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 door een hype. Vectordatabases werden gepositioneerd als de volgende grote ding – een onmisbare infrastructuurlaag voor het generatie AI-tijdperk. Er stroomden miljarden durfkapitaal binnen, ontwikkelaars haastten zich om inbedding in hun pipelines te integreren en analisten volgden ademloos de financieringsrondes voor Dennenappel, Weaviat, Chroma, De vlieger en nog een tiental anderen.

De belofte was bedwelmend: eindelijk een manier om te zoeken op betekenis in plaats van op broze trefwoorden. Dump gewoon uw bedrijfskennis in een vectorwinkel, sluit een LLM aan en zie hoe magie gebeurt.

Alleen is de magie nooit volledig werkelijkheid geworden.

Twee jaar later is de realiteitscheck is gearriveerd: 95% van de organisaties die investeren in gen-AI-initiatieven zien nul meetbaar rendement. En veel van de waarschuwingen die ik destijds heb geuit – over de grenzen van vectoren, het drukke leverancierslandschap en de risico’s van het behandelen van vectordatabases als wondermiddel – 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 verkoopdie moeite heeft om uit te breken te midden van hevige concurrentie en klantenverloop.

Ja, Pinecone heeft grote rondes georganiseerd en grote logo’s ondertekend. Maar in de praktijk was het onderscheid dun. Open-sourcespelers als Milvus, Qdrant en Chroma onderbieden ze qua kosten. Gevestigde spelers 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 inderdaad. In september 2025, Pinecone benoemde Ash Ashutosh als CEO, waarbij oprichter Edo Liberty de rol van hoofdwetenschapper krijgt. 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 waren. Als uw gebruiksscenario nauwkeurigheid vereist – zoals het zoeken naar ‘Error 221’ in een handleiding – zou een pure vectorzoekopdracht vrolijk ‘Error 222’ als ‘dichtbij genoeg’ weergeven. Leuk in een demo, catastrofaal in productie.

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

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

Ontwikkelaars die vrolijk het lexicale zoeken naar vectoren verwisselden, introduceerden snel het lexicale zoeken opnieuw in combinatie met vectoren. Teams die verwachtten dat vectoren “gewoon zouden werken” gingen uiteindelijk over op het filteren van metagegevens. herrangschikkingen en met de hand afgestemde 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 onderscheidende factoren, maar voor de meeste kopers deden ze allemaal hetzelfde: vectoren opslaan en de dichtstbijzijnde buren ophalen.

Tegenwoordig breken maar heel weinig van deze spelers uit. De markt is gefragmenteerd, gecommoditiseerd en in veel opzichten opgeslokt door gevestigde exploitanten. 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 groter geworden. Gemeente, Margo, LanceDB, PostgresSQL, MySQL HeatWave, Orakel 23c, Azure SQL, Cassandra, Opnieuw, 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 de standaard voor serieuze toepassingen. Bedrijven hebben geleerd dat je zowel precisie als vaagheid, exactheid en semantiek nodig hebt. Tools als Apache Solr, Elasticsearch, pgVector en Pinecone’s eigen “cascading retrieval” omarmen dit.

GrafiekRAG: Het populairste modewoord van eind 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 worden afgevlakt. De uitbetaling is dramatisch.

Benchmarks en bewijs

• Amazons AI-blog citeert benchmarks uit Lettriawaarbij hybride GraphRAG de juistheid van antwoorden verhoogde van ~50% naar meer dan 80% in testdatasets in de financiële sector, de gezondheidszorg, de industrie en de wetgeving.

• De GraphRAG-Bench benchmark (uitgebracht in mei 2025) biedt een rigoureuze 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 dat hybride combinaties vaak het beste presteren.

• 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 opkomst van GraphRAG onderstreept het grotere punt: ophalen gaat niet over één enkel glanzend object. Het gaat over bouwen ophaalsystemen – gelaagde, hybride, contextbewuste pijplijnen die LLM’s de juiste informatie geven, met de juiste precisie, op het juiste moment.

Wat dit betekent voor de toekomst

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

De winnaars op dit gebied zullen niet degenen zijn die vectoren als een op zichzelf staande database verkopen. Zij zullen degenen zijn die het zoeken naar vectoren in bredere ecosystemen inbedden – 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 omvatten vector + grafiek: Verwacht dat grote DB- en cloudleveranciers geïntegreerde ophaalstacks (vector + grafiek + volledige tekst) als ingebouwde mogelijkheden zullen aanbieden.

• “Retrieval engineering” zal naar voren komen als een aparte discipline: Net zoals MLOps volwassener werden, zullen ook de praktijken rond het inbedden van tuning, 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, waarbij de weging dynamisch wordt aangepast.

• 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 boog van het vectordatabaseverhaal 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 binnen een meer geavanceerde, veelzijdige zoekarchitectuur.

De oorspronkelijke waarschuwingen hadden gelijk. Zuivere, op vectoren gebaseerde hoop stuit vaak op de grenzen van precisie, relationele complexiteit en ondernemingsbeperkingen. Toch werd de technologie nooit verspild: het dwong de industrie om het ophalen te heroverwegen, waarbij semantische, lexicale en relationele strategieën werden gecombineerd.

Als ik in 2027 een vervolg zou schrijven, vermoed ik dat het vectordatabases niet als eenhoorns zou beschouwen, maar als een oude infrastructuur – fundamenteel, maar overschaduwd door slimmere orkestratielagen, adaptieve ophaalcontrollers en AI-systemen die dynamisch kiezen welke ophaaltool past bij de zoekopdracht.

Vanaf nu is de echte strijd niet meer tussen vector en trefwoord; het is de indirectheid, vermenging en discipline bij het bouwen van retrieval-pijplijnen die gen-AI op betrouwbare wijze baseren op feiten en domeinkennis. Dat is de eenhoorn waar we nu op moeten jagen.

Amit Verma is hoofd engineering en AI Labs bij Neuron7.

Lees meer van onze gastschrijvers. Of overweeg om zelf een bericht te plaatsen! Zie onze richtlijnen hier.

Nieuwsbron