本番環境のワークロード向けに設計されたオープンソースのベクトル検索エンジンである"Qdrant"がSeries Bで$50Mを調達

Qdrantは、AVPがリードし、Bosch Ventures、Unusual Ventures、Spark Capital、42CAPも参加したSeries Bで$50Mを調達した。

本番環境のワークロード向けに設計されたオープンソースのベクトル検索エンジンであるQdrantは、Rustで構築された高性能かつコンポーザブルなベクトル検索エンジンであり、本番レベルのセマンティック、ハイブリッド、エージェント型ワークロード向けに設計されています。

ベクトル検索は当初、限定的な課題を解決するためのソリューションとして始まりました。それは比較的静的なデータセット上の高密度埋め込みから最近傍を取得することでした。しかし現在のAIシステムは当時とはまったく異なります。リトリーバルはエージェントループ内で実行され、ハイブリッドなモダリティを横断しながら、1つのワークフローにつき数千のクエリを処理します。また、対象となるデータは継続的に変化しています。RAGパイプライン、セマンティック検索、エージェント型推論はいずれも、本番規模の継続的な負荷に耐えられるリトリーバルに依存しています。しかし、単一ベクトルの密な類似性検索に限定されたツールや、従来のインデックスモデルにベクトル検索を後付けしたアーキテクチャは、このような条件下で限界を迎えています。

Qdrantは、AI時代の基盤インフラを構築するため最も低いレイヤーから設計されました。Rustでゼロから構築されたQdrantは、リトリーバルのすべてのレイヤー―インデックス、スコアリング、フィルタリング、ランキング―を、エンジニアが直接制御できるコンポーザブルなプリミティブとして再設計しています。コンポーザブルなベクトル検索により、チームはクエリ実行時にリトリーバル機能を選択して組み合わせることができます。具体的には、denseベクトル、sparseベクトル、メタデータフィルター、マルチベクトル表現、カスタムスコアリング関数などです。また、それぞれが関連性、レイテンシー、コストにどのように影響するかを明示的に制御できます。ブラックボックスのデフォルト設定に依存するのではなく、エンジニアは自社のワークロードに合わせた意思決定を行うことができます。

その結果として生まれたのが、問題をツールに合わせるのではなく、ツールが問題に適応する検索エンジンです。チームが最大精度、最低レイテンシー、または大規模なコスト効率のいずれを重視する場合でも、Qdrantは要件の進化に応じて再アーキテクチャを行うことなく、それを実現するための制御手段を提供します。

AIシステムが実験段階から重要な業務運用へと移行するにつれて、検索がどのように動作するかと同じくらい、どこで実行されるかが重要になっています。コンポーザブルなベクトル検索は、意思決定が行われるあらゆる場所で動作するよう設計されています。クラウド、ハイブリッド環境、プライベート環境(on-prem)、さらにはエッジでも実行できます。このデプロイ柔軟性は後付け機能ではありません。モノリシックなマネージドサービスではなく、モジュール化されたコンポーザブルなインフラとして設計されたエンジンだからこそ実現できるものです。

AI導入が加速し、on-prem、Cloud、エッジ環境におけるB2BおよびB2Cワークフローを根本的に再定義する中で、Qdrantは最も柔軟で大規模環境において最も低レイテンシーを実現するベクトル検索プロバイダーとして台頭しています。シンプルな実装から高度なワークロードまで、幅広いAIアプリケーションユースケースに対応し、QdrantはAI革命における「picks-and-shovels」プロバイダーとして際立っています。開発者コミュニティとエンタープライズの双方から強い支持を得ています。

Tripadvisor、HubSpot、OpenTable、Bazaarvoice、Boschなどの企業は、実環境の負荷のもとでベクトル検索が継続的に稼働する場面でQdrantを利用しています。オープンソースプロジェクトは250Mダウンロードを超え、GitHubでは29,000以上のスターを獲得しています。グローバルコミュニティが本番環境の要件に基づいた改善を推進しています。またQdrantはThe Forrester Wave™: Vector Databases, Q3 2024、GigaOm Radar for Vector Databases v3(2025)、Sifted 2025 B2B SaaS Rising 100にも選出されています。