Qdrant parie que la recherche vectorielle dédiée l'emporte sur la récupération IA ; série B de 50 M$

Une base de données vectorielle et un moteur de recherche open source écrits en Rust : stocke les embeddings avec des métadonnées de payload, filtre pendant la recherche, prend en charge les requêtes denses, creuses et multi-vecteurs, et se déploie des appareils en périphérie jusqu'au cloud managé.

Que la récupération est une infrastructure IA centrale, et non une fonctionnalité — les équipes adoptent donc un moteur vectoriel Rust open source dédié plutôt que de greffer la recherche sur une base de données généraliste.

7,5 M$ levés en avril 2023 ; série A de 28 M$ menée par Spark Capital avec Unusual Ventures et 42CAP (janvier 2024) ; série B de 50 M$ menée par AVP avec Bosch Ventures, Unusual Ventures, Spark Capital et 42CAP (mars 2026) ; environ 87,8 M$ levés au total.

Fondée en 2021 à Berlin par Andre Zayarni et ses cofondateurs, Qdrant visait la recherche vectorielle en production sous forme de projet open source construit en Rust. L'entreprise a levé 7,5 M$ en avril 2023 et, lors de la série A de janvier 2024, elle a déclaré avoir refusé une offre d'acquisition d'un grand acteur des bases de données afin de continuer à se développer de manière indépendante (TechCrunch).

La série A a financé une équipe commerciale autour d'une entreprise à forte composante d'ingénierie, ainsi que la sortie d'une édition sur site et d'un cloud sur AWS, Azure et GCP. Pendant l'essor du RAG, Qdrant a obtenu des déploiements en production chez Canva, Bazaarvoice, HubSpot, Roche, Bosch et OpenTable ; la série B de 50 M$ de mars 2026 finance des primitives de récupération « composables » et Qdrant Edge pour l'IA embarquée sur appareil.

Toujours en phase de croissance : à la date de la série B de 2026, Qdrant rapporte plus de 250 M de téléchargements, plus de 29 k étoiles GitHub et environ 87,8 M$ levés, positionnant la récupération comme une infrastructure centrale, des appareils en périphérie jusqu'aux superordinateurs tels qu'Aurora au Argonne National Laboratory.

Le RAG a fait de la récupération le chemin critique de chaque application IA, mais les équipes ont dépassé la recherche vectorielle de l'ère des prototypes sous la charge de production — Qdrant s'est attaqué précisément à ce mur.

Rust, associé à un HNSW personnalisé et à une quantification binaire, a produit des gains mesurables (32x d'économies de mémoire, des accélérations d'environ 40x) qui ont donné aux ingénieurs une raison de changer.

L'open source a éliminé l'enfermement propriétaire — un argument décisif pour les entreprises échaudées par les fournisseurs de recherche propriétaires — tandis que les options cloud/sur site/périphérie ont monétisé la communauté.

Choisir l'investissement plutôt qu'une offre d'acquisition a maintenu l'entreprise indépendante tout au long du cycle d'engouement pour les bases de données vectorielles, lui permettant d'accumuler de l'adoption avant la consolidation du marché.

La composabilité (dense/creux/multi-vecteurs, filtres pendant la recherche) correspondait à la façon dont les charges de travail agentiques interrogent réellement, au lieu de forcer chaque cas d'usage dans un pipeline fixe unique.

Des gains mesurables ont percé dans un marché encombré : un moteur dédié (32x d'économies de mémoire, accélérations d'environ 40x) plus l'open source — sans enfermement — ont conquis les équipes de production de Qdrant avant le pic de la vague des bases de données vectorielles.

En septembre 2026, Qdrant reste indépendante et en croissance : après la série B de 50 M$ (annoncée le 2026-03-12), elle rapporte environ 87,8 M$ levés, plus de 250 M de téléchargements de paquets et plus de 29 000 étoiles GitHub, avec des clients en production incluant Canva, HubSpot, Bosch, Roche, Bazaarvoice et OpenTable. La feuille de route est centrée sur des primitives de récupération composables et Qdrant Edge pour les agents embarqués sur appareil, et le moteur fonctionne à l'échelle du milliard, y compris sur Aurora à Argonne. La question ouverte est de savoir si les bases de données vectorielles dédiées tiennent bon alors que les géants de la recherche et des bases de données ajoutent des fonctionnalités vectorielles.