Publié 2026-06-25 · numéros de référence, vérifier avant de budgétiser
Demandez « combien coûte une base de données vectorielles ? » et vous obtiendrez quatre réponses selon qui vend. La réponse honnête est que pour la plupart des applications de récupération augmentée (RAG), la facture est minuscule jusqu'à ce que vous évoluiez – et que la couche de stockage n’est presque jamais la partie coûteuse d’une fonctionnalité d’IA. La partie la plus coûteuse est l'appel LLM qui a lieu après la récupération. Mais la base de données vectorielle est l'élément de campagne sur lequel les gens se concentrent, alors dimensionnons-le. Nous prendrons une charge de travail concrète et l'exécuterons Pomme de pin, Zilliz Cloud, Qdrant, Weaviate et auto-hébergé pgvecteur.
Une application RAG de taille moyenne : 500 000 vecteurs, chacun un 1536 dimensions intégration (la taille OpenAI text-embedding-3-small produit), servir 1 000 000 de requêtes par mois. C'est un vrai produit : une recherche de documentation, un copilote de support, une base de connaissances interne avec un trafic constant. La première chose à calculer n'est pas le prix, c'est le empreinte de stockage, car c'est ce que chaque fournisseur facture.
Un vecteur est un tableau de flottants de 32 bits. Ainsi, un plongement de 1536 dimensions est 1536 × 4 = 6 144 octets, environ 6 Ko. Multipliez par 500 000 vecteurs et cela fait environ 3 Go de vecteurs bruts. Ajouter grossièrement 50 % de frais généraux pour la structure d'index (graphiques HNSW ou FIV) et les métadonnées que chaque magasin conserve aux côtés des vecteurs, et vous atterrissez près de 4,6 Go de stockage indexé. Gardez ce numéro, c'est toute l'histoire :
| Conducteur | Mathématiques | Résultat |
|---|---|---|
| Un vecteur de 1536 jours | 1536 × 4 octets | ~6 Ko |
| 500 000 vecteurs (bruts) | 6 Ko × 500 Ko | ~3,1 Go |
| + index et métadonnées | × ~1,5 | ~4,6 Go |
Il en ressort immédiatement deux choses. D'abord, la dimension est un levier de coût: passer à un modèle à 3072 dimensions (text-embedding-3-large) et vous doublez ce nombre pour obtenir exactement le même nombre de vecteurs. Deuxièmement, 4,6 Go, c’est petit. C’est la punchline que la plupart des pages de tarification enterrent.
Voici où les modèles de tarification divergent et pourquoi les tableaux comparatifs sont trompeurs. Pomme de pin et facture Zilliz Cloud usage - Go stockés plus unités de lecture/écriture - donc un point de terminaison gourmand en requêtes coûte plus cher que ce que son stockage implique. Facture Qdrant et Weaviate calcul/RAM - vous choisissez un cluster suffisamment grand pour contenir l'index en mémoire, donc le coût suit le stockage, pas les requêtes. Et pgvector n'est qu'une extension de Postgres : si vous exploitez déjà une base de données, le coût marginal de l'ajout de vecteurs est proche de zéro. Aplati à une estimation mensuelle comparable pour notre charge de travail de 4,6 Go/1 million de requêtes :
| Fournisseur | Modèle de tarification | HNE. / mois |
|---|---|---|
| pgvector (auto-hébergé sur un VPS que vous exécutez) | calculer | ~ 40 $ (souvent 0 $ marginal) |
| Cloud Qdrant | calcul / RAM | ~26 $ |
| Nuage de Zilliz (Milvus) | usage | ~6 $ |
| Weaviate Cloud | calcul / RAM | ~2 $ |
| Pomme de pin sans serveur | usage | ~18 $ |
Regardez la gamme : dollars par mois entre un chiffre et deux chiffres. Quelle que soit la façon dont vous la coupez, la couche de stockage pour une application vectorielle de 500 000 est une erreur d'arrondi à côté des coûts d'intégration et de génération qui l'entourent. Le débat sur « quelle base de données vectorielle est la moins chère » ne concerne que l'argent réel avec des dizaines de millions de vecteurs ou des taux de requêtes extrêmes - en dessous, choisissez les opérations et les fonctionnalités, pas le prix.
Trois éléments déplacent une facture de base de données vectorielle, et aucun d'entre eux n'est le logo sur le tableau de bord :
Pour une application RAG de 500 000 vecteurs et 1 million de requêtes en 2026, budget moins de ~40$/mois pour la base de données vectorielles sur l'un d'entre eux - et souvent pour quelques dollars ou effectivement gratuitement sur pgvector. Dimensionner le empreinte de stockage Tout d'abord (vecteurs × dimension × 4 octets × ~ 1,5), décidez si votre trafic est lié au stockage ou aux requêtes, puis choisissez les opérations plutôt que le prix de l'étiquette. Le magasin de récupération est la partie bon marché de RAG ; l'appel LLM après c'est là que vous devriez dépenser votre énergie d'optimisation - voir le Calculateur de coût RAG pour une image complète.
Essayez vous-même les chiffres : le calculateur de coût de base de données vectorielle prend votre nombre de vecteurs, vos dimensions et votre volume de requêtes et compare les cinq fournisseurs. Dimensionnez ensuite le reste du pipeline avec le Calculateur de coût RAG ou le produit entier avec le Estimateur du coût des applications d'IA. C'est la même leçon que des coûts API cachés qui doublent votre facture: modélisez le pilote, pas le logo.
Les chiffres sont des estimations de référence (juin 2026) et changent fréquemment. Les modèles de tarification de Vector DB diffèrent considérablement (basés sur l'utilisation ou basés sur le calcul) et les niveaux gratuits (Pinecone Starter, cluster gratuit Zilliz, Qdrant 1 Go gratuit) ne sont pas soustraits ici. Confirmez toujours sur la page de tarification officielle de chaque fournisseur avant de budgétiser.