Em 2023, usar Pinecone ou Weaviate era quase um rito de passagem para qualquer projeto de RAG. Você instalava o SDK, criava um índice, enviava os embeddings — e em trinta minutos tinha busca semântica funcionando. A proposta de valor parecia clara: banco dedicado para um problema específico. Em 2025, as faturas mensais começaram a chegar — e a história ficou mais complicada.

A promessa que funcionou — até a escala aparecer

Os bancos de vetores especializados nasceram num momento em que o PostgreSQL ainda tratava busca vetorial como extensão de terceiro. O pgvector era promissor, mas imaturo. Pinecone, Weaviate, Chroma e Qdrant venderam velocidade de desenvolvimento: uma API focada em similaridade, sem a complexidade de configurar um banco relacional para um caso de uso novo.

O problema aparece quando a aplicação cresce. Um caso documentado no Data Science Collective resume bem: uma startup de RAG que começou pagando $50/mês no Pinecone chegou a $2.847 no terceiro mês — com o mesmo volume de dados, simplesmente por causa do crescimento de queries. O workload equivalente em pgvector? $200/mês. Economia de 89%.

Quem migrou — e o que encontrou do outro lado

Essas não são projeções teóricas. O Firecrawl, ferramenta de web scraping para IA usada por equipes de todo o mundo, testou Faiss, Weaviate e Pinecone antes de migrar para Supabase (que roda pgvector nativamente). O CEO Caleb Peffer foi direto: encontraram as soluções "incrivelmente caras e nada intuitivas", principalmente quando precisavam armazenar metadados junto aos vetores — algo que bancos relacionais fazem nativamente e que os especializados tratam como caso especial.

O Confident AI, plataforma de observabilidade para LLMs, foi ainda mais específico ao documentar sua saída do Pinecone. Os problemas encontrados: limite de 40KB de metadados por vetor (forçando queries extras ao banco principal), falta de garantias ACID, sincronização manual propensa a inconsistências — e, no fundo, o gargalo principal não era a busca em si, mas a latência de rede de chamar um serviço externo. A migração para pgvector reduziu a fatura de ~$675 para ~$250/mês para 10 milhões de vetores, com performance superior nos benchmarks com índice HNSW. A Notion também saiu do Pinecone, por razões que se sobrepõem: custo e complexidade operacional de manter uma dependência a mais.

O problema arquitetural que o custo apenas expôs

Custo é o sinal mais óbvio, mas o problema mais profundo é arquitetural. Quando você separa os vetores dos dados em serviços distintos, você cria um sistema distribuído onde antes havia um: sincronização manual entre a fonte de verdade e o índice vetorial, ausência de transações que abrangem os dois sistemas, e um ponto de falha extra na rede.

A pergunta "vou buscar por similaridade ou por filtros relacionais?" nunca é ou/ou na prática. Uma query real de RAG costuma ser: "encontre os documentos mais similares a esta query, que pertencem a este cliente, criados nos últimos 6 meses". No Pinecone, isso exige metadados envelopados no índice com limitações de tamanho. No PostgreSQL, é um WHERE normal na mesma query.

O sinal que vem da indústria toda

O mais revelador não são as migrações individuais — é que os próprios bancos de dados estabelecidos trataram busca vetorial como feature obrigatória. SQL Server 2025, MongoDB Atlas, Redis e Cassandra adicionaram suporte nativo. O pgvector 0.8 em AWS Aurora chegou com ganhos de até 9x de performance sobre versões anteriores; a extensão pgvectorscale da Timescale registrou 28x menos latência P95 que o tier s1 do Pinecone em benchmarks com 50 milhões de embeddings.

Grupos de trabalho do ANSI SQL estão redigindo ORDER BY VECTOR_SIM(...) como extensão padrão da linguagem. Quando os comitês de padronização se movem, o mercado já decidiu.

Onde os especializados ainda fazem sentido

Isso não é um decreto de extinção. Para workloads acima de 50–100 milhões de vetores com requisitos de latência extrema e alta taxa de queries por segundo, ferramentas como Qdrant e Weaviate ainda têm casos sólidos. A diferença é que esse é o território de grandes plataformas de busca — não o caso médio de uma aplicação de RAG corporativa ou produto de IA.

Para os outros 95% dos projetos? A recomendação prática está se consolidando: comece com pgvector, meça, e só migre para um banco especializado quando tiver evidência concreta de que precisa. A probabilidade de chegar nesse ponto é baixa para a maioria das aplicações.

A categoria "banco de vetores dedicado" não vai desaparecer — mas está sendo redefinida como ferramenta para casos extremos, não como escolha padrão. Quem apostou nela como plataforma para o mercado médio está vendo seus clientes voltarem para onde os dados já estavam: dentro do banco relacional que eles já operam.