Van glanzend object tot nuchtere realiteit: het vectordatabaseverhaal, twee jaar later

Toen ik voor het eerst schreef “Vectordatabases: Shiny Object Syndroom en het geval van een vermiste eenhoorn“ in maart 2024 werd de industrie overspoeld met hype. Vectordatabases werden geplaatst als volgende grote ding – een onmisbare infrastructuurlaag voor het generatie AI-tijdperk. Miljarden durfkapitaal vloeiden binnen, ontwikkelaars haastten zich om embedded systemen in hun pijplijnen te integreren en analisten volgden ademloos de financieringsrondes voor Dennenappel, Weaviat, Chroma, De draak en nog een tiental anderen.

De belofte was bedwelmend: eindelijk een manier om naar betekenis te zoeken in plaats van naar scherpe trefwoorden. Dump gewoon uw zakelijke kennis in een vectorwinkel, sluit u aan bij een LLM en zie hoe de magie gebeurt.

Alleen is de magie nooit werkelijkheid geworden.

Twee jaar later realiteitscheck is gearriveerd: 95% van de organisaties die investeren in gen-AI-initiatieven ervaren nul meetbaar rendement. En veel van de waarschuwingen die ik destijds heb geuit – over de beperkingen van vectoren, het drukke leverancierslandschap en het risico om vectordatabases als wondermiddeltjes te behandelen – zijn bijna precies zo uitgekomen als voorspeld.

Voorspelling 1: De vermiste eenhoorn

Destijds vroeg ik me af of Pinecone – het uithangbord van de categorie – de eenhoornstatus zou bereiken, of dat het de ‘ontbrekende eenhoorn’ van de databasewereld zou worden. Vandaag is die vraag op de meest veelzeggende manier beantwoord: Pinecone is dat wel naar verluidt het onderzoeken van een verkoopworstelt om uit te breken te midden van hevige concurrentie en klantenverloop.

Ja, Pinecone heeft grote rondes gemaakt en tentlogo’s ondertekend. Maar in de praktijk was het onderscheid dun. Open source-spelers als Milvus, Qdrant en Chroma onderbieden ze qua kosten. opgericht als Postgres (met pgVector) en Elasticsearch heeft eenvoudigweg vectorondersteuning als functie toegevoegd. En klanten vroegen steeds vaker: “Waarom een ​​geheel nieuwe database introduceren als mijn bestaande stapel vectoren al goed genoeg verwerkt?”

Het resultaat: Pinecone, ooit gewaardeerd op bijna een miljard dollar, is nu op zoek naar een huis. De ontbrekende eenhoorn. In september 2025, Pinecone benoemde Ash Ashutosh als CEO, waarbij oprichter Edo Liberty de overstap maakt naar een rol als Chief Scientist. De timing is veelzeggend: de leiderschapsverandering komt te midden van toenemende druk en vragen over de onafhankelijkheid op de lange termijn.

Voorspelling 2: Met alleen vectoren kom je er niet

Ik betoogde ook dat vectordatabases op zichzelf geen eindoplossing zijn. Als uw gebruikssituatie precisie vereist (zoals het zoeken naar “Error 221” in een handleiding), zou een pure vectorzoekopdracht “Error 222” graag als “dichtbij genoeg” dienen. Leuk in een demo, rampzalig in productie.

Deze spanning tussen gelijkenis en relevantie is fataal gebleken voor de mythe van vectordatabases als universele machines.

“Bedrijven hebben op een harde manier ontdekt dat semantiek correct is.”

Ontwikkelaars die lexicale zoekopdrachten met plezier overstapten op vectoren, introduceerden snel… lexicale zoekopdrachten opnieuw, samen met vectoren. Teams die verwachtten dat vectoren ‘gewoon zouden werken’, gingen zich uiteindelijk bezighouden met het filteren van metagegevens. herrangschikken en met de hand aangepaste regels. Tegen 2025 is de consensus duidelijk: vectoren zijn krachtig, maar alleen als onderdeel van een hybride stapel.

Voorspelling 3: Een druk veld wordt gecommoditiseerd

De explosie van het starten van vectordatabases was nooit duurzaam. Weaviate, Milvus (via Zilliz), Chroma, Vespa, Qdrant – claimden allemaal subtiele differentiatoren, maar voor de meeste kopers deden ze allemaal hetzelfde: vectoren opslaan en dichtstbijzijnde buren ophalen.

Tegenwoordig breken maar heel weinig van deze spelers uit. De markt is gefragmenteerd, gecommoditiseerd en wordt in veel opzichten geabsorbeerd door gevestigde bedrijven. Zoeken naar vectoren is nu een checkbox-functie op clouddataplatforms, en niet een op zichzelf staande gracht.

Precies zoals ik toen schreef: het onderscheiden van de ene vector-DB van de andere zal een steeds grotere uitdaging vormen. Die uitdaging is alleen maar moeilijker geworden. Gemeente, Margo, LanceDB, PostgreSQL, MySQL HeatWave, Orakel 23c, Azure SQL, Cassandra, Radijs, Neo4j, Enkele winkel, Elastisch zoeken, OpenZoeken, Apahce Solr… de lijst gaat maar door.

De nieuwe realiteit: Hybride en GraphRAG

Maar dit is niet alleen een verhaal van verval; het is een verhaal van evolutie. Uit de as van de vectorhype ontstaan ​​nieuwe paradigma’s die het beste van meerdere benaderingen combineren.

Hybride zoeken: trefwoord + vector is nu standaard voor serieuze toepassingen. Bedrijven hebben geleerd dat je zowel precisie als vaagheid, nauwkeurigheid en semantiek nodig hebt. Tools als Apache Solr, Elasticsearch, pgVector en Pinecone’s eigen “cascading retrieval” omarmen dit.

GrafiekRAG: Het populairste modewoord aan het einde van 2024/2025 is GraphRAG: verbeterde generatie voor het ophalen van grafieken. Door vectoren te combineren met kennisgrafieken codeert GraphRAG de relaties tussen entiteiten die alleen al door de inbedding vervagen. De uitbetaling is dramatisch.

Benchmarks en bewijs

• Amazon’s AI-blog waarbij benchmarks worden aangehaald Lettriawaarbij hybride GraphRAG de responsnauwkeurigheid verhoogde van ~50% naar meer dan 80% in testdatasets in de financiële sector, de gezondheidszorg, de industrie en de wetgeving.

• De GraphRAG-bank benchmark (uitgebracht in mei 2025) biedt een grondige evaluatie van GraphRAG versus vanilla RAG voor redeneringstaken, multi-hop-query’s en domeinuitdagingen.

• Een OpenReview-evaluatie van RAG versus GraphRAG ontdekte dat elke aanpak sterke punten heeft, afhankelijk van de taak, maar hybride combinaties werken vaak het beste.

• FalkorDB’s blograpporten dat wanneer schemaprecisie ertoe doet (gestructureerde domeinen), GraphRAG op bepaalde benchmarks een factor ~3,4x beter kan presteren dan het ophalen van vectoren.

De komst van GraphRAG onderstreept het grotere punt: het ophalen gaat niet over één enkel glanzend object. Het gaat over bouwen ophaalsystemen — Gelaagde, hybride, contextbewuste pijplijnen die LLM’s voorzien van de juiste informatie, met de juiste precisie, op het juiste moment.

Wat betekent het om vooruit te gaan

Het oordeel luidt: vectordatabases waren nooit het wonder. Ze waren een stap – een belangrijke stap – in de ontwikkeling van zoeken en terugvinden. Maar het zijn niet de play-offs, en dat zijn ze ook nooit geweest.

De winnaars op dit gebied zullen niet degenen zijn die vectoren als zelfstandige database verkopen. Zij zullen degenen zijn die het zoeken naar vectoren in bredere ecosystemen zullen integreren – door grafieken, metadata, regels en context-engineering te integreren in samenhangende platforms.

Met andere woorden: de eenhoorn is niet de vectordatabase. De eenhoorn is de ophaalstapel.

Vooruitkijken: hoe nu verder

• Uniforme dataplatforms zijn geschikt voor vector + grafiek: Verwacht dat grote DB- en cloudleveranciers geïntegreerde ophaalstacks (vector + grafiek + volledige tekst) als ingebouwde mogelijkheden zullen aanbieden.

• ‘Retrieval engineering’ zal als aparte discipline naar voren komen: Naarmate MLO’s volwassener worden, zullen ook de praktijken van geneste afstemming, hybride rangschikking en grafiekconstructie toenemen.

• Metamodellen die beter leren bevragen: Toekomstige LLM’s kunnen dat wel doen leren om te bepalen welke ophaalmethode per zoekopdracht moet worden gebruikt, past u de weging dynamisch aan.

• Tijdelijke en multimodale GraphRAG: Onderzoekers breiden GraphRAG al uit om tijdbewust te zijn (T-GRAG) en multimodaal verenigd (bijvoorbeeld het verbinden van afbeeldingen, tekst, video).

• Open benchmarks en abstractielagen: Gereedschappen zoals BenchmarkQED (voor RAG-benchmarking) en GraphRAG-Bench zullen de gemeenschap in de richting van eerlijkere, vergelijkbaar gemeten systemen duwen.

Van glimmende objecten tot essentiële infrastructuur

De geschiedenis van vectordatabases heeft een klassiek pad gevolgd: een doordringende hype-cyclus, gevolgd door introspectie, correctie en rijping. In 2025 is vectoronderzoek niet langer het glimmende object waar iedereen blindelings naar streeft – het is nu een cruciale bouwsteen in een meer geavanceerde, multi-threaded retrieval-architectuur.

De oorspronkelijke waarschuwingen waren correct. Puur op vectoren gebaseerde hoop strandt vaak op stranden van precisie, relationele complexiteit en ondernemingsbeperkingen. Toch werd de technologie nooit verspild: ze dwong de industrie om het ophalen te heroverwegen door semantische, lexicale en relationele strategieën te combineren.

Als ik in 2027 een vervolg zou schrijven, vermoed ik dat het vectordatabases niet als eenhoorns zou beschouwen, maar als een verouderde infrastructuur – eenvoudig maar overschaduwd door slimmere orkestratielagen, adaptieve ophaalcontrollers en AI-systemen die dynamisch selecteren welke ophaaltool komt overeen met de zoekopdracht.

Op dit moment is de echte strijd niet de vector versus het trefwoord; het is de indirectheid, vermenging en discipline van het bouwen van retrieval-pijplijnen die gen-AI op betrouwbare wijze baseren op feiten en domeinkennis. Dit is de eenhoorn waar we nu op moeten jagen.

Amit Verma is hoofd van Engineering en AI Labs bij Neuron 7.

Lees meer van onze gastschrijvers. Of overweeg om uw eigen bericht in te dienen! Zie de onze richtlijnen hier.

Nieuwsbron