Vector-DB-Vergleich 2026: Pinecone vs Weaviate vs Qdrant fuer RAG-Workloads

Vector-DBs sind der unsichtbare Backbone jeder ernstzunehmenden RAG-Anwendung. Drei haben sich 2026 als Default-Optionen durchgesetzt: Pinecone (Managed, US-zentriert), Weaviate (Open-Source + Cloud) und Qdrant (Open-Source + Cloud). PgVector und Vespa spielen Nebenrollen, je nach Stack.

Hier die Vergleichstabelle mit konkreten Kosten und Performance- Werten, damit du nicht erst nach drei Monaten merkst, dass Pinecone bei 100M Vektoren teuer wird. Stand: 14. Mai 2026.

TL;DR

• Pinecone: Managed-only, simpelste DX, teurer ab >10M Vektoren.
• Weaviate: Open-Source + Cloud-Optionen. Multi-Tenancy, Modul- System, viel Funktionalitaet.
• Qdrant: Open-Source + Cloud. Schlankste Code-Base, schnelle Filter-Performance, kompetitives Pricing.
• Postgres pgvector: Wenn du < 1M Vektoren hast und schon Postgres laufen hast — perfekte Wahl.
• Faustregel: < 1M Embeddings → pgvector. 1-10M und Managed → Pinecone (Serverless) oder Qdrant Cloud. > 10M oder Multi-Tenant → Weaviate oder Qdrant Cloud.

Pricing-Vergleich

Pinecone Serverless (2024+ Standard)

Pinecone hat 2024 sein Pricing-Modell auf Serverless umgestellt:

Praxis: 5M Embeddings, je 1.536 Dimensionen (OpenAI ada-002), = ~30 GB Storage = ~$10. Mit 1M Queries/Monat (je 1 RU) = $16. Total: ~$26/Monat. Klein und billig.

Bei 100M Embeddings = 600 GB Storage = $198/Monat + Reads. Skaliert linear.

Pinecone Pod-Based (Legacy aber noch nutzbar)

Pod-Based wird ab ~10M Vektoren guenstiger als Serverless, weil keine Pay-Per-Read.

Weaviate Cloud Services

Weaviate-Pricing rechnet in SUS (Storage Unit-Seconds). 1 SUS = 1 GB Storage pro Sekunde im Cluster.

Praxis: 5M Embeddings, 30 GB, kontinuierlich = 30 GB × 2.628.000 s = 78,84M SUS = ~$7.500/Monat bei Pro-Plan? Zu teuer? Ja — Weaviate Cloud ist im Pro-Tier teurer als Pinecone fuer mittlere Volumen. Im Standard-Tier liegen Cluster typisch bei $100-500 / Monat.

Qdrant Cloud

Qdrant rechnet in Cluster-Groesse, nicht in Reads/Writes. Damit predictable.

5M Embeddings benoetigen typisch ~16 GB RAM (mit HNSW Index in RAM) = Premium-Cluster = ~$300-450 / Monat.

Postgres pgvector

Pgvector ist eine Postgres-Erweiterung. Du laeufst Postgres sowieso, pgvector aktivieren und Vektoren in einer normalen Tabelle speichern.

Praxis: 1M Embeddings auf einer existierenden Postgres-Instanz = zusatzlich ~6 GB Storage = ~$5/Monat. Quasi gratis.

Beispiel-Rechnung: RAG-System fuer mittlere SaaS-App

Annahmen: 2M Dokumente, ~10 Embeddings pro Dokument = 20M Vektoren. 50k Queries / Tag = 1,5M Queries / Monat.

Bei diesem Volumen ist pgvector + Postgres auf Hetzner unschlagbar billig. Pinecone Serverless ist die simpelste Managed-Option und auch noch guenstig.

Performance-Benchmark (eigene Messungen, Mai 2026)

Setup: 5M Embeddings, 1.536 Dimensionen, Pure-ANN-Search ohne Filter:

Mit Filter-Queries (z. B. tenant_id = X AND created_at > Y):

Qdrant ist 2026 Performance-Leader bei Filter-Heavy-Workloads. Das macht es ideal fuer Multi-Tenant-RAG.

Feature-Vergleich

Weaviate hat das umfangreichste Feature-Set: vektorisierung, Hybrid-Search, multi-tenancy, replication, classification, alles gebuendelt.

Qdrant ist schlanker, schneller, aber weniger Sub-Modul-System.

Pinecone ist die einfachste API, aber am wenigsten flexibel.

Wann was nehmen — die ehrliche Empfehlung

< 1M Vektoren, schon Postgres im Stack: pgvector. Punkt. Spar dir den Vendor.

1-10M Vektoren, schnelle Iteration: Pinecone Serverless. ~$50-100 / Monat, kein Ops-Overhead.

1-10M Vektoren, Selbst-Hosting OK: Qdrant auf Hetzner / OVH / IONOS. ~$30-100 / Monat, Open-Source.

10-100M Vektoren, Managed gewuenscht: Weaviate Cloud Standard oder Qdrant Cloud Premium.

100M+ Vektoren: Qdrant Self-Hosted (mit Cluster-Modus) oder Vespa. Pinecone wird ab dieser Groesse teuer (1.000+/Monat).

Multi-Tenant SaaS (jeder Kunde = eigener Index): Weaviate Cloud (Multi-Tenancy nativ) oder Qdrant Cloud (Collections pro Tenant).

Hybrid Search wichtig (Dense + Sparse BM25): Qdrant oder Weaviate. Pinecone hat es 2024 nachgezogen, aber schwaecher.

Embedding-Modelle 2026

Welches Embedding-Modell du nimmst, beeinflusst auch DB-Wahl (wegen Dimensionalitaet):

Dimensions-Spar-Trick: Mit dimensions=512 Parameter bei OpenAI sparst du 66 % Storage und ~33 % Latenz, bei minimalem Quality-Verlust.

DACH-/EU-Aspekte

Fuer strenge DSGVO-Compliance mit User-Embeddings (z. B. Personalakte-RAG) ist Self-Hosted Qdrant auf eigener Hardware oder DE-Cloud die robusteste Wahl.

Faustregeln zum Mitnehmen

1. Klein anfangen mit pgvector. Wenn schon Postgres da ist.
2. Pinecone Serverless als Managed-Entry. Simpelste DX.
3. Qdrant fuer Filter-Heavy, Multi-Tenant. Performance & Open Source.
4. Weaviate wenn Modul-System / Hybrid wichtig. Reichhaltigstes Feature-Set.
5. Embedding-Dimensionen bewusst waehlen. Spart Storage und Cost.

Quellen

• Pinecone Pricing
• Weaviate Cloud Pricing
• Qdrant Cloud Pricing
• pgvector GitHub
• Vector DB Benchmark by Qdrant

Pricing-Stand: 14. Mai 2026. Vector-DB-Markt ist hochdynamisch — Pinecone hat Pricing 2024 grundlegend geaendert, weitere Anpassungen wahrscheinlich. Vor Production-Commit aktuelle Pages pruefen.