Vector Database Vergleich: Pinecone, Weaviate, Qdrant, Milvus, pgvector & Co. im Enterprise-Check

Ein Vector Database Vergleich bewertet Vektordatenbanken anhand der Kriterien Hosting, Skalierung, Metadaten-Filtering, Hybrid-Search, Konsistenz, Kosten und Reife. Im DACH-Enterprise-Umfeld ist die Wahl der richtigen Vektordatenbank 2026 primär eine Souveränitäts- und DSGVO-Entscheidung im Engineering-Gewand. Für die meisten Projekte unter rund 50 Millionen Vektoren reicht pgvector auf bestehendem Postgres aus; Qdrant gilt als DACH-naher Champion für dedizierte Anforderungen.

Die folgenden drei Schnellantworten fassen die Kernaussagen für Entscheider zusammen:

• Souveränität schlägt Benchmark. Nicht roher QPS oder recall@10, sondern die Frage "wo liegen die Embeddings, wer kann darauf zugreifen, lässt sich der Stack on-prem ziehen" dominiert die DACH-Architekturentscheidung.
• pgvector ist der Mittelstands-Default. Bis etwa 10 bis 50 Millionen Vektoren ist pgvector auf einem souveränen Managed-Postgres (IONOS, STACKIT, OTC) operativ am einfachsten und DSGVO-seitig am risikoärmsten. Wer Postgres selbst betreibt, etwa auf Hetzner, bekommt dieselbe Architektur mit mehr Betriebsaufwand.
• Qdrant Hybrid Cloud auf STACKIT ist die attraktivste dedizierte Vektor-DB-Topologie für regulierte Workloads, weil die Datenebene im Kundenperimeter bleibt.

Warum die Vektordatenbank-Wahl eine Souveränitätsentscheidung ist

Die Vektor-DB-Schicht ist 2026 auf API-Ebene weitgehend zur Commodity geworden: HNSW ist überall verfügbar, Hybrid-Search ist Pflicht, multimodale Verfahren (ColPali, ColQwen) sind die neue Front. Echte Differenzierung liegt deshalb in vier Punkten: Souveränitätsposition und Deploybarkeit, Hybrid-Search-Qualität auf Deutsch mit Komposita und Fachsprache, multimodale Dokument-Bild-Unterstützung sowie operative Reife im Bereich von 10 bis über 100 Millionen Vektoren.

Drei strukturelle Verschiebungen erzwingen diese Perspektive: Erstens ist das EU-US-Transferregime instabil; das EuGH-Urteil C-413/23 P vom 4. September 2025 (EDSB/SRB, Pressemitteilung des EuGH) hat geklärt, dass pseudonymisierte Daten nicht automatisch für jeden Empfänger personenbezogen sind, doch DACH-Aufsichtsbehörden behandeln aus personenbezogenen Daten abgeleitete Embeddings weiterhin als vom Anwendungsbereich der DSGVO erfasst. Zweitens ist die souveräne Cloud-Schicht reif geworden (STACKIT, IONOS, OTC, SAP Sovereign Cloud, Delos, AWS European Sovereign Cloud seit 14. Januar 2026). Drittens disqualifiziert sich jede Engine ohne ernsthafte Self-Host- oder On-prem-Option strukturell für regulierte DACH-Workloads.

Bewertungskriterien für den Vector Database Vergleich

Die folgenden Kriterien strukturieren jeden seriösen Enterprise-Vergleich:

• Hosting und EU-Region: Managed Cloud, Self-Hosting auf eigenem Kubernetes, oder souveräne DACH-Cloud. Entscheidend ist die Jurisdiktion, nicht nur die Regionswahl.
• Skalierung: Praktische Obergrenze pro Node und sauberer Pfad zu höheren Größenordnungen.
• Metadaten-Filtering: Korrektheit gefilterter ANN-Abfragen (pgvector 0.8 schloss mit iterative scan die alte Overfiltering-Lücke).
• Hybrid-Search-Support: dense plus BM25/SPLADE und Fusion per Reciprocal Rank Fusion.
• Konsistenz und Löschbarkeit: Effiziente Punkt-Löschung ist DSGVO-relevant (Art. 17).
• Kosten und Reife: Working-Set-Speicher, Lizenzmodell, Produktionsreferenzen.

Der direkte Vergleich der führenden Vektordatenbanken

Die folgende Tabelle fasst die führenden Optionen entlang der wichtigsten Kriterien zusammen. Die Souveränitäts-Ampel bedeutet: grün = souverän betreibbar, gelb = Managed-Angebot in EU-Region akzeptabel, orange = US-Cloud nur für nicht sensible Workloads, rot = nur US-Cloud.

pgvector bringt laut Changelog seit Version 0.7.0 (April 2024) halfvec (halber Speicher bei vernachlässigbarem Recall-Verlust) und binary_quantize, seit Version 0.8.0 (Oktober 2024) iterative scan. Die praktische Obergrenze für pgvector mit HNSW ohne weitere Erweiterung liegt im Bereich 10 bis 50 Millionen Vektoren pro Node; darüber ist pgvectorscale mit StreamingDiskANN der saubere Postgres-Pfad. Beide Erweiterungen laufen in derselben Postgres-Instanz wie die Daten deiner Enterprise-Software, sofern du pgvectorscale dort installieren kannst, etwa auf selbst betriebenem Postgres oder, für nicht regulierte Daten, in Tiger Cloud. Die Managed-Angebote von IONOS und STACKIT führen in ihren Extension-Listen pgvector, aber kein pgvectorscale. Ob die Instanz on-premise oder in der EU-Cloud laufen sollte, klärt der Beitrag On-Premise vs. EU-Cloud für AI Agents.

Qdrant verdient für DACH eine gesonderte Erwähnung: Sitz in Berlin, Apache 2.0, Kern in Rust. Laut Qdrant hatte das Projekt im März 2026 über 250 Millionen Downloads und 29.000 GitHub-Sterne; im selben Monat schloss Qdrant eine Series B in Höhe von 50 Millionen US-Dollar ab (Lead AVP, mit Bosch Ventures). Produktionsreferenzen umfassen Bosch, Tripadvisor und HubSpot. Qdrant Hybrid Cloud wurde explizit mit STACKIT, Aleph Alpha und Civo als souveräne Partner gestartet.

Pinecone, Turbopuffer und Vectara sind nicht pauschal disqualifiziert, aber als orange einzustufen: EU-Regionen existieren, doch das Zugriffsrisiko über den CLOUD Act und FISA 702 bleibt. Für regulierte Workloads sind sie typischerweise strukturell vom Tisch. Wie Pinecone gegen die beiden europäischen Engines abschneidet, zeigt der Detailvergleich von Pinecone, Weaviate und Qdrant.

Hybrid-Search und Konsistenz in der Praxis

Fast jedes produktive DACH-RAG-System sollte 2026 Hybrid-Search plus Reranker fahren, egal ob es on-premise oder in der EU-Cloud läuft. Was beides bringt, zeigt Anthropics Contextual-Retrieval-Studie: Einfaches Embedding plus BM25 senkt die Fehlerquote beim Top-20-Retrieval von 5,7 auf 5,0 Prozent, mit Reranker auf 3,5 Prozent. Werden die Chunks vorher mit Kontext angereichert (Contextual Retrieval), sinkt sie mit kontextualisierten Embeddings plus kontextualisiertem BM25 auf 2,9 Prozent (minus 49 Prozent), mit Reranker auf 1,9 Prozent (minus 67 Prozent). Gegenüber einfacher Hybrid-Search senkt die Kontextanreicherung die Fehlerquote damit noch einmal um gut 40 Prozent (von 5,0 auf 2,9 Prozent ohne Reranker, von 3,5 auf 1,9 Prozent mit Reranker).

Bei der Konsistenz ist die Löschsemantik das harte Ausschlusskriterium im Einkauf: HNSW-Graphen löschen nicht sofort. Die meisten Engines markieren Punkte zunächst als gelöscht und räumen Graph und Speicher später auf. pgvector markiert gelöschte Zeilen über Postgres-MVCC als tot und entfernt sie beim VACUUM, Qdrant entfernt markierte Punkte über seinen Vacuum-Optimizer, Milvus arbeitet mit Tombstones und anschließender Kompaktierung, SAP HANA Vector löscht per DELETE-Anweisung. Wer Art. 17 DSGVO (Recht auf Löschung) erfüllen muss, prüft vor Vertragsabschluss, wann gelöschte Vektoren physisch entfernt sind.

Praxisbeispiel: Speicher- und Kostenrechnung

Ein konkretes Rechenbeispiel für 10 Millionen Vektoren bei 1024 Dimensionen verdeutlicht die Kostenhebel (HNSW):

• float32 (Baseline): Rohvektoren 40 GB, HNSW-Overhead 50 bis 100 Prozent, effektiver Working Set 60 bis 80 GB.
• halfvec (float16): rund 30 bis 40 GB bei vernachlässigbarem Recall-Verlust.
• SQ8 (Scalar Quantization): rund 10 bis 20 GB, etwa 1 bis 3 Prozent Recall-Verlust.
• Binary plus Rescore: rund 5 bis 10 GB, aber nur mit Full-Vector-Rescore der Top-N-Kandidaten.

Wichtig: Naive Binary Quantization ohne Rescore verliert auf harten Benchmarks 30 bis 60 Prozent recall@10. Für deutsche Rechts-, Medizin- und Finanzinhalte ist der konservative Default deshalb halfvec, in Engines mit Skalarquantisierung (etwa Qdrant oder Milvus) SQ8, jeweils mit optionalem Binary-Rescore. Auf STACKIT, IONOS, OTC, Hetzner und Delos ist speicheroptimierte Instanz-Preisgestaltung für diese Working-Set-Größen konkurrenzfähig, mit einem typischen Souveränitäts-Aufschlag von rund 10 bis 20 Prozent (Stand 2026), in Linie mit dem AWS-European-Sovereign-Cloud-Premium beim Launch im Januar 2026.

Wann pgvector reicht und wann nicht

Für die meisten Mittelstands-RAG-Projekte unter rund 50 Millionen Vektoren ist die richtige 2026-Antwort pgvector auf einem souveränen Managed-Postgres mit pgvectorscale als Upgrade-Pfad, für den du auf selbst betriebenes Postgres wechselst; Tiger Cloud des US-Anbieters Tiger Data kommt nur für nicht regulierte Daten infrage. Operativ bedeutet das eine Datenbank, ein Backup-Konzept und eine DSGVO-AVV-Kette, also eine deutlich kleinere Souveränitätsfläche als das Einführen einer dedizierten Vektor-DB. Timescales veröffentlichter Benchmark auf 50 Millionen Cohere-768-Embeddings zeigt pgvectorscale mit 28-fach niedrigerer p95-Latenz und 16-fach höherem QPS gegenüber Pinecone s1 bei 99 Prozent Recall (Herstellerangabe, Größenordnung plausibel).

Gründe, von pgvector abzuweichen: native Multi-Vector-/ColPali-Anforderungen (dann Qdrant, Weaviate, Milvus 2.4+ oder Vespa als reifste ColBERT-Engine), Skalierung jenseits von 100 Millionen Vektoren (Milvus mit IVF-PQ/DiskANN), oder SAP-residente Daten. Für letztere ist SAP HANA Cloud Vector Engine der Standard, weil ein zusätzlicher Souveränitätsübergang, ein weiteres Glied in der AVV-Kette und die Haftung für Datenbewegungen entfallen. Das typische 2026-Konzern-Muster ist daher HANA Vector für SAP-residente Daten plus Qdrant oder Weaviate (oder pgvector für Kostenbewusste) für unstrukturierte Dokumente, komplementär, nicht konkurrierend.

Ein kurzer Compliance-Hinweis: Dieser Artikel ersetzt keine Rechtsberatung. Genannte DSGVO-Artikel, EDPB-Dokumente und Urteile dienen der Orientierung; die konkrete Einordnung von Embeddings, AVV-Ketten und Re-Identifikations-Risikobewertungen gehört in die Hände qualifizierter Datenschutz- und Rechtsexperten.

Für Agenturen und B2B-Entscheider

Für Marketing-Agenturen und AI-native Produktunternehmen lohnt eine gestufte Strategie: pgvector auf Managed Postgres (IONOS, STACKIT, Aiven EU) mit Schema-pro-Mandant als Multi-Tenant-Default, Qdrant Cloud EU oder Qdrant auf Kunden-Kubernetes für Tenants jenseits von etwa 10 Millionen Chunks. Für DACH-B2B-Entscheider gilt: Behandle die Vektor-DB-Wahl als Souveränitätsentscheidung, bevorzuge OSS-Engines wegen konkreter Exit-Portabilität und verankere Sovereign-Exit-Klauseln in jedem Managed-Vertrag. Blck Alpaca aus Wien begleitet DACH-Unternehmen bei genau dieser Architekturentscheidung, von der pgvector-Pilotierung bis zum souveränen Qdrant-Hybrid-Cloud-Setup auf STACKIT.