Qdrant setzt auf dedizierte Vektorsuche als KI-Retrieval-Gewinner; 50 Mio. US-Dollar Series B

Eine in Rust geschriebene Open-Source-Vektordatenbank und Suchmaschine: speichert Embeddings mit Payload-Metadaten, filtert während der Suche, unterstützt dichte, sparse und Multi-Vektor-Abfragen und lässt sich von Edge-Geräten bis zur verwalteten Cloud bereitstellen.

Dass Retrieval Kerninfrastruktur für KI ist und kein bloßes Feature – Teams daher eine dedizierte Open-Source-Vektor-Engine in Rust einsetzen, statt die Suche an eine allgemeine Datenbank anzudocken.

7,5 Mio. US-Dollar eingeworben im April 2023; 28 Mio. US-Dollar Series A unter Führung von Spark Capital mit Unusual Ventures und 42CAP (Januar 2024); 50 Mio. US-Dollar Series B unter Führung von AVP mit Bosch Ventures, Unusual Ventures, Spark Capital und 42CAP (März 2026); insgesamt rund 87,8 Mio. US-Dollar eingeworben.

Qdrant wurde 2021 in Berlin von Andre Zayarni und Mitgründern gegründet und zielte als Open-Source-Projekt in Rust auf produktionsreife Vektorsuche. Das Unternehmen warb im April 2023 7,5 Mio. US-Dollar ein und erklärte zur Series A im Januar 2024, es habe ein Übernahmeangebot eines großen Datenbankanbieters abgelehnt, um unabhängig weiter zu skalieren (TechCrunch).

Die Series A finanzierte ein Geschäftsteam rund um ein stark technisch geprägtes Unternehmen sowie die Veröffentlichung einer On-Premise-Edition und einer Cloud auf AWS, Azure und GCP. Im Zuge des RAG-Booms erzielte Qdrant Produktionseinsätze bei Canva, Bazaarvoice, HubSpot, Roche, Bosch und OpenTable; die 50 Mio. US-Dollar Series B vom März 2026 finanzieren „komponierbare“ Retrieval-Primitive und Qdrant Edge für KI auf dem Gerät.

Weiterhin im Skalieren: Stand der Series B 2026 meldet Qdrant über 250 Mio. Downloads, über 29.000 GitHub-Sterne und rund 87,8 Mio. US-Dollar eingeworbenes Kapital und positioniert Retrieval als Kerninfrastruktur von Edge-Geräten bis zu Supercomputern wie Aurora am Argonne National Laboratory.

RAG machte Retrieval zum kritischen Pfad jeder KI-Anwendung, doch Teams entwachsen der Vektorsuche aus der Prototypenphase unter Produktionslast – Qdrant griff genau diese Wand an.

Rust plus ein maßgeschneiderter HNSW und binäre Quantisierung erbrachten messbare Gewinne (32-fache Speichereinsparung, etwa 40-fache Beschleunigung), die Ingenieuren einen Grund zum Wechsel gaben.

Open Source beseitigte Vendor-Lock-in – ein entscheidendes Argument für Unternehmen, die von proprietären Suchanbietern enttäuscht wurden –, während Cloud-, On-Premise- und Edge-Optionen die Community monetarisierten.

Die Entscheidung für Investitionen statt eines Übernahmeangebots hielt das Unternehmen durch den Hype-Zyklus der Vektor-DBs unabhängig und ließ es die Adoption steigern, bevor der Markt konsolidierte.

Komponierbarkeit (dicht/sparse/Multi-Vektor, Filter während der Suche) entsprach der tatsächlichen Abfrageweise agentischer Workloads, statt jeden Anwendungsfall durch eine feste Pipeline zu zwingen.

Messbare Gewinne setzten sich in einem überfüllten Markt durch: eine dedizierte Engine (32-fache Speichereinsparung, etwa 40-fache Beschleunigung) plus Open Source – kein Lock-in – gewann für Qdrant Produktionsteams, bevor die Vektor-DB-Welle ihren Höhepunkt erreichte.

Stand September 2026 bleibt Qdrant unabhängig und wächst: nach der 50 Mio. US-Dollar Series B (angekündigt am 12.03.2026) meldet das Unternehmen rund 87,8 Mio. US-Dollar eingeworbenes Kapital, über 250 Mio. Paket-Downloads und über 29.000 GitHub-Sterne, mit Produktionskunden wie Canva, HubSpot, Bosch, Roche, Bazaarvoice und OpenTable. Die Roadmap konzentriert sich auf komponierbare Retrieval-Primitive und Qdrant Edge für Agenten auf dem Gerät, und die Engine läuft in Milliardenmaßstab, auch auf Aurora am Argonne. Die offene Frage ist, ob sich dedizierte Vektordatenbanken behaupten können, während Such- und Datenbankgiganten Vektorfunktionen hinzufügen.