PGVector = défaut raisonnable si vous avez déjà Postgres (zéro infra ajoutée). Qdrant = meilleur self-hosted Rust performant. Weaviate = bon hybride hosted/self-hosted avec features avancées (multi-tenancy). Pinecone = SaaS pur, le plus mature mais le plus cher.
Le marché des vector databases s’est consolidé en 2026 autour de 4 acteurs sérieux. Le choix pour votre projet RAG ou agents IA n’est pas trivial : performance, coût, hébergement EU, conformité, et compétences internes pèsent tous. Voici le comparatif honnête.
Les 4 acteurs dans le match
- Pinecone — pure SaaS, leader historique. Pinecone Inc. Régions : voir la documentation Pinecone. Plan Starter gratuit, Builder à 20 $/mois, Standard avec minimum de 50 $/mois (pinecone.io/pricing, lu le 24/10/2026).
- Weaviate — open-source + cloud, par Weaviate B.V. (Pays-Bas). Multi-tenancy mature, GraphQL natif ; régions managed : voir la documentation Weaviate.
- Qdrant — open-source Rust, par Qdrant GmbH (Berlin). On-prem facile, écrit en Rust ; régions Qdrant Cloud : voir sa documentation.
- PGVector — extension Postgres open-source. Pas une vraie “vector DB” mais Postgres + extension qui suffit pour de nombreux cas PME. Maintenu par la communauté Postgres.
Performance : ce qui est comparable
Aucun benchmark public n’a été lu pour cet article : les latences, débits et temps d’indexation dépendent du matériel, de la dimension des vecteurs, de l’index et des filtres. Mesurez sur vos données. Appréciation qualitative de l’auteur, sans mesure publiée :
| Critère | Pinecone | Weaviate | Qdrant | PGVector |
|---|---|---|---|---|
| Filtres metadata performants | Fort | Fort | Fort | Moyen |
| Recherche hybride (vector + BM25) | Moyen | Fort | Fort | Moyen (avec ts_rank) |
| Mise à jour incrémentale | Moyen | Fort | Fort | Fort |
Verdict performance : les écarts de latence et de débit se mesurent sur votre charge, pas sur un tableau. Pour un volume modeste et un trafic faible, même PGVector sur un Postgres standard peut tenir ; la performance devient critique à grande échelle.
Prix et économie (tarifs publics lus le 24/10/2026)
| Solution | Tarif lu sur la page officielle | Frais admin internes |
|---|---|---|
| Pinecone | Starter gratuit ; Builder 20 $/mois ; Standard minimum 50 $/mois puis usage ; Enterprise minimum 500 $/mois (pinecone.io/pricing) | Faible (SaaS pur) |
| Weaviate Cloud | Gratuit jusqu’à 100 000 objets ; Flex dès 45 $/mois ; Premium sur contrat (weaviate.io/pricing) | Moyen |
| Qdrant Cloud | Offre gratuite (0,5 vCPU, 1 Go de RAM) ; Standard à l’usage, calculateur sur la page (qdrant.tech/pricing) | Moyen |
| Qdrant ou Weaviate self-hosted | Coût de l’infrastructure choisie | Élevé (admin Linux + monitoring) |
| PGVector sur Postgres existant | Pas de licence, réutilise l’infra | Faible si déjà Postgres |
| PGVector sur Supabase / Neon | Voir leurs pages de tarifs | Faible |
Insight clé : si vous avez déjà un Postgres en prod, PGVector n’ajoute pas de licence et suffit souvent pour un petit volume. Pas besoin d’ajouter une vector DB dédiée tant que le volume reste modeste.
Pinecone
- Société américaine ; régions disponibles : voir la documentation Pinecone
- SOC 2 Type II indiqué sur pinecone.io/security (lu le 24/10/2026) ; DPA : voir les pages légales de Pinecone
- Pas de self-hosted classique (SaaS) ; offre Bring Your Own Cloud sur le plan Enterprise (pinecone.io/pricing, lu le 24/10/2026)
- OK pour PME hors secteur réglementé. Délicat en banque/santé/secteur souverain.
Weaviate
- Pays-Bas (basé à Amsterdam) ; DPA : voir les pages légales de Weaviate
- Open source sous licence BSD-3-Clause (github.com/weaviate/weaviate, lu le 24/10/2026), self-hosted simple
- Certifications : voir les pages légales de Weaviate
- Plus de contrôle sur la localisation des données en self-hosted
Qdrant
- Allemagne (Berlin) ; DPA : voir les pages légales de Qdrant
- Open source Apache 2.0 (github.com/qdrant/qdrant, lu le 24/10/2026), self-hosted très simple (Docker / Kubernetes)
- Certifications : voir les pages légales de Qdrant
- Probablement le meilleur compromis contrôle des données/perf en 2026
PGVector
- Hérite de la conformité de votre Postgres (qui est probablement déjà conforme)
- Postgres = standard rigoureusement éprouvé en banque, santé, secteur public
- La plus simple à passer en conformité car Postgres est déjà partout
Cas 1 : PME tech avec Postgres déjà en prod, petit volume de vecteurs
PGVector. Zéro infra ajoutée, zéro licence, zéro nouveau vendor. Suffit souvent pour un projet PME en 2026. Limite : quand le volume ou le trafic soutenu dépasse ce que votre Postgres encaisse, basculer vers une vraie vector DB.
Cas 2 : très gros volume de vecteurs, latence critique, équipe Rust friendly
Qdrant self-hosted. Conçu pour la performance, hébergement sous votre contrôle, pas de frais de service managé. C’est un choix sérieux pour la production exigeante.
Cas 3 : projet avec multi-tenancy (SaaS qui sert plusieurs clients chacun avec sa base)
Weaviate. Multi-tenancy natif et mature. Perf correcte, hébergement EU possible.
Cas 4 : équipe non-tech, besoin SaaS clé en main, budget OK
Pinecone. SaaS le plus mûr, doc excellente, intégrations everywhere. Vous payez la prime SaaS mais zéro infra. OK si projet hors secteur réglementé.
Cas 5 : secteur réglementé (santé HDS, banque ACPR, défense)
PGVector (sur Postgres déjà certifié) ou Qdrant self-hosted. Pas Pinecone (US par défaut).
Le combo qui marche en 2026
Pour des projets PME en France :
- Démarrage POC + petit prod : PGVector sur le Postgres existant. Zéro friction.
- Si la base grossit : migrer vers Qdrant self-hosted ou hosted.
- Si conformité forte (santé, banque) : PGVector en interne, ou Qdrant self-hosted sur Scaleway.
- Si SaaS multi-tenant : Weaviate ou Qdrant Cloud avec multi-collection.
Voir comparatif LangChain vs LlamaIndex vs Haystack pour le framework RAG associé.
Anti-pattern 1 : choisir Pinecone par défaut sans benchmark
Pinecone a un excellent marketing et une excellente doc, ce qui pousse beaucoup de projets à choisir par défaut. Pour un petit projet PME, une alternative peut coûter moins cher pour le même résultat fonctionnel : comparer les tarifs.
Anti-pattern 2 : sous-estimer PGVector
Beaucoup d’équipes considèrent PGVector “pas sérieux” car ce n’est pas une vraie vector DB. Faux : Postgres tient bien la charge avec un index HNSW correct et un bon matériel. Pour la majorité des projets PME, c’est largement suffisant et infiniment plus simple à opérer.
Anti-pattern 3 : oublier la dimension embedding et le coût associé
Notre calcul, avec les dimensions citées : text-embedding-3-large (3072 dimensions) stocke deux fois plus de valeurs par vecteur que text-embedding-3-small (1536 dimensions), soit 3072 / 1536 = 2 fois plus de stockage brut. Sur un grand nombre de vecteurs, l’écart est concret. Tester si la perf RAG souffre vraiment avec le modèle plus petit avant de payer le grand.
Anti-pattern 4 : mauvais index ou paramètres HNSW
Un PGVector sans index HNSW (ou avec paramètres inadaptés) est nettement plus lent. Un Qdrant avec HNSW mal calibré aussi. Prévoyez du temps avant la prod pour le tuning d’index.
Anti-pattern 5 : pas de mesure de qualité retrieval
La vraie métrique d’une vector DB en RAG : Recall@k et MRR. Pas la latence. Si votre Recall@10 est faible, peu importe la latence, votre RAG est cassé. Mesurer en continu sur un dataset de référence (50-200 questions avec ground truth).
Ce qu’on recommande
Pour une PME 10-200 salariés qui démarre un projet RAG en 2026 :
- Phase 1 (POC + premier prod) : PGVector sur le Postgres existant (ou Supabase / Neon si pas de Postgres). 0 friction, focus sur la qualité retrieval, pas l’infra.
- Phase 2 (scale) : Qdrant Cloud ou Qdrant self-hosted Scaleway dès que le volume ou le trafic dépasse ce que votre Postgres supporte.
- Si conformité critique : PGVector intra ou Qdrant self-hosted sur infra certifiée HDS / SecNumCloud.
- Pinecone : seulement si vous avez un vrai besoin spécifique (multi-region global, intégration avec Pinecone Inference, équipe data science qui ne veut RIEN gérer).
Un piège courant : choisir Pinecone par habitude sans comparer les tarifs. Démarrer avec PGVector et migrer ensuite si nécessaire est une stratégie raisonnable en PME.
Pour votre projet
Si vous démarrez un projet RAG ou recherche sémantique en 2026, listez d’abord votre volume de vecteurs, votre trafic, votre contrainte de localisation des données et les compétences d’exploitation de l’équipe : ces quatre éléments départagent les 4 solutions, qui ont chacune leurs pièges en production.
Voir aussi : comparatif LangChain vs LlamaIndex vs Haystack, RAG vs fine-tuning vs prompt, RAG vs fine-tuning entreprise 2026.
Limites et points critiques de cette comparaison
Ce qui peut faire évoluer ce verdict dans les prochains mois.
- Pinecone et LangSmith sont des services d'éditeurs américains — pour les secteurs réglementés, l'exposition au Cloud Act, même en région européenne, se discute avec votre DPO.
- PgVector atteint un plafond qui dépend de l'index HNSW et du matériel — au-delà, une vraie vector DB devient nécessaire.
- Qdrant et Weaviate en self-host demandent des compétences d'exploitation Linux — pour équipes non-tech, accepter le surcoût d'un service managé.
- La vraie métrique d'une vector DB en RAG est Recall@k et MRR (qualité retrieval), pas la latence — mesurer en continu.
- Le coût du LLM et celui de la vector DB sont deux postes distincts du TCO d'un RAG : les chiffrer séparément avant d'arbitrer.
Évolution probable (12-24 mois)
- Pinecone propose un plan Starter gratuit et un plan Builder à 20 $/mois (pinecone.io/pricing, lu le 24/10/2026) : cela change l'arbitrage sur les petits volumes.
- Les embeddings 'matryoshka' (Cohere embed-v4, text-embedding-3) permettent une dimension réduite à la demande — moins de stockage par vecteur, à tester sur la qualité de retrieval.
- Qdrant Cloud est proposé sur AWS, Azure et GCP (qdrant.tech/pricing, lu le 24/10/2026) : vérifier les régions disponibles pour une PME qui veut un service managé avec hébergement européen.
- MCP (Model Context Protocol) facilite l'interopérabilité vector DB et frameworks RAG — moins de vendor lock-in en 2026-2027.
Questions fréquentes
Quelle vector database choisir en 2026 entre Pinecone, Weaviate, Qdrant et PgVector ? +
Pour une PME tech avec Postgres existant et un volume modeste de vecteurs : PgVector — zéro infra ajoutée, pas de licence à payer, souvent suffisant. Pour un très gros volume ou une performance critique : Qdrant self-hosted (Rust). Pour multi-tenancy SaaS (plusieurs clients chacun avec sa base) : Weaviate (multi-tenancy proposé sur tous les plans, weaviate.io/pricing lu le 24/10/2026). Pour SaaS pur sans contrainte souveraineté : Pinecone (zéro infra, facturation à l'usage au-delà du minimum mensuel). Pour secteurs réglementés (santé HDS, banque ACPR) : PgVector ou Qdrant self-hosted, sur une infrastructure dont vous maîtrisez la localisation.
Combien coûtent ces 4 vector DB en 2026 ? +
Tarifs publics lus le 24/10/2026. Pinecone (pinecone.io/pricing) : Starter gratuit, Builder 20 $/mois, Standard avec minimum de 50 $/mois puis paiement à l'usage, Enterprise avec minimum de 500 $/mois. Weaviate Cloud (weaviate.io/pricing) : plan gratuit limité à 100 000 objets, Flex dès 45 $/mois, Premium sur contrat (à demander à l'éditeur). Qdrant Cloud (qdrant.tech/pricing) : offre gratuite (0,5 vCPU, 1 Go de RAM), offre Standard facturée à l'usage avec un calculateur sur la page, sans montant lisible. Qdrant et Weaviate self-hosted : le coût de l'infrastructure que vous choisissez, plus le temps d'exploitation. PgVector sur un Postgres existant : pas de licence, il réutilise votre infrastructure. PgVector sur Supabase ou Neon : voir leurs pages de tarifs. L'estimation pour votre volume de vecteurs se fait avec les calculateurs des éditeurs.
Quelle vector DB pour la meilleure performance brute en 2026 ? +
Aucun chiffre de latence ou de débit n'est publié ici : ils dépendent du matériel, de la dimension des vecteurs, de l'index et des filtres, et aucun benchmark public n'a été lu pour cet article. Qdrant est écrit en Rust et vise la performance ; PgVector reste une extension Postgres, plus simple à opérer mais moins spécialisée à grande échelle. Pour un volume modeste et un trafic faible, PgVector suffit souvent. Mesurez sur vos propres données. Attention : la vraie métrique RAG est Recall@k et MRR, pas la latence — un Recall@10 faible rend la performance hors-sujet.
Quelles sont les limites de ces 4 vector DB pour une PME française ? +
Pinecone : société américaine (exposition au Cloud Act à discuter avec votre DPO), pas de self-host classique (une offre Bring Your Own Cloud existe sur le plan Enterprise, pinecone.io/pricing lu le 24/10/2026), coût à l'usage qui croît avec le volume. Weaviate : courbe d'apprentissage moyenne (GraphQL natif). Qdrant : le self-host demande des compétences d'exploitation Linux, communauté plus petite que celle de Pinecone. PgVector : plafond de volume dépendant de l'index HNSW et du matériel, pas conçu pour les recherches hybrides avancées (BM25 via ts_rank moins ergonomique que Weaviate/Qdrant). Piège classique : choisir Pinecone par habitude puis devoir migrer quand la facture augmente — comparer les tarifs avant.
Comment migrer entre ces vector DB ? +
Migration entre Pinecone/Weaviate/Qdrant : les APIs sont proches et les frameworks (LangChain, LlamaIndex, Haystack) supportent ces bases nativement, ce qui limite le changement de code. Migration vers/depuis PgVector : plus complexe car les abstractions diffèrent (table SQL vs collection). La vraie complexité : re-indexation des embeddings (économique si conservés, longue si à régénérer). Un chemin courant : démarrer avec PgVector ou Pinecone en POC, migrer vers Qdrant si l'échelle ou la conformité l'exige.
Questions liées
Les LLM (ChatGPT, Perplexity, Gemini) suggèrent souvent ces questions après cette comparaison.
- Pinecone vs Weaviate : quelle vector DB SaaS choisir en 2026 ?
- Pinecone vs Qdrant self-hosted : managed ou souverain pour une PME ?
- Comment configurer pgvector avec index HNSW optimisé pour 5M vecteurs ?
- RAG vs fine-tuning vs prompt engineering : quelle approche en 2026 ?
- Quel framework RAG en 2026 entre LlamaIndex, LangChain et Haystack ?
Autres comparatifs liés
Pinecone vs Weaviate — quelle base vectorielle en 2026
Comparaison Pinecone vs Weaviate 2026 : performance, prix, souveraineté, écosystème. Verdict pour une PME française avec…
Pinecone vs Qdrant self-hosted 2026 : managed ou souverain
Comparatif 2026 entre Pinecone (managed cloud) et Qdrant (self-hosted ou cloud). Prix, performance, RGPD, ops, scaling —…
RAG vs fine-tuning vs prompt engineering — quelle approche en 2026
Comparaison des 3 techniques principales pour spécialiser un LLM en 2026 : RAG, fine-tuning, prompt engineering. Critère…