Qdrant apuesta a que la búsqueda vectorial dedicada ganará en la recuperación de IA; ronda Serie B de 50 M$

Base de datos vectorial y motor de búsqueda de código abierto escrito en Rust: almacena embeddings con metadatos de carga útil, filtra durante la búsqueda, admite consultas densas, dispersas y multivectoriales, y se despliega desde dispositivos de borde hasta la nube gestionada.

Que la recuperación es infraestructura central de IA, no una función accesoria, por lo que los equipos adoptan un motor vectorial dedicado de código abierto en Rust en lugar de añadir búsqueda a una base de datos general.

7,5 M$ recaudados en abril de 2023; Serie A de 28 M$ liderada por Spark Capital con Unusual Ventures y 42CAP (enero de 2024); Serie B de 50 M$ liderada por AVP con Bosch Ventures, Unusual Ventures, Spark Capital y 42CAP (marzo de 2026); aproximadamente 87,8 M$ recaudados en total.

Fundada en 2021 en Berlín por Andre Zayarni y cofundadores, Qdrant se orientó a la búsqueda vectorial de producción como proyecto de código abierto construido en Rust. La empresa recaudó 7,5 M$ en abril de 2023 y, en la Serie A de enero de 2024, declaró que había rechazado una oferta de adquisición de un importante actor del sector de bases de datos para seguir escalando de forma independiente (TechCrunch).

La Serie A financió un equipo de negocio en torno a una empresa con fuerte peso de ingeniería y el lanzamiento de una edición local (on-premise) además de la nube en AWS, Azure y GCP. Durante el auge del RAG, Qdrant logró despliegues en producción en Canva, Bazaarvoice, HubSpot, Roche, Bosch y OpenTable; la Serie B de 50 M$ de marzo de 2026 financia primitivas de recuperación «componibles» y Qdrant Edge para IA en dispositivos.

Sigue escalando: a la fecha de la Serie B de 2026, Qdrant reporta más de 250 M de descargas, más de 29 mil estrellas en GitHub y aproximadamente 87,8 M$ recaudados, posicionando la recuperación como infraestructura central desde dispositivos de borde hasta supercomputadoras como Aurora en el Laboratorio Nacional de Argonne.

El RAG convirtió la recuperación en la ruta crítica de toda aplicación de IA, pero los equipos superaron la búsqueda vectorial de la era de los prototipos bajo carga de producción; Qdrant atacó exactamente ese muro.

Rust junto con un HNSW personalizado y cuantización binaria produjeron mejoras medibles (ahorro de memoria de 32x, aceleraciones de ~40x) que dieron a los ingenieros una razón para cambiar.

El código abierto eliminó la dependencia de proveedor, un argumento decisivo para las empresas afectadas por proveedores de búsqueda propietarios, mientras que las opciones de nube/local/borde monetizaron la comunidad.

Elegir la inversión sobre una oferta de adquisición mantuvo a la empresa independiente durante el ciclo de hype de las bases de datos vectoriales, permitiéndole acumular adopción antes de que el mercado se consolidara.

La componibilidad (densa/dispersa/multivectorial, filtros durante la búsqueda) coincidió con la forma en que las cargas de trabajo agénticas realmente consultan, en lugar de forzar cada caso de uso a través de un único flujo fijo.

Las mejoras medibles se abrieron paso en un mercado abarrotado: un motor dedicado (ahorro de memoria de 32x, aceleraciones de ~40x) más código abierto —sin dependencia de proveedor— ganaron equipos de producción para Qdrant antes de que la ola de bases de datos vectoriales alcanzara su punto máximo.

A septiembre de 2026, Qdrant sigue siendo independiente y escalando: tras la Serie B de 50 M$ (anunciada el 2026-03-12) reporta aproximadamente 87,8 M$ recaudados, más de 250 M de descargas de paquetes y más de 29.000 estrellas en GitHub, con clientes de producción que incluyen a Canva, HubSpot, Bosch, Roche, Bazaarvoice y OpenTable. La hoja de ruta se centra en primitivas de recuperación componibles y Qdrant Edge para agentes en dispositivos, y el motor funciona a escala de miles de millones, incluso en Aurora en Argonne. La pregunta abierta es si las bases de datos vectoriales dedicadas se mantendrán por sí solas a medida que los gigantes de búsqueda y bases de datos añadan funciones vectoriales.