant – Rust-basiert und mit echtem Ehrgeiz bei der Speichereffizienz

• TurboQuant halbiert den Speicherbedarf: Das in v1.18.0 (11.05.2026) eingeführte TurboQuant ist ein von Google Research entwickeltes Quantisierungsverfahren. Es wendet eine schnelle Hadamard-Rotation auf die Vektoren an, verteilt die Werte dadurch gleichmäßig über alle Koordinaten und komprimiert anschließend. Nach Qdrants eigenen Messungen spart das im Vergleich zur skalaren Quantisierung (SQ) den doppelten Speicher bei vergleichbarem Recall und ähnlicher Geschwindigkeit. Möglich ist eine Kompression von bis zu Faktor 8. Da ein erheblicher Teil der Kosten einer Vektordatenbank auf RAM entfällt, ist das kein bloßes Feature, sondern eine Änderung, die direkt auf der Rechnung landet.
• Mehr Observability für den Betrieb: Dasselbe v1.18 bringt eine Web-UI und eine API für das Speicher-Monitoring, die Disk-, RAM- und Page-Cache-Nutzung einer Collection aufgeschlüsselt nach Vektor-, Payload- und Index-Komponenten anzeigen. Die Frage „Warum verbraucht das so viel Speicher?” lässt sich nun nachsehen statt raten. Ebenfalls neu: eine API zum Abfragen des Audit-Logs sowie Request-Tracing-IDs.
• Schemaänderungen ohne Ausfallzeit: Named Vectors lassen sich hinzufügen und entfernen, ohne die Collection neu anzulegen. Für Teams, die ihr Embedding-Modell wechseln oder mit Multivektoren experimentieren, entfallen damit die kompletten Kosten einer Neubefüllung.
• Hybridsuche als First-Class-Citizen: Seit v1.7 gibt es native Sparse-Vektoren, sodass dense und sparse in derselben Collection liegen können und die Query-API beides in einer einzigen Abfrage per RRF oder gewichteter linearer Fusion zusammenführt.
• Bestand des Anbieters: Am 12. März 2026 folgte eine Series B über 50 Mio. $, womit insgesamt 87,8 Mio. $ eingesammelt sind (angeführt von Advance Venture Partners, mit Bosch Ventures als neuem Investor). Relevant ist das nur für die Frage, ob es den Anbieter in einigen Jahren noch gibt – ein Argument über das Produkt ist es nicht.
• Und worauf verzichtet man dafür? – Qdrants Trade-offs: Weil die Stärken auf Effizienz im Einzelnode konzentriert sind, hat Milvus jenseits von 100 Millionen Vektoren die dickere Architektur und die belastbareren Betriebserfahrungen beim verteilten Scale-out. Und da die offizielle Preisseite keine Stückpreise nennt, lässt sich vor der Entscheidung keine belastbare Monatssumme kalkulieren – Sie müssen im Konsolen-Konfigurator eine Spezifikation bauen oder ein Vertriebsangebot einholen. In Organisationen mit strengem Budgetfreigabeprozess ist diese Reibung größer, als sie klingt.
• Auch die vorherigen Releases hatten Substanz: v1.17 (Februar 2026) brachte Relevance-Feedback-Queries und geringere Suchlatenzen, v1.16 hierarchische Mandantenfähigkeit (Tenant Promotion) sowie verbesserte gefilterte Vektorsuche auf ACORN-Basis. Der aktuelle Patch ist v1.18.3 (17.07.2026).

🕸️ 3) Weaviate – die am längsten erprobte Hybridsuche

• Hybrid per einzelnem alpha-Wert steuern: Das native BM25-Modul und die dichten Vektoren werden über den einzelnen Query-Parameter alpha fusioniert. Dass sich mit einem einzigen Zeichen im Code verschieben lässt, ob das Gewicht eher auf Keywords oder eher auf semantischer Suche liegt, ist in der Praxis – wo Tuning immer iterativ passiert – ein größerer Vorteil, als es zunächst klingt. Unter den fünf Kandidaten betreibt Weaviate die Hybridsuche am längsten produktiv.
• Mandantenfähigkeit als Kernfunktion: Die Kombination aus Tenant-Isolation und Hybridsuche ist die eigentliche Stärke – und passt damit ganz natürlich zu B2B-SaaS, das Kundendaten strikt trennen muss.
• Die Praxisfeatures aus v1.35: Object TTL (automatischer Ablauf von Objekten) räumt alte Dokumente selbsttätig auf, dazu kamen zstd-Kompression, Flat Index + RQ-Quantisierung als GA (in 1.34 noch Preview), zur Laufzeit konfigurierbare OIDC-Zertifikate und Operational Modes, mit denen sich pro Node steuern lässt, welche Arten von Aufgaben dort laufen dürfen.
• Dokumentbilder direkt einbetten: Das Modul multi2multivec-weaviate aus v1.35 unterstützt multimodale Dokument-Embeddings: Dokumentbilder werden eingebettet und lassen sich anschließend per Textquery durchsuchen. Wer gescannte PDFs, Tabellen oder layoutlastige Dokumente ohne vorgeschaltete OCR-Pipeline verarbeiten will, sollte sich das ansehen.
• Die Support-Politik ist streng: Bug- und Sicherheitspatches erhalten nur die letzten drei Minor-Versionen (1.36 / 1.37 / 1.38). Aktuell ist v1.38.x (05.06.2026), davor liegen v1.37.x (16.04.2026), v1.36.x (24.02.2026), v1.35.x (17.12.2025) und v1.34.x (05.11.2025). Die Angewohnheit, Versionen jahrelang liegen zu lassen, funktioniert hier nicht.

🐦 4) Milvus / Zilliz – verteilte Größe und der Auftritt von „Lake-Native”

• Milvus 3.0 mit dem Konzept Lake-Native: Angekündigt am 27. Juli 2026, Release am 29. Juli. Kern ist die Lake-Native-Indizierung: Daten, die in offenen Tabellenformaten im Object Storage liegen (Parquet / Lance / Iceberg / Vortex), lassen sich über „Zero-Copy External Collections” durchsuchen, ohne sie in die Vektordatenbank zu kopieren. Das heißt: Die gängige Praxis, per ETL zweistellige Terabyte-Mengen zu duplizieren, entfällt.
• Loon – die neue Storage-Engine: Eine neue, manifestbasierte Storage-Engine mit dem Ziel, die Read Amplification deutlich zu senken, die bei latenzarmen Point-Access-Zugriffen auf Object Storage entsteht. Standard-Speicherformat ist Vortex.
• Suche und Ranking wandern in die Engine: Über die reine Nearest-Neighbor-Suche hinaus verarbeitet die Engine nun Rich Ranking, Aggregationen, Sparse-Suche und Multivektor-Suche intern. Dazu kamen SINDI für Learned-Sparse-Vektoren, serverseitige MinHash-Erzeugung, nullable Vektorfelder, benutzerdefinierte Wörterbücher für die Volltextsuche sowie eine erweiterte Unterstützung Faiss-kompatibler Indizes. Ebenfalls enthalten: Snapshots (kopierfreie Point-in-Time-Sichten auf Collections) und eine Spark-Anbindung.
• Milvus 2.6 bleibt hochaktiv: Mit dem eigenen cloud-nativen WAL namens Woodpecker wurde die Abhängigkeit von Kafka und Pulsar beseitigt. Dank Zero-Disk-Design werden sämtliche Logs in Object Storage wie S3, GCS oder MinIO persistiert, und ab 2.6 ist das WAL optional. Neu hinzugekommen ist der Streaming Node, der mit Query- und Data-Nodes zusammenarbeitet; verbessert wurden außerdem Tiered Storage, die RaBitQ-Quantisierung, die Volltextsuche und die Mandantenfähigkeit. Der Anbieter wirbt mit 72 % weniger Speicherbedarf bei gleichbleibendem Recall und vierfacher Performance gegenüber Elasticsearch – dabei sollte man im Kopf behalten, dass es sich um Messwerte von Milvus (Zilliz) selbst handelt.
• Was sich zuletzt beim verwalteten Zilliz Cloud getan hat: Zum 1. Januar 2026 wurden die Speicherpreise über AWS, Azure und GCP hinweg einheitlich auf 0,04 $/GB/Monat vereinheitlicht. Mit der Einführung von Cross-Region- und Cross-Cloud-Datentransfers werden Transferkosten ohne Aufschlag zum Einkaufspreis des Providers durchgereicht. Milvus 2.6.x ist seit dem 20. Januar 2026 auf Zilliz Cloud allgemein verfügbar (GA), und laut Zilliz’ eigenen Angaben erreicht der mehrstufige Speicher im Produktivbetrieb eine Cache-Trefferquote von über 90 % und bis zu 87 % geringere Speicherkosten.
• Auch die Betriebswerkzeuge werden überarbeitet: Mit Attu 3.0 Beta (Juli 2026) kamen Multi-Cluster-Verwaltung, KI-Agenten und eine komplett neu geschriebene Konsole.

🐘 5) pgvector – die stärkste Option lautet „gar keine neue Datenbank einführen”

• Prüfen Sie zuerst die Version: Aktuell ist 0.8.6 (29.07.2026). „pgvector 0.9” existiert nicht. Zahlreiche Tech-Blogs geben das falsch an – prüfen Sie es also, bevor Sie es in die interne Dokumentation kopieren.
• 🔴 CVE-2026-3172 – das müssen Sie sofort prüfen: Beim parallelen HNSW-Indexaufbau entsteht durch einen Integer-Wraparound ein Pufferüberlauf. Betroffen sind 0.6.0 bis 0.8.1, behoben ist es in 0.8.2. Ein Datenbanknutzer, der HNSW-Indizes mit parallelen Workern anlegen oder per REINDEX neu aufbauen darf, kann damit sensible Daten aus anderen Relationen auslesen oder den Datenbankserver zum Absturz bringen. Falls ein sofortiger Patch nicht möglich ist, deaktivieren Sie als Übergangsmaßnahme den parallelen HNSW-Build mit max_parallel_maintenance_workers = 0.
• Die Releases 2026 kommen dicht getaktet: In 0.8.3 (17.06.2026) wurden eine mögliche Indexbeschädigung beim HNSW-Vacuuming sowie Performanceeinbußen bei Distanzberechnungen unter PostgreSQL 18 behoben; 0.8.4 (30.06.2026) korrigierte Fehlermeldungen beim HNSW-Vacuuming, Probleme bei Inserts während Wartungsvorgängen und eine überhöhte Speicherzuweisung beim IVFFlat-Build. 0.8.5 (08.07.2026) senkte den Speicherbedarf beim IVFFlat-Indexaufbau für kleine Datensätze, und 0.8.6 behob einen Pufferüberlauf beim IVFFlat-Build auf 32-Bit-Systemen, die Begrenzung der Nicht-Null-Anzahl bei der Konvertierung von Array zu sparsevec sowie den Speicherverbrauch von IVFFlat-Scans bei Nested-Loop-Joins. Dass Bugfixes derart Schlag auf Schlag folgen, ist zugleich ein Signal für hohe reale Produktionsnutzung.
• Zwei Indextypen: HNSW und IVFFlat: HNSW bietet einen exzellenten Trade-off zwischen Geschwindigkeit und Recall, baut aber langsamer und verbraucht mehr Speicher. IVFFlat baut schnell und ist genügsam. Wenn Sie beim parallelen HNSW-Build maintenance_work_mem erhöhen, müssen Sie den Shared Memory mindestens im selben Umfang mitwachsen lassen, sonst kommt es zu Fehlern. PostgreSQL 18 wird ab 0.8.1 (04.09.2025) unterstützt.
• Die größte Schwäche ist Hybrid: Eine Hybridsuche ist nicht eingebaut. Sie müssen Volltextsuche über tsvector und Vektordistanz getrennt ermitteln und anschließend im Anwendungscode selbst fusionieren (etwa per RRF). Das ist der aufwendigste Punkt unter allen fünf Kandidaten – und dieser eine Punkt ist der häufigste Grund für den Wechsel zu einer dedizierten Vektordatenbank.
• Wenn Sie noch mehr Leistung herausholen wollen: pgvectorscale 0.9.0 von Timescale ist eine separate Erweiterung, die auf pgvector aufsetzt; hinzugekommen ist PG18-Unterstützung, PG13-Unterstützung wurde entfernt, und nebenläufige (concurrent) Index-Builds werden unterstützt. Wenn Sie wissen möchten, welche Optionen Postgres selbst bietet, liefert Ihnen der Artikel PostgreSQL, MySQL und MongoDB im Datenbankvergleich das Gesamtbild des Stacks.

3. Performance-Benchmarks: ehrlich gesagt lautet die Antwort „Messen Sie selbst”

Falls Sie an dieser Stelle eine beeindruckende QPS-Tabelle erwartet haben, sei es vorweggenommen: Stand August 2026 existiert kein belastbarer, gegengeprüfter Benchmark, der diese fünf Systeme unter identischen Bedingungen vergleicht. Deshalb erstellen wir hier keine Tabelle. Täten wir es, wäre sie schlicht gelogen.

Wie stark sich die kursierenden Zahlen widersprechen, macht das Problem schnell greifbar. Dieselbe Quelle, die im selben Absatz für Qdrant bei 50 Millionen Vektoren 41,47 QPS angibt, nennt für pgvectorscale 471 QPS. Das ist ein Faktor 10 – und weder Hardware noch Indexparameter sind angegeben. Auch bei der p99-Latenz stehen eine Quelle mit „bei 10 Millionen Vektoren rund 12 ms für Qdrant, rund 16 ms für Weaviate, rund 18 ms für Milvus” und eine andere mit „Qdrant unter 8 ms” unvermittelt nebeneinander. Eindrucksvoll klingende Sätze wie „Pinecone bei 1 Mrd. Vektoren 50 ms p95 / 10.000 QPS gegenüber Qdrant 20 ms p95 / 15.000 QPS” führen bei der Quellenverfolgung sämtlich auf einen einzigen SEO-Blog zurück – Rahmenbedingungen: nirgends.

[Qualitative Einschätzung nach Architekturstärken – Tendenzen, keine Messwerte]
Qdrant   : ⭐⭐⭐⭐⭐ Latenz auf einzelnem Node (Rust + SIMD-optimiertes HNSW)
Milvus   : ⭐⭐⭐⭐⭐ Durchsatz bei sehr großen Datenmengen (verteilt, 100 Mio.+ Vektoren)
Weaviate : ⭐⭐⭐⭐☆ Optimiert für hybride Workloads (QPS-Einbruch bei schweren Filtern)
Pinecone : ⭐⭐⭐⭐☆ Stabile Leistung ohne Betriebsaufwand (wenig Tuning-Spielraum)
pgvector : ⭐⭐⭐☆☆ Bis in den Millionenbereich praktisch ebenbürtig zu Spezial-DBs

Präziser ist es deshalb, statt über Zahlen über die Tendenzen der Architekturen zu sprechen. Qdrant gilt dank Rust-basiertem HNSW mit SIMD-Optimierung als stark bei der Latenz auf einzelnen Nodes. Milvus ist durch seine verteilte Architektur im Durchsatz jenseits von 100 Millionen Vektoren im Vorteil. Weaviate ist auf hybride Workloads optimiert, zeigt aber berichteten Angaben zufolge sinkende QPS, sobald die Metadatenfilter schwerer werden. Für pgvector gilt allgemein die Einschätzung, dass es mit HNSW-Index im Millionenbereich praktisch ebenbürtig zu dedizierten Vektordatenbanken ist.

Anbieter-eigene Benchmarks haben durchaus Referenzwert – solange die Quelle genannt wird. Die 72 % Speicherersparnis und die vierfache Leistung gegenüber Elasticsearch bei Milvus 2.6 sind Messungen von Zilliz selbst, ebenso die über 90 % Cache-Trefferquote und bis zu 87 % geringeren Speicherkosten des mehrstufigen Speichers in Zilliz Cloud. Und auch Qdrants halbierter Speicherbedarf gegenüber SQ sowie die bis zu achtfache Kompression von TurboQuant stammen aus eigenen Messungen. Alle drei Werte darf man ungefähr wie eine Herstellerangabe zum Kraftstoffverbrauch lesen. Zur Einordnung: Milvus 3.0 ist erst eine Woche alt, unabhängige Benchmarks existieren also noch gar nicht. Wenn ein Artikel Ihnen jetzt schon Performancezahlen zu 3.0 präsentiert, dürfen Sie die Quelle getrost hinterfragen.

Die praktische Antwort auf dieses Kapitel lautet folglich schlicht: Lassen Sie ANN-Benchmarks oder VectorDBBench mit Ihren Embeddings, Ihrer Dimensionszahl, Ihren Filterbedingungen und Ihrer Hardware laufen. 1536 Dimensionen und 384 Dimensionen sind zwei völlig verschiedene Spiele, und sobald Metadatenfilter ins Spiel kommen, kippt die Rangfolge häufig komplett. Eine Architektur, die auf fremden Benchmarks basiert, wird meist schon im ersten Produktionsmonat zur Reue.

4. Tarife und Preise im vollständigen Vergleich

Der Preis ist der Bereich, in dem es beim Vergleich von Vektordatenbanken die meisten Missverständnisse gibt. Vor allem bei Pinecones Read- und Write-Unit-Preisen weichen die überall zitierten Werte um rund den Faktor 2 von der offiziellen Seite ab. Alles Folgende basiert ausschließlich auf den offiziellen Preisseiten.

[Einstiegshürde bei den Bezahltarifen – sortiert nach monatlichem Minimum]
pgvector          : 0 $         (Open Source, nur Postgres-Hostingkosten)
Pinecone Builder  : 20 $/Monat  (Pauschale, inkl. 10 GB Storage)
Weaviate Flex     : ab 45 $/Mon.(PAYG, mit der Reform 10/2025 von 25 $ erhöht)
Pinecone Standard : 50 $/Monat  (Mindestumsatz – keine Pauschale)
Weaviate Premium  : ab 400 $/Mon. (Vorauszahlungsvertrag)
Pinecone Enterprise: 500 $/Monat (Mindestumsatz, 99,95 % SLA)
Qdrant / Zilliz   : nutzungsbasiert – keine öffentlichen Preise, Anfrage nötig

💰 Offizielle Preistabelle von Pinecone

Viele Vergleichsartikel geben Pinecones Read Unit mit 8,25 $ pro 1 Mio. und die Write Unit mit 2,00 $ pro 1 Mio. an. Offiziell gelten für Standard jedoch 16–18 $ pro 1 Mio. RU und 4–4,50 $ pro 1 Mio. WU. Wer sein Budgetmodell auf diesen falschen Zahlen aufgebaut hat, bekommt am Ende eine doppelt so hohe Rechnung wie erwartet. Wann genau die Preise angehoben wurden, ist offiziell nicht belegt – merken Sie sich daher besser „so lauten die aktuellen offiziellen Preise”, statt kategorisch von einer Erhöhung zu sprechen.

💰 Offizielle Preistabelle von Weaviate

Was man bei Weaviate unbedingt verstehen muss: Abgerechnet wird pro einer Million Dimensionen. Die Berechnung erfolgt also nicht über die Anzahl der Vektoren, sondern über Vektoranzahl × Dimensionszahl. Wer ein Embedding-Modell mit 1536 Dimensionen nutzt, zahlt bei identischer Dokumentzahl das Vierfache gegenüber einem 384-dimensionalen Modell. Die Wahl des Embedding-Modells ist hier also unmittelbar eine Infrastrukturkostenentscheidung. Hinzu kommt: Im Oktober 2025 wurde die Preisstruktur komplett überarbeitet, die bisherigen Serverless- und Enterprise-Stufen wurden abgeschafft und durch das Flex/Premium-System ersetzt, wobei der Einstiegspreis von 25 $ auf 45 $ stieg. Zur Klarstellung: Die in manchen Artikeln erwähnte Stufe „Plus 280 $” existiert auf der offiziellen Seite nicht. Die kostenlose Sandbox umfasst 100.000 Objekte / 1 GB Speicher / 10 GB Disk / 1 Collection / maximal 3 Mandanten; Dedicated unterstützt rund 40 Regionen bei den großen Cloud-Anbietern, während die unteren Stufen regional eingeschränkt sind.

💰 Qdrant, Zilliz und pgvector

Nun zu den versteckten Kosten. Erstens: Keiner der fünf Anbieter hat eine offizielle Preisliste in Euro – und ebenso wenig in koreanischen Won oder anderen Landeswährungen. Abgerechnet wird durchweg in US-Dollar, Wechselkursschwankungen schlagen also unmittelbar aufs Budget durch, und jede „X Euro im Monat”-Angabe, die Ihnen irgendwo begegnet, ist eine private Umrechnung und kein offizieller Preis. Zweitens: „Mindestumsatz” und „Pauschale” sind zwei völlig verschiedene Dinge. Die 50 $ bei Pinecone Standard sind keine Flatrate, sondern ein Mindestumsatz – steigt der Traffic, kommen RU/WU-Gebühren obendrauf. Die 20 $ bei Builder sind dagegen eine Pauschale und damit gut planbar. Drittens: Das „kostenlos” beim Self-Hosting ist eine Zahl ohne Personalkosten. Wer Qdrant oder Milvus selbst betreibt, zahlt zwar null Lizenzgebühren, aber Backups, Monitoring, Upgrades und Incident-Response fressen Teamzeit. Ohne dedizierte Infrastrukturzuständigkeit ist ein verwalteter Tarif für 50 $ häufig günstiger als Self-Hosting. Wenn Sie sich für die Kostenstruktur des Cloud-Kontos selbst interessieren, wird Ihre TCO-Rechnung mit dem Artikel AWS, GCP und Azure im Cloud-Anbieter-Vergleich deutlich präziser.

5. Die finale Empfehlung nach Anwendertyp

🎯 1) Teams, die bereits PostgreSQL betreiben und unter 10 Millionen Vektoren bleiben

• Beste Wahl: pgvector
• Warum: Eine neue Datenbank einzuführen bedeutet, sich eine Synchronisationspipeline und ein weiteres Betriebsobjekt zu schaffen. Allein die Möglichkeit, Originaldatensatz und Embedding innerhalb derselben Transaktion zu committen, lässt die Hälfte aller Konsistenzbugs verschwinden. Mit HNSW-Index gilt pgvector in dieser Größenordnung allgemein als praktisch ebenbürtig zu dedizierten Systemen. Prüfen Sie aber vor dem Start unbedingt, ob die Version mindestens 0.8.2 ist.

🎯 2) Frühe Startups ohne Infrastruktur-Engineer / Einzelentwickler

• Beste Wahl: Pinecone Builder oder Qdrant Free
• Warum: Pinecone Builder liefert für 20 $/Monat pauschal 10 GB Storage sowie 5 Mio. WU und 2 Mio. RU – die Rechnung schießt also nicht plötzlich in die Höhe. Wenn das Budget bei null liegt, eignet sich der dauerhaft kostenlose Tarif von Qdrant (0,5 vCPU / 1 GB RAM / 4 GB Disk) hervorragend für die Prototypenphase, weil er ohne Zeitlimit weiterläuft.

🎯 3) B2B-SaaS mit zwingender Datentrennung pro Kunde

• Beste Wahl: Weaviate
• Warum: Mandantenfähigkeit allein ist kein Alleinstellungsmerkmal von Weaviate – Qdrant hat in v1.16 hierarchische Mandantenfähigkeit (Tenant Promotion) eingeführt, und Milvus 2.6 hat seine eigene ausgebaut. Der eigentliche Grund für Weaviate ist, dass Mandantentrennung und native BM25-Hybridsuche in einem Produkt zusammenkommen. B2B-Dokumentensuche ist voll von Anfragen, die exakt treffen müssen (Vertragsnummern, SKUs), womit Hybrid pro Mandant faktisch Pflicht wird – und Object TTL automatisiert zusätzlich vertraglich vorgeschriebene Löschfristen. Wenn Sie nicht alle drei Punkte brauchen, sondern nur die Isolation, ist Qdrant eine völlig taugliche zweite Wahl. Da bei Weaviate jedoch nach Dimensionen abgerechnet wird, sollten Sie bei hochdimensionalen Embeddings zuerst eine Kostensimulation rechnen.

🎯 4) Konzerne, die bereits einen Data Lake (Iceberg/Parquet) betreiben

• Beste Wahl: Milvus 3.0
• Warum: Die Lake-Native-Indizierung erlaubt es, Parquet-, Lance-, Iceberg- und Vortex-Tabellen ohne Kopie zu durchsuchen. Das ETL, das zweistellige Terabyte-Mengen in die Vektordatenbank repliziert, entfällt komplett – samt der Kosten für die doppelte Speicherung. Da der Release aber erst eine Woche alt ist, sollten Sie zuerst im Staging validieren; wenn Stabilität oberste Priorität hat, ziehen Sie parallel die GA-Linie 2.6 in Betracht.

🎯 5) Kostensensible Teams, die trotzdem keine Abstriche bei der Produktions-RAG-Qualität machen wollen

• Beste Wahl: Qdrant
• Warum: Ausschlaggebend ist, dass TurboQuant den Speicherbedarf gegenüber skalarer Quantisierung halbiert. Weil ein Großteil der Kosten einer Vektordatenbank auf RAM entfällt, schlägt diese Ersparnis direkt auf die Infrastrukturrechnung durch. Und mit nativem Sparse plus RRF-Fusion ist die Hybridsuche in wenigen Codezeilen erledigt.

🎯 6) Mittelgroße Teams: 10 bis 100 Mio. Vektoren, kein Data Lake und auch kein Postgres

• Beste Wahl: Qdrant, wenn jemand den Betrieb übernimmt – sonst Pinecone Standard
• Warum: Das ist tatsächlich der häufigste produktive RAG-Fall, und er fällt genau durch die Lücke zwischen den bisherigen Schwellen. pgvector wird rund um zehn Millionen Vektoren unangenehm, weil Indexbauzeit und Speicherbedarf steil ansteigen; und die Lake-Native-Indizierung von Milvus 3.0 bringt ohne Lake gar nichts und hinterlässt nur die Betriebskomplexität einer verteilten Architektur. Die entscheidende Frage ist deshalb nicht die Größenordnung, sondern ob Sie jemanden haben, der das betreibt. Gibt es eine Zuständigkeit für Backups, Monitoring und Upgrades, liefert Qdrant dank Speichereffizienz (TurboQuant) und nativer Hybridsuche das beste Verhältnis aus Kosten und Qualität. Gibt es sie nicht, nimmt Ihnen Pinecone Standard den Betriebsaufwand komplett ab. Kalkulieren Sie dabei ein, dass Standard keine Pauschale ist, sondern ein Mindestumsatz von 50 $/Monat, auf den RU/WU obendrauf kommen.

🎯 7) Regulierte Branchen (Finanzwesen, Gesundheit), bei denen SLA und Auditierbarkeit zuerst kommen

• Beste Wahl: Pinecone Enterprise, Zilliz Cloud Business Critical oder Qdrant Private Cloud
• Warum: Wer hier allein nach der SLA-Zahl sortiert, entscheidet falsch. In der jeweils höchsten Stufe stehen Pinecone Enterprise mit 99,95 %, Qdrant Standard im Multi-AZ mit 99,95 % und Zilliz Cloud Business Critical mit 99,99 % (Multi-Replica) – die Verfügbarkeit liegt also gleichauf, und den höchsten Wert veröffentlicht Zilliz. Die echten Unterscheidungsmerkmale liegen bei Vertrag und Audit. Pinecone Enterprise bündelt HIPAA, Audit-Logs und BYOC, wobei BYOC im Cloud-Konto des Kunden im Zero-Access-Modus ausgerollt wird. Business Critical von Zilliz Cloud ist der Plan, den die offizielle Dokumentation ausdrücklich auf Gesundheitswesen, Finanzwesen und geschäftskritische Systeme ausrichtet, und er kommt ebenfalls mit BYOC (99,95 %) – bei regulatorischen Anforderungen gehört er also auf die Auswahlliste. Wenn Daten das Haus physisch unter keinen Umständen verlassen dürfen, sind Qdrants Private Cloud (vollständig isoliertes, dediziertes Deployment) oder Self-Hosting die realistische Antwort.

🎯 8) Teams, die schnell eine interne Dokumentensuche bzw. Wissensdatenbank aufbauen müssen

• Beste Wahl: Weaviate oder Pinecone
• Warum: Interne Dokumente enthalten viele Keywords, die exakt übereinstimmen müssen – Produktnamen, Personalnummern, Richtlinien-Nummern. Reine Vektorsuche scheitert daran. Lösungen mit eingebauter Hybridsuche wie Weaviates alpha-Fusion oder Pinecones Volltextindex (BM25 + Lucene-Syntax) verkürzen die Entwicklungszeit erheblich. Falls Sie noch überlegen, welches LLM Sie anbinden, hilft Ihnen der Artikel ChatGPT, Claude und Gemini im KI-Modellvergleich weiter.

6. Praxistipps und typische Fehler

✅ Tipp 1) Prüfen Sie noch heute Ihre pgvector-Version

Führen Sie SELECT extversion FROM pg_extension WHERE extname = 'vector'; aus. Alles unterhalb von 0.8.2 ist gegenüber CVE-2026-3172 exponiert. Es handelt sich um eine Schwachstelle, mit der ein Nutzer, der HNSW-Indizes mit parallelen Workern erzeugen darf, Daten aus anderen Relationen auslesen oder den Server zum Absturz bringen kann. Wenn Sie ein verwaltetes Postgres nutzen, klären Sie, wann Ihr Anbieter auf mindestens 0.8.2 aktualisiert hat; ist ein sofortiges Update nicht möglich, blockieren Sie parallele HNSW-Builds übergangsweise mit max_parallel_maintenance_workers = 0. Idealerweise gehen Sie gleich auf die aktuelle 0.8.6, denn in 0.8.3 wurde zusätzlich eine mögliche Indexbeschädigung beim HNSW-Vacuuming behoben.

✅ Tipp 2) Hybridsuche ist längst keine Option mehr

In produktiven RAG-Systemen ist die Hybridsuche (BM25 + Vektor) 2026 zum Standard geworden. Bei wissensintensiven Korpora übersieht reine Vektorsuche Exact-Match-Anfragen nach Eigennamen, Codes oder Zahlen. Das Problem: Genau hier klaffen die Reifegrade der Produkte am weitesten auseinander.

Für Hybridsuche mit pgvector müssen Sie die Fusionslogik – etwa RRF – selbst schreiben. Machbar ist das, aber dieser Code wird zu einem Asset, das dauerhaft Tuning und Wartung braucht. „Ist Hybrid ein Muss?” ist die praktischste Frage, um zu entscheiden, ob Sie bei pgvector bleiben oder es verlassen.

✅ Tipp 3) Betrachten Sie die Embedding-Dimensionen aus der Kostenperspektive neu

Weaviate rechnet pro einer Million Dimensionen ab. Eine Million Dokumente mit 1536 Dimensionen ergeben 1,536 Milliarden Dimensionen – mit einem 384-dimensionalen Modell sind es 384 Millionen. Wenn die Suchqualität das hergibt, bedeuten Dimensionsreduktion oder ein niedrigdimensionales Modell unmittelbar eine Ersparnis um den Faktor 4. Auch abseits von Weaviate wirkt sich die Dimensionszahl über den Speicherverbrauch auf die Kosten jeder Vektordatenbank aus. Legen Sie zusätzlich eine Quantisierung wie Qdrants TurboQuant, Weaviates RQ-Quantisierung oder Milvus’ RaBitQ darüber, fällt die Ersparnis noch größer aus.

✅ Tipp 4) Berücksichtigen Sie Pinecones harte Limits schon in der Designphase

Es gibt Grenzen, die im laufenden Betrieb schmerzhaft werden. Metadaten pro Record: 40 KB – ein Design, das den kompletten Dokumententext in die Metadaten packt, scheitert hier. top_k maximal 10.000 bei allgemeinen Indizes, Ergebnisgröße maximal 4 MB – wenn Ihre Pipeline großzügig Kandidaten für den Reranker zieht, ist der Spielraum groß, und in der Praxis stoßen Sie meist zuerst an die 4-MB-Grenze der Ergebnismenge. Die Obergrenze von 1.000 greift nur, wenn Sie über einen Sparse-Index reranken. Diese Sparse-Zahl für ein globales Pinecone-Limit zu halten und daraufhin die Dense-Kandidatenmenge unnötig zu verkleinern, ist ein verbreiteter Designfehler. $in/$nin: höchstens 10.000 Werte pro Operator – Berechtigungsfilter als ID-Liste zu übergeben, fliegt Ihnen mit wachsender Organisation um die Ohren. Und Sparse-Indizes sind auf 10 Upserts/Sekunde und 100 QPS begrenzt, weshalb Sie den Zeitplan für den initialen Massenimport auf genau diese Geschwindigkeit auslegen müssen.

✅ Tipp 5) Bei Weaviate darf man Versionen nicht liegen lassen

Weaviate liefert Bug- und Sicherheitspatches nur für die letzten drei Minor-Versionen (1.36/1.37/1.38). Bei einem Releasezyklus von rund zwei Monaten fallen Sie schon nach einem halben Jahr Nichtstun aus dem Supportfenster. Am besten tragen Sie ein quartalsweises Upgrade fest im Teamkalender ein.

✅ Tipp 6) Entscheiden Sie über Milvus 3.0 anhand der Frage „Haben wir einen Lake?”

Die Lake-Native-Indizierung von 3.0 verändert das Spiel nur für Organisationen, deren Daten bereits in offenen Tabellenformaten im Object Storage liegen. Liegen die Daten ohnehin in Postgres oder in der Anwendungsdatenbank, entfaltet sich der Kernnutzen von 3.0 gar nicht – Sie handeln sich lediglich die Betriebskomplexität einer verteilten Architektur ein. Zudem ist der Release erst eine Woche alt, unabhängige Benchmarks existieren also noch nicht. Validieren Sie erst im Staging mit Ihren eigenen Daten; wenn Stabilität an erster Stelle steht, ist auch die seit dem 20. Januar 2026 auf Zilliz Cloud allgemein verfügbare 2.6.x-Linie eine völlig vernünftige Wahl.

✅ Tipp 7) Rechnen Sie die tatsächlichen Kosten von „Wir migrieren später einfach” vorab durch

Das Fazit dieses Artikels lautet „Starten Sie mit pgvector” – und dieser Rat trägt nur, wenn Sie wissen, was der Wechselschritt kostet. Zuerst die gute Nachricht: Neu einbetten müssen Sie in der Regel nicht. Vektoren sind rohe Fließkomma-Arrays, die sich unverändert exportieren und importieren lassen; die Embedding-API zahlen Sie also kein zweites Mal. Ein vollständiges Re-Embedding fällt nur an, wenn Sie gleichzeitig das Modell wechseln.

Geld und Zeit kosten die anderen vier Punkte. Erstens die Zeit für den Indexneuaufbau: HNSW baut langsam und braucht viel Speicher, sodass bei größeren Datenmengen nicht der Transfer den Zeitplan bestimmt, sondern die Frage, wie lange die neue Seite braucht, bis alle Indizes stehen. Zweitens das Mapping von IDs und Metadatenschema: Jedes Produkt hat andere ID-Typbeschränkungen, andere Metadaten-/Payload-Modelle und eine andere Filtersyntax – Ihre Filterabfragen schreiben Sie faktisch neu. Drittens die Dual-Write-Phase: Ein Cutover ohne Ausfall bedeutet, eine Zeit lang in beide Systeme zu schreiben und die Ergebnisse zu vergleichen – in diesem Fenster zahlen Sie beides. Viertens die Regressionsprüfung der Suchqualität: Eine andere Engine sortiert dieselbe Anfrage anders, Ihr Golden-Set-Test muss also erneut laufen.

Genau das ist die Substanz des „Lock-in”, den die Tabelle in Abschnitt 1 als größten Nachteil von Pinecone nennt. Pinecone bietet keinen Self-Hosting-Pfad (BYOC ist ein separater Vertrag). In dem Moment, in dem Sie gehen wollen, müssen Sie also erst eine Ersatzinfrastruktur von Grund auf aufbauen und danach alle vier Posten oben bezahlen. Qdrant, Milvus und pgvector lassen Ihnen zumindest den Ausweg, „dieselbe Engine auf eigenen Servern weiterzubetreiben”. Schon ein einziges Mal ein Exportskript zu schreiben und laufen zu lassen – direkt bei der Einführung – zeigt Ihnen vorab, ob diese Kosten für Sie tragbar sind.

❌ Typischer Fehler 1) Die Architektur anhand fremder Benchmarks entscheiden

Wie gezeigt weichen die öffentlichen Zahlen um den Faktor 10 voneinander ab. Bei anderen Dimensionen, Filterbedingungen und Hardware kippt die Rangfolge komplett. Grenzen Sie auf zwei Kandidaten ein und messen Sie einen halben Tag lang mit Ihren eigenen Daten – das ist unendlich viel billiger als ein halbes Jahr, das eine Fehlentscheidung kostet.

❌ Typischer Fehler 2) Self-Hosting als „kostenlos” verbuchen

Die Apache-2.0-Lizenz bedeutet null Lizenzkosten, nicht null Betriebskosten. Backups, Restore-Tests, Monitoring, Versions-Upgrades und Incident-Response sind allesamt Teamzeit. In Organisationen ohne Infrastrukturzuständige ist ein verwalteter Tarif in der Regel günstiger.

❌ Typischer Fehler 3) Zitierte Preise ungeprüft ins Budget übernehmen

Pinecones RU/WU-Preise weichen in der weit verbreiteten Zitierung um rund den Faktor 2 vom offiziellen Wert ab, Weaviates Einstiegspreis änderte sich im Oktober 2025 von 25 $ auf 45 $, und pgvector „0.9” existiert schlicht nicht. Die Angewohnheit, vor dem Eintrag ins Budgetdokument einmal die offizielle Preisseite zu öffnen, erspart Ihnen später peinliche Momente im Meeting.

7. Häufig gestellte Fragen (FAQ)

F. Welche Frage sollte man beim Vergleich von Vektordatenbanken zuallererst stellen?

„Nutzen wir bereits PostgreSQL?” Falls ja und die Vektorzahl unter zehn Millionen liegt, ist pgvector der Standardwert – eine dedizierte Vektordatenbank einzuführen hieße, sich mit einem weiteren Betriebsobjekt und einer Synchronisationspipeline selbst neue Kosten zu schaffen. Die zweite Frage lautet: „Zahlen wir für ein verwaltetes Angebot oder betreiben wir es selbst?”, die dritte: „Ist Hybridsuche ein Muss?” Mit diesen drei Fragen schrumpft das Feld von fünf auf zwei Kandidaten.

F. Kann man produktives RAG mit pgvector betreiben?

Das hängt von Größenordnung und Anforderungen ab. Mit HNSW-Index gilt pgvector im Millionenbereich allgemein als praktisch ebenbürtig zu dedizierten Vektordatenbanken, und der Vorteil, alles in derselben Transaktion wie die Originaldaten zu verwalten, ist erheblich. Allerdings ist keine Hybridsuche eingebaut, sodass Sie tsvector und Vektordistanz im Anwendungscode selbst fusionieren müssen. Die Entscheidung hängt davon ab, ob Sie diesen Implementierungs- und Wartungsaufwand tragen können.

F. Ist 0.9 die aktuelle pgvector-Version?

Nein. 0.9 existiert nicht. Stand 2. August 2026 ist 0.8.6 (29.07.2026) aktuell. Zahlreiche Tech-Blogs geben fälschlicherweise 0.9 an – seien Sie hier wachsam. Und da alles unter 0.8.2 für CVE-2026-3172 anfällig ist, ist die Versionsprüfung keine Frage der korrekten Information, sondern eine Sicherheitsfrage.

F. Womit fängt man am besten kostenlos an?

Das hängt vom Einsatzzweck ab. Qdrant Free ist dauerhaft und ohne Zeitlimit kostenlos, bietet 0,5 vCPU / 1 GB RAM / 4 GB Disk und für einige Modelle sogar kostenlose Cloud-Inferenz – ideal für Prototypen. Die Weaviate Sandbox mit 100.000 Objekten / 1 GB Speicher / 10 GB Disk / 1 Collection / maximal 3 Mandanten eignet sich gut, um Hybridsuche auszuprobieren. Pinecone Starter umfasst 2 GB Storage, monatlich 2 Mio. WU und 1 Mio. RU sowie 5 Mio. Embedding-Tokens. Auch Zilliz Cloud bietet einen Tarif für den kostenlosen Einstieg, dessen Limits allerdings nicht als Zahlen auf der offiziellen Preisseite stehen – prüfen Sie sie vor dem Vergleich in der Konsole. Wer Infrastruktur selbst betreiben kann, fährt mit pgvector sowie selbst gehostetem Qdrant und Milvus komplett kostenlos.

F. Man hört oft, Pinecone sei teuer – was kostet es tatsächlich?

Offiziell gilt für Standard: 16–18 $ pro 1 Mio. RU beim Lesen, 4–4,50 $ pro 1 Mio. WU beim Schreiben, Storage 0,33 $/GB/Monat, dazu ein monatlicher Mindestumsatz von 50 $. Bei Enterprise sind es 24–27 $ pro RU-Million und 6–6,75 $ pro WU-Million bei mindestens 500 $/Monat. Im Netz kursierende Zahlen wie „RU 8,25 $” weichen vom offiziellen Wert ab – verwenden Sie sie nicht für Ihre Budgetrechnung. Bei überschaubarem Traffic ist Builder mit 20 $/Monat pauschal die sicherste Variante hinsichtlich Kostenprognose.

F. Sollte man jetzt sofort auf Milvus 3.0 wechseln?

Wenn Sie bereits einen Data Lake betreiben, lohnt sich die Prüfung sehr. Kern sind die Lake-Native-Indizierung, die Parquet-, Lance-, Iceberg- und Vortex-Tabellen ohne Kopie durchsucht, sowie die neue Storage-Engine Loon, die die Read Amplification reduziert. Allerdings ist der Release vom 29. Juli 2026 erst eine Woche alt, und unabhängige Benchmarks fehlen. Validieren Sie zuerst im Staging; hat Stabilität Vorrang, ist die seit Januar 2026 auf Zilliz Cloud allgemein verfügbare 2.6.x ebenfalls eine sehr gute Wahl.

F. Warum fällt die Weaviate-Rechnung höher aus als erwartet?

Weil die Abrechnungseinheit nicht die Vektoranzahl, sondern „eine Million Dimensionen” ist. Berechnet wird Vektoranzahl × Dimensionszahl, sodass ein 1536-dimensionales Modell bei gleicher Dokumentzahl das Vierfache eines 384-dimensionalen Modells kostet. Hinzu kommt, dass mit der Preisreform im Oktober 2025 der Einstiegspreis von 25 $ auf 45 $ gestiegen ist. Die direkteste Sparmaßnahme besteht darin, auf ein niedrigdimensionales Embedding-Modell zu wechseln oder Quantisierung einzusetzen.

F. Kann man in Euro bezahlen?

Keiner der fünf Anbieter hat eine offizielle Preisliste in Euro – und ebenso wenig in koreanischen Won oder einer anderen Landeswährung. Abgerechnet wird durchweg in US-Dollar, Wechselkursschwankungen wirken sich also unmittelbar auf die Kosten aus. Angaben wie „X Euro im Monat”, die man in anderen Vergleichsartikeln sieht, sind bloße Eigenumrechnungen und keine offiziellen Preise. Schreiben Sie in Budgetfreigaben daher besser USD-Werte und planen Sie einen separaten Puffer für Wechselkursschwankungen ein.

F. Wo findet man die genauen Preise von Qdrant Cloud?

Qdrant weist auf seiner offiziellen Preisseite keine konkreten Preiszahlen aus. Offengelegt ist lediglich die Struktur: Abgerechnet werden Compute (vCPU), Speicher (GB), Storage (GB), Backup-Storage und kostenpflichtige Inferenz-Tokens, jeweils auf Stundenbasis. Im Netz kursierende Zahlen wie „0,078 $/GB-Stunde” oder „ab 25 $/Monat” sind offiziell nicht bestätigt – glauben Sie ihnen nicht ungeprüft. Wenn Sie ein belastbares Budget brauchen, konfigurieren Sie Ihre Wunschspezifikation in der Konsole oder fragen Sie beim Vertrieb nach.

8. Fazit: das eigentliche Ergebnis des Vektordatenbank-Vergleichs 2026

Der Markt für Vektordatenbanken hat sich im August 2026 längst von der Frage „Wer ist am schnellsten?” gelöst. Milvus löst mit Lake-Native das Problem, dort zu suchen, wo die Daten bereits liegen; Qdrant löst mit Quantisierung das Problem, denselben Recall mit halbem Speicher zu erreichen; Weaviate setzt auf Hybridsuche und Mandantenfähigkeit; Pinecone auf vollständig verwalteten Betrieb ohne jeden Aufwand; und pgvector verfolgt die Linie, gar keine neue Infrastruktur einzuführen. Sie stehen nicht in einem Substitutionsverhältnis zueinander – die richtige Antwort hängt schlicht von der Ausgangslage der Organisation ab.

Das praktische Fazit dieses Vektordatenbank-Vergleichs lautet daher: Prüfen Sie zuerst, ob Sie mit pgvector starten können, und wechseln Sie erst dann zu einer dedizierten Vektordatenbank, wenn nachweislich Hybridsuche oder Skalierung dagegen sprechen. Ein erheblicher Teil der Teams, die von Anfang an ein glänzendes Spezialsystem eingeführt haben, verbringt am Ende viel Zeit mit Betriebsaufwand und Synchronisationsbugs. Umgekehrt zahlen Teams, die Hybridsuche zwingend brauchen und trotzdem an pgvector festhalten, den Preis bei der Suchqualität. Maßstab der Entscheidung müssen die Anforderungen sein, nicht der persönliche Geschmack.

Zum Schluss noch eine Aufgabe für heute: Falls Sie pgvector einsetzen, prüfen Sie die Version. 0.6.0 bis 0.8.1 sind von CVE-2026-3172 betroffen, behoben ist es in 0.8.2. Wenn Sie aus diesem Artikel nur eine einzige Sache mitnehmen, dann bitte nicht eine Benchmark-Tabelle, sondern diesen einen Satz.

[Zusammenfassung: die passende Empfehlung für meine Situation]

Bereits PostgreSQL im Einsatz + unter 10 Mio. Vektoren
  → pgvector (aber mindestens 0.8.2 / aktuell 0.8.6)

Kein Infrastrukturpersonal + Kostenplanbarkeit hat Priorität
  → Pinecone Builder (20 $/Monat pauschal, 10 GB, 5 Mio. WU & 2 Mio. RU)

Prototyp mit einem Budget von null
  → Qdrant Free (dauerhaft kostenlos, 0,5 vCPU / 1 GB RAM / 4 GB Disk)

B2B-SaaS mit Datentrennung pro Kunde
  → Weaviate (Mandantenfähigkeit + BM25-alpha-Hybrid / Achtung: Dimensionspreis)

Konzern mit Data Lake (Iceberg, Parquet)
  → Milvus 3.0 (Lake-Native, Suche ohne Kopie / erst im Staging validieren)

Speicherkosten senken und RAG-Qualität in Produktion halten
  → Qdrant (TurboQuant: halber Speicher ggü. SQ, bis zu 8-fache Kompression)

10 bis 100 Mio. Vektoren, kein Data Lake, auch kein Postgres
  → Qdrant mit Betriebszuständigkeit, sonst Pinecone Standard (ab 50 $/Monat)

HIPAA, Audit-Logs und Datenstandort als Vertragsbedingung
  → Pinecone Enterprise (ab 500 $/Monat) / Zilliz Business Critical (99,99 %)
     / Qdrant Private Cloud — beim SLA liegen alle drei bei mind. 99,95 %

⚠️ Für alle fünf gilt: keine offiziellen Preise in Euro (Abrechnung in USD),
   öffentliche Benchmarks mit uneinheitlichen Bedingungen – unbedingt selbst messen

Messen Sie einfach zwei Kandidaten mit Ihren Daten, Ihren Dimensionen und Ihren Filterbedingungen selbst nach. Dieser halbe Tag liefert Ihnen eine präzisere Antwort als dieser gesamte Artikel. 🚀