Qdrant aposta que a busca vetorial dedicada vence a recuperação de IA; Série B de US$ 50 milhões

Banco de dados vetorial e mecanismo de busca open-source escrito em Rust: armazena embeddings com metadados de payload, filtra durante a busca, oferece suporte a consultas densas, esparsas e multi-vetoriais, e é implantado desde dispositivos de borda até nuvem gerenciada.

Que a recuperação é infraestrutura central de IA, não um recurso — por isso as equipes adotam um mecanismo vetorial dedicado em Rust open-source em vez de acoplar a busca a um banco de dados de uso geral.

US$ 7,5 milhões captados em abril de 2023; Série A de US$ 28 milhões liderada pela Spark Capital com Unusual Ventures e 42CAP (janeiro de 2024); Série B de US$ 50 milhões liderada pela AVP com Bosch Ventures, Unusual Ventures, Spark Capital e 42CAP (março de 2026); aproximadamente US$ 87,8 milhões captados no total.

Fundada em 2021 em Berlim por Andre Zayarni e cofundadores, a Qdrant mirou a busca vetorial de produção como um projeto open-source construído em Rust. A empresa captou US$ 7,5 milhões em abril de 2023 e, na Série A de janeiro de 2024, afirmou ter recusado uma oferta de aquisição de um grande player de banco de dados para continuar escalando de forma independente (TechCrunch).

A Série A financiou uma equipe de negócios em torno de uma empresa fortemente voltada à engenharia e o lançamento de uma edição on-premise, além da nuvem na AWS, Azure e GCP. Ao longo do boom da RAG, a Qdrant conquistou implantações em produção na Canva, Bazaarvoice, HubSpot, Roche, Bosch e OpenTable; a Série B de US$ 50 milhões de março de 2026 financia primitivas de recuperação 'componíveis' e o Qdrant Edge para IA em dispositivos.

Ainda escalando: na Série B de 2026, a Qdrant relata mais de 250 milhões de downloads, mais de 29 mil estrelas no GitHub e aproximadamente US$ 87,8 milhões captados, posicionando a recuperação como infraestrutura central desde dispositivos de borda até supercomputadores como o Aurora no Argonne National Laboratory.

A RAG tornou a recuperação o caminho crítico de todo aplicativo de IA, mas as equipes superaram a busca vetorial da era dos protótipos sob carga de produção — a Qdrant atacou exatamente esse obstáculo.

Rust somado a um HNSW personalizado e à quantização binária produziu ganhos mensuráveis (economia de memória de 32x, acelerações de ~40x) que deram aos engenheiros um motivo para migrar.

O open-source eliminou o aprisionamento a fornecedores — um argumento decisivo para empresas prejudicadas por fornecedores de busca proprietários — enquanto as opções de nuvem/on-premise/borda monetizaram a comunidade.

Escolher o investimento em vez de uma oferta de aquisição manteve a empresa independente durante o ciclo de hype dos bancos de dados vetoriais, permitindo que ela acumulasse adoção antes da consolidação do mercado.

A componibilidade (denso/esparso/multi-vetorial, filtros durante a busca) correspondeu à forma como as cargas de trabalho agênticas realmente consultam, em vez de forçar cada caso de uso por um pipeline fixo.

Ganhos mensuráveis abriram caminho em um mercado lotado: um mecanismo dedicado (economia de memória de 32x, acelerações de ~40x) somado ao open-source — sem aprisionamento — conquistou equipes de produção da Qdrant antes de a onda dos bancos de dados vetoriais atingir o pico.

Em setembro de 2026, a Qdrant permanece independente e em expansão: após a Série B de US$ 50 milhões (anunciada em 2026-03-12), relata aproximadamente US$ 87,8 milhões captados, mais de 250 milhões de downloads de pacotes e mais de 29.000 estrelas no GitHub, com clientes de produção incluindo Canva, HubSpot, Bosch, Roche, Bazaarvoice e OpenTable. O roteiro concentra-se em primitivas de recuperação componíveis e no Qdrant Edge para agentes em dispositivos, e o mecanismo opera em escala de bilhões, inclusive no Aurora no Argonne. A questão em aberto é se os bancos de dados vetoriais dedicados se sustentam à medida que gigantes de busca e bancos de dados adicionam recursos vetoriais.