Qdrant, 전용 벡터 검색이 AI 검색을 장악할 것이라 확신하다; 5,000만 달러 시리즈 B

Rust로 작성된 오픈소스 벡터 데이터베이스 및 검색 엔진: 페이로드 메타데이터와 함께 임베딩을 저장하고, 검색 중 필터링하며, 밀집·희소·다중 벡터 쿼리를 지원하고, 엣지 기기에서 관리형 클라우드까지 배포할 수 있다.

검색이 AI의 핵심 인프라이며 기능이 아니라는 것 — 따라서 팀들은 범용 데이터베이스에 검색을 덧붙이는 대신 전용 오픈소스 Rust 벡터 엔진을 도입한다.

2023년 4월 750만 달러 조달; 2024년 1월 Spark Capital이 주도하고 Unusual Ventures와 42CAP이 참여한 2,800만 달러 시리즈 A; 2026년 3월 AVP가 주도하고 Bosch Ventures, Unusual Ventures, Spark Capital, 42CAP이 참여한 5,000만 달러 시리즈 B; 총 조달액 약 8,780만 달러.

2021년 베를린에서 Andre Zayarni와 공동 창업자들이 설립한 Qdrant는 Rust로 구축된 오픈소스 프로젝트로 프로덕션 벡터 검색을 겨냥했다. 회사는 2023년 4월 750만 달러를 조달했고, 2024년 1월 시리즈 A 당시 독립적으로 계속 확장하기 위해 주요 데이터베이스 업체의 인수 제안을 거절했다고 밝혔다(TechCrunch).

시리즈 A는 엔지니어링 중심 회사에 사업 팀을 꾸리고, 온프레미스 에디션과 AWS, Azure, GCP 클라우드 버전을 출시하는 데 자금을 지원했다. RAG 붐을 거치며 Qdrant는 Canva, Bazaarvoice, HubSpot, Roche, Bosch, OpenTable에서 프로덕션 배포를 확보했고, 2026년 3월의 5,000만 달러 시리즈 B는 '조합 가능한' 검색 프리미티브와 온디바이스 AI를 위한 Qdrant Edge에 자금을 지원한다.

여전히 확장 중: 2026년 시리즈 B 기준 Qdrant는 2억 5,000만 회 이상 다운로드, 2만 9,000개 이상의 GitHub 스타, 약 8,780만 달러 조달을 보고하며, 엣지 기기에서 Argonne 국립연구소의 Aurora 같은 슈퍼컴퓨터까지 검색을 핵심 인프라로 자리매김하고 있다.

RAG는 검색을 모든 AI 앱의 핵심 경로로 만들었지만, 팀들은 프로덕션 부하 속에서 프로토타입 시대의 벡터 검색을 넘어섰다 — Qdrant는 바로 그 벽을 공략했다.

Rust와 맞춤형 HNSW 및 이진 양자화는 측정 가능한 성과(메모리 32배 절감, 약 40배 속도 향상)를 만들어 엔지니어들이 전환할 이유를 제공했다.

오픈소스는 벤더 종속을 제거했다 — 독점 검색 벤더에 실망한 기업에게 결정적 논거였으며, 클라우드/온프레미스/엣지 옵션이 커뮤니티를 수익화했다.

인수 제안 대신 투자를 선택함으로써 회사는 벡터 DB 과열 주기 동안 독립성을 유지했고, 시장이 통합되기 전에 채택을 축적할 수 있었다.

조합 가능성(밀집/희소/다중 벡터, 검색 중 필터)은 모든 사용 사례를 하나의 고정 파이프라인으로 몰아넣는 대신 에이전트 워크로드가 실제로 쿼리하는 방식과 맞았다.

측정 가능한 성과는 혼잡한 시장을 뚫었다: 전용 엔진(메모리 32배 절감, 약 40배 속도 향상)과 오픈소스 — 종속 없음 — 가 벡터 DB 물결이 정점에 이르기 전에 Qdrant의 프로덕션 팀을 확보했다.

2026년 9월 기준 Qdrant는 독립성을 유지하며 확장 중이다: 5,000만 달러 시리즈 B(2026-03-12 발표) 이후 약 8,780만 달러 조달, 2억 5,000만 회 이상 패키지 다운로드, 2만 9,000개 이상의 GitHub 스타를 보고하며, Canva, HubSpot, Bosch, Roche, Bazaarvoice, OpenTable을 포함한 프로덕션 고객을 보유하고 있다. 로드맵은 조합 가능한 검색 프리미티브와 온디바이스 에이전트를 위한 Qdrant Edge에 집중되어 있으며, 엔진은 Argonne의 Aurora를 포함해 수십억 규모에서 작동한다. 남은 질문은 검색 및 데이터베이스 거대 기업들이 벡터 기능을 추가하는 가운데 전용 벡터 데이터베이스가 자리를 지킬 수 있는지다.