Pinecone vs. Weaviate vs. Qdrant: Vektor-DB-Vergleich aus DACH/EU-Hosting-Perspektive

Pinecone, Weaviate und Qdrant sind die drei meistgenutzten Vektor-Datenbanken für produktive RAG-Systeme. Aus DACH-B2B-Sicht ist die Auswahl 2026 weniger eine Benchmark- als eine Souveränitäts-Entscheidung: Die Frage, wo die Embeddings liegen, wer darauf zugreifen kann und ob sich der gesamte Stack bei Bedarf on-prem holen lässt, hat rohe QPS- oder Recall-Werte als dominanten Architektur-Filter überholt. Qdrant und Weaviate sind self-hostbar und EU-nativ, Pinecone ist eine US-Managed-SaaS ohne On-Prem-Option.

Die drei Schnellantworten

• Qdrant (Berlin, Apache 2.0): der DACH-native Champion. OSS-Self-Host, Qdrant Cloud in EU-Regionen, Hybrid Cloud (BYO Kubernetes auf STACKIT/Aleph Alpha/Civo) und air-gapped Private Cloud. Souveränitäts-Rating 🟢.
• Weaviate (Amsterdam, BSD-3): die EU-native Alternative mit reifem Hybrid-Search und Modul-Ökosystem. Self-Host, Weaviate Cloud (inkl. EU), Embedded. Souveränitäts-Rating 🟢.
• Pinecone (US, proprietär): Managed-SaaS mit EU-Regionen bei AWS (Irland, Frankfurt) und GCP (Niederlande), für Enterprise-Kunden auch als BYOC im eigenen AWS-, GCP- oder Azure-Konto. Kein On-Prem, kein Open Source. Souveränitäts-Rating 🟠, nur mit vertraglicher Exit-Klausel für nicht-sensible Workloads.

Warum Hosting-Souveränität der erste Filter ist

Für jeden DACH-Deployer zwischen 200 und 50.000 FTE, der RAG über deutschsprachige Inhalte betreibt, ist das EU-US-Datentransfer-Regime rechtlich nicht endgültig gesichert. Das EU-Gericht hat das 2023 in Kraft getretene EU-US Data Privacy Framework am 3. September 2025 bestätigt (Latombe, T-553/23). Der Kläger hat am 31. Oktober 2025 Rechtsmittel beim EuGH eingelegt (C-703/25 P). Eine „Schrems III“-Entscheidung bleibt damit möglich, ist aber nicht absehbar. Beschaffungs- und Architektur-Teams verlangen deshalb zunehmend „sovereign-deployable“ als vertragliche Exit-Klausel: Wird ein US-Managed-Dienst rechtlich untragbar, muss der Stack innerhalb von typischerweise 3-6 Monaten auf souveräne Infrastruktur umziehen können.

Genau hier trennt sich das Feld. Der entscheidende Primär-Filter ist das Deployment-Modell: Kann eine Lösung on-prem oder in einer souveränen DACH-Cloud (STACKIT, IONOS, OTC, plusserver, Hetzner, OVHcloud) laufen? Open-Source-Engines wie Qdrant und Weaviate machen die Exit-Portabilität konkret statt nur aspirational. Pinecone als proprietäre SaaS bietet diese Portabilität strukturell nicht, auch die BYOC-Variante bleibt an AWS, GCP und Azure gebunden. Über die Produktqualität sagt das nichts, für regulierte Branchen ist es aber eine harte Grenze in der Beschaffung.

Direktvergleich: Pinecone vs. Weaviate vs. Qdrant

Pinecone-Regionen und BYOC Stand Oktober 2026 laut Pinecone-Dokumentation und BYOC-Leitfaden, Multi-Vektor in Weaviate laut Release-Notes zu v1.30 und v1.31. Das Souveränitäts-Rating ist unsere Einordnung.

Performance und Skalierung: ehrliche Zahlen

Reproduzierbare 2025-2026-Benchmarks (VectorDBBench, ann-benchmarks-Forks, unabhängige Harnesses) zeichnen ein konsistentes Bild: Qdrant und Weaviate liegen auf glatten HNSW-Recall-Latenz-Kurven mit starker Filter-Performance. Qdrant ist komfortabel bei 100M Vektoren pro Cluster; Produktions-Referenzen umfassen Bosch und Tripadvisor im Bereich hunderter Millionen bis niedriger Milliarden mit Sharding. Die GPU-beschleunigte Indizierung (eingeführt Januar 2025) verkürzt Build-Zeiten. Weaviate skaliert mit Sharding ebenfalls auf 100M+ Vektoren; das Modul-Ökosystem (Hybrid, generative Module, Multi-Tenancy) ist reif.

Latenzprofile für 1024-dim, 10M Vektoren auf Commodity-Hardware: HNSW in-memory Top-10 unter 10 ms end-to-end auf Qdrant, Weaviate oder pgvector mit passendem ef_search. Hybrid plus Cross-Encoder-Reranker landet bei 150-500 ms. Der Reranker ist dabei der latenz-elastische Teil und das erste, was bei harten Sub-100-ms-SLAs entfällt.

Zur Einordnung der Größenordnung: In einem Benchmark von Timescale (heute Tiger Data, Entwickler von pgvectorscale) kam Postgres mit pgvector und pgvectorscale bei 50M Vektoren (768 Dimensionen) und 99 % Recall auf 471 QPS, Qdrant auf 41 QPS. Das sind Herstellerdaten. Die Lehre daraus ist nicht, dass Qdrant langsam wäre. Für viele DACH-Mittelstands-Projekte unter ~50M Vektoren ist pgvector/pgvectorscale auf managed Postgres aber oft die betrieblich einfachere und souveränere Wahl: eine Datenbank, eine Backup-Story, eine DSGVO-AVV-Kette.

DSGVO-Eignung und Lösch-Semantik

Vorab: Das ist keine Rechtsberatung. Die konkrete DSGVO-Bewertung muss pro Anwendungsfall mit Fachjurist:innen erfolgen.

Embeddings, die aus personenbezogenen Daten abgeleitet werden, sind in aller Regel selbst als personenbezogen zu behandeln. Das lässt sich aus der EDPB Opinion 28/2024 zu KI-Modellen und den Guidelines 01/2025 zur Pseudonymisierung ableiten. Nötig ist eine fallweise Bewertung des Re-Identifikationsrisikos. Das EuGH-Urteil C-413/23 P (EDPS v SRB, 4. September 2025) präzisiert, dass pseudonymisierte Daten nicht automatisch für jeden Empfänger personenbezogen sind. Das verengt die Pflichten, hebt sie aber nicht auf.

Für die Vektor-DB-Auswahl folgen daraus zwei harte Beschaffungs-Gates:

• Drittlandtransfer: Ein Embedding einer Mitarbeiter-E-Mail, auf das ein US-Anbieter oder US-Subprozessoren zugreifen können, ist ein Drittlandtransfer. Das betrifft Pinecone auch in EU-Regionen; Qdrant und Weaviate können vollständig in DACH-souveräner Infrastruktur betrieben werden.
• Recht auf Löschung (Art. 17 DSGVO): Embeddings müssen löschbar sein. Technisch nicht-trivial, da HNSW-Graphen keine effiziente Punkt-Löschung unterstützen. Je nach Anbieter: pgvector-Löschungen sind effizient (Postgres MVCC), Qdrant unterstützt effiziente Point-Deletes, Milvus arbeitet mit Tombstones plus Compaction. Die Lösch-Semantik vor Vertragsabschluss zu verifizieren ist ein hartes Gate.

Ökosystem-Integration

Auf API-Ebene ist die Vektor-DB-Schicht 2026 weitgehend commoditisiert: HNSW ist überall, Hybrid-Search ist Standard. Alle drei Datenbanken verfügen über ausgereifte offizielle Integrationen in LangChain/LangGraph und LlamaIndex sowie MCP-Anbindung. Die echte Differenzierung liegt nicht mehr in der Integration, sondern in (a) Souveränitäts-Posture und Deploybarkeit, (b) Hybrid-Search- und Reranker-Qualität auf Deutsch mit Komposita und Fachsprache, (c) multimodaler Dokument-Bild-Unterstützung (ColPali) und (d) operativer Reife im Bereich 10M-100M+ Vektoren. Bei (c) unterstützen Qdrant und Weaviate (seit v1.30) Multi-Vektor/Late-Interaction nativ.

Entscheidungsmatrix nach Szenario

Konkretes Beispiel: Mittelstands-RAG mit Kostenrahmen

Ein DACH-Mittelständler (ca. 800 FTE) baut RAG über deutsche PDF-, Office- und SharePoint-Inhalte, ~8M Chunks. Unser empfohlener Stack: pgvector 0.8+ mit pgvectorscale auf managed Postgres bei IONOS oder STACKIT; BM25 via ParadeDB pg_search; Embeddings mit BGE-M3 (MIT) self-hostet auf einer einzelnen L4-/A10G-GPU; Reranker bge-reranker-v2-m3 (Apache 2.0) auf derselben Instanz. Jina v4 kommt hier nicht in Frage: Es steht laut Model Card unter der Qwen Research License, die nur Forschung und Evaluierung erlaubt.

Speicher-Faustregel für 10M Vektoren bei 1024 dim, float32 HNSW: ~40 GB roh plus 50-100 % Index-Overhead; mit halfvec ~30-40 GB, mit SQ8 ~10-20 GB. Time-to-ROI für den ersten produktiven Use Case 3-6 Monate, Budget-Rahmen Jahr 1 €30k-€150k. Erst wenn pgvector ein reales Scale-Ceiling erreicht (>50M Vektoren), lohnt der Wechsel auf eine dedizierte Vektor-DB. Die meisten Mittelstands-Use-Cases überschreiten 5-20M Vektoren nie.

Für Agenturen und B2B-Entscheider

Wer als Agentur multi-tenant aufbaut, sollte explizit tiern: pgvector-Tier für SMB, Qdrant-Tier für Mittelstand, Qdrant-on-customer-K8s für Konzerne. Per-Tenant-Isolation (Schema oder Row-Level-Security in Postgres, Collection-per-Tenant in Qdrant, per-Tenant-KMS-Keys) ist Pflicht. Eine geteilte Collection mit Metadaten-Filter ist ein DSGVO-Unfall im Wartezustand. Für DACH-B2B-Entscheider gilt: „EU-Region verfügbar“ ist nicht gleich Souveränität. Verifiziere CLOUD-Act-/FISA-702-Exposure, Sub-Processor-Disclosure, No-Training-on-Data, Lösch-Semantik und vertragliche Exit-Klauseln. Blck Alpaca begleitet die souveränitäts-klassifizierte Auswahl und Implementierung des Vektor-DB- und Embedding-Stacks für DACH-Organisationen, von der pgvector-Mittelstandslösung bis zur Qdrant-Hybrid-Cloud-Architektur für regulierte Workloads.