Vector database — costo mensual según vectores, dimensión y QPS🌎 Actualizado abril de 2026
Una vector database guarda embeddings (vectores de 768 a 3072 dimensiones) y devuelve los más similares a una consulta — el corazón de cualquier sistema RAG, recomendación o búsqueda semántica. Las opciones más usadas en 2026: Pinecone (managed, fácil), Weaviate Cloud (open-source + managed), Qdrant Cloud (Rust, muy rápido), Milvus / Zilliz (alta escala) y pgvector (Postgres, más barato si ya tenés Postgres). El costo se compone de: storage (USD/GB-mes) + queries (USD/millón) + a veces compute base. Esta calculadora estima storage en GB asumiendo float32 (4 bytes × dim) y multiplica QPS por 30 días para queries/mes. Útil para presupuestar un RAG productivo, decidir entre managed vs self-hosted, o entender cómo escala el costo al subir vectores o dimensión del embedding.
Cuándo usar esta calculadora
- Estimar costo mensual de un RAG con N documentos chunked.
- Comparar Pinecone vs Weaviate vs Qdrant Cloud para tu volumen.
- Decidir si conviene pgvector self-hosted o managed.
- Calcular impacto de subir de 768 a 1536 dims (text-embedding-3-large).
- Presupuestar pico de QPS en lanzamiento de producto.
Ejemplo: 5M vectores 1536 dim, 10 QPS
- Storage: 5M × 1536 × 4 bytes = 30,72 GB.
- Pinecone Serverless: 30,72 × USD 0,33 = USD 10,14 storage.
- Queries: 10 × 86.400 × 30 = 25,92M queries/mes.
- Pinecone reads: 25,92 × USD 8,25 = USD 213,84 queries.
- Total Pinecone: ~USD 224/mes.
Cómo funciona
3 min de lecturaCómo se compone el costo
Storage (GB) = vectores × dimensión × 4 bytes / 1024³
Costo storage = GB × USD/GB-mes
Costo queries = (QPS × 86.400 × 30 / 1.000.000) × USD/M reads
Total mensual = storage + queries + compute baseComparativa proveedores (abril 2026)
| Proveedor | Modelo | Storage | Queries | Mejor para |
|---|---|---|---|---|
| Pinecone Serverless | pay-per-use | ~USD 0,33/GB-mes | ~USD 8,25/M reads + USD 4,12/M writes | medio-alto QPS, simple |
| Pinecone Pod | provisioned | depende pod (s1, p1, p2) | incluido | super alto QPS estable |
| Weaviate Cloud Serverless | pay-per-use | ~USD 0,12-0,25/GB-mes | ~USD 4-6/M | balance precio/features |
| Qdrant Cloud | compute-based | incluido en compute | incluido | mejor relación precio/QPS |
| Milvus / Zilliz Cloud | tiered | varía | varía | super alta escala (>100M) |
| pgvector | Postgres existente | precio Postgres | gratis | <5M vectores, bajo QPS |
| Chroma | self-host gratis | infra propia | gratis | dev / single-user |
Tamaño en bytes según dimensión y precisión
| Modelo | Dim | float32 (default) | float16 | int8 |
|---|---|---|---|---|
| MiniLM-L6 | 384 | 1.5 KB | 0.75 KB | 0.4 KB |
| OpenAI 3-small | 1536 | 6 KB | 3 KB | 1.5 KB |
| OpenAI 3-large | 3072 | 12 KB | 6 KB | 3 KB |
| Cohere v3 | 1024 | 4 KB | 2 KB | 1 KB |
Consejo: si Pinecone soporta cuantización a int8, podés bajar 4× el storage con pérdida marginal de calidad (~1-3% recall@10).
Pinecone Serverless vs Pod (abril 2026)
| Aspecto | Serverless | Pod (legacy) |
|---|---|---|
| Pricing | pay-per-use storage + reads | mensual fijo por pod |
| Cold start | sí (primer query lento si pasa tiempo) | no |
| Mejor para | <50 QPS, traffic variable | >50 QPS, latencia consistente |
| Migración | recomendado por Pinecone | descontinuado en algunos planes |
Cuándo conviene pgvector
| Caso | pgvector |
|---|---|
| <5M vectores | sí, casi siempre |
| Ya tenés Postgres | sí |
| <50 QPS | sí |
| Necesitás filtros SQL complejos | sí (JOIN nativo) |
| >100M vectores | no, va a sufrir |
| Latencia <50ms a alta QPS | usá managed |
Errores que escalan el costo
1. Dimensión innecesariamente alta: text-embedding-3-large (3072) cuesta 2× storage que small (1536) y muchas veces no agrega calidad significativa.
2. No filtrar metadata: hacer search sobre 100M vectores cuando podrías pre-filtrar por tenant_id baja 10× el costo.
3. No usar caching: los queries más frecuentes pueden cachearse en Redis/Memcached. Ahorro 30-50% en proyectos con queries repetidas.
4. Re-embeddear todo en cambios menores: incrementá solo lo nuevo.
Latencia esperada
| Vector DB | <1M vec, p99 | 100M vec, p99 |
|---|---|---|
| Pinecone Serverless | 30-80 ms | 50-150 ms |
| Qdrant Cloud | 15-40 ms | 40-100 ms |
| Weaviate Cloud | 20-50 ms | 50-120 ms |
| pgvector (HNSW) | 10-50 ms | sufre |
> Aviso legal: Calculadora educativa. Precios tomados de las páginas oficiales en abril 2026 — verificá antes de comprometer presupuesto. No constituye recomendación de proveedor.
Revisión editorial
Revisado por el equipo editorial de Hacé Cuentas. Cifras cotejadas contra Pinecone, Weaviate, Qdrant y pgvector docs a abril 2026.
Preguntas frecuentes
¿Cuál es la vector DB más barata para 5M vectores?
Si ya tenés Postgres, pgvector (con índice HNSW) sale prácticamente gratis — solo pagás el upgrade de instancia. Si necesitás managed, Qdrant Cloud suele ser el más barato a esa escala (~USD 60-100/mes), seguido por Weaviate Cloud (~USD 80-130) y Pinecone Serverless (~USD 200+).
¿Cuánto pesa 1 vector?
Float32 (default): dim × 4 bytes. Embedding OpenAI 1536 = 6 KB. Embedding OpenAI 3-large 3072 = 12 KB. Cuantizando a int8 se baja a 1.5-3 KB con pérdida marginal de calidad.
¿Conviene 768, 1536 o 3072 dimensiones?
1536 (OpenAI 3-small) es el sweet spot calidad/costo en 2026. 3072 (3-large) mejora 1-3% el recall pero duplica storage y latencia. 768 (MiniLM, BGE) es 4× más barato y para muchos casos retail/soporte funciona casi igual. Empezá con 1536 y bajá si el costo escala feo.
¿Pinecone Serverless o Pod?
Serverless para 90% de casos: traffic variable, <100 QPS, MVP. Pod solo si tenés QPS muy alto y consistente (>200 QPS sostenido) y querés latencia predecible. Pinecone está empujando a todos a Serverless desde 2024.
¿pgvector escala bien?
Hasta ~5-20M vectores funciona bien con índice HNSW en Postgres 16+. Más allá, las queries empiezan a ser lentas (>100ms p99) y la memoria del servidor sufre. Para >50M vectores, mejor usar Qdrant, Weaviate o Pinecone.
¿Cuántas queries hace un RAG promedio?
Un chatbot con 1.000 usuarios diarios y 5 mensajes/usuario = 5.000 queries/día = 0,058 QPS = ~150k queries/mes. Para casos de uso enterprise con miles de usuarios, fácilmente 10-100 QPS sostenidos.
¿Cómo bajo el costo de mi vector DB?
1) Pre-filtrá por metadata (tenant_id, fecha) antes del search. 2) Cuantizá a int8 si tu DB lo soporta (4× menos storage). 3) Cacheá queries repetidas en Redis. 4) Usá modelo de embedding más chico (MiniLM 384 si la calidad alcanza). 5) Consolidá deployments (un solo cluster para múltiples apps).
¿Weaviate vs Qdrant vs Milvus?
Weaviate: feature-rich (multi-tenant, classification, GraphQL), más caro. Qdrant: rápido (Rust), simple, mejor precio. Milvus / Zilliz: pensado para escala enterprise (>100M vectores), más complejo de operar. Para startups, Qdrant Cloud suele ser el ganador costo/feature.
Fuentes y referencias
Metodología y confianza
Contenido revisado por el equipo editorial de Hacé Cuentas, con apego a nuestra política editorial y metodología de cálculo.
Última revisión: 27 de abril de 2026. Los parámetros fiscales, legales y datos se verifican periódicamente con las fuentes citadas.
Los cálculos corren 100% en tu navegador. No guardamos ni transmitimos tus datos. Leé nuestra política de privacidad.
Resultados orientativos. Para decisiones financieras, médicas o legales críticas, consultá con un profesional.