Vector databases sammenlignet: Pinecone, Weaviate, pgvector og Supabase i 2026

For 18 måneder siden var Pinecone "default-valget" til vector search. I dag har vi mindst 8 seriøse alternativer — og forskellene er reelle. Her er hvad vi bruger til hvad i 2026, og hvorfor.

Hvad en vector database faktisk gør

Vector databaser gemmer embeddings (matematiske repræsentationer af tekst, billeder, lyd) og lader dig søge i dem ved "semantisk lighed". I stedet for at finde tekster med præcis ord-match, finder du tekster der betyder det samme.

Det er det grundlag, der får RAG, semantisk søgning, AI-anbefalinger og memory i AI-agenter til at virke.

De 4 seriøse spillere i 2026

1. Pinecone — managed, dyrt, robust

Bedst til: Enterprise-projekter hvor I ikke vil drifte selv og volumen er stor.

Fordele: Dejligt API. Skalerer til milliarder af vektorer. Hybrid search (vector + keyword) indbygget. Stærk metadata-filtering.

Ulemper: Pris. Start på 70 USD/md, og det skalerer hurtigt op. Vendor lock-in.

2. Weaviate — open source, fleksibel

Bedst til: Self-hosted setups med behov for hybrid search og komplekse filtre.

Fordele: Open source. Hybrid search out-of-the-box. Modulært system (auto-embedding, generative search).

Ulemper: Sværere at drifte end Pinecone. Cloud-versionen er prissat ovenpå hosting-omkostninger.

3. pgvector (Postgres extension) — pragmatisk default

Bedst til: 80% af alle reelle projekter under 10 millioner vektorer.

Fordele: Det er bare Postgres. Du har relationelt + vector i samme database. Ingen ekstra service. Gratis hvis I allerede driver Postgres.

Ulemper: Skalerer ikke til milliarder af vektorer. Lidt langsommere end specialiserede løsninger.

4. Supabase Vector — pgvector i pænt tøj

Bedst til: Startups og SMV'er der bygger fra bunden.

Fordele: Indeholder pgvector + auth + storage + realtime. Dansk-venlig data-residency via EU-region. Cap på 0 kr/md for de fleste mindre projekter.

Ulemper: Samme skalerbarheds-grænse som pgvector.

De alternativer du IKKE behøver kende endnu

Qdrant, Milvus, Chroma, FAISS, LanceDB — de eksisterer alle, og nogle har gode features. Men for 95% af danske projekter er en af de fire ovenfor det rigtige valg. Spar dig selv for analyse-paralysen.

Vores beslutningstræ

• Mindre end 10 mio. vektorer + I bruger allerede Postgres → pgvector eller Supabase Vector. Slut diskussion.
• I starter fra bunden + ønsker hostet løsning → Supabase Vector.
• I har en stor enterprise med dedikeret ops-team og vil have managed service → Pinecone.
• I har komplekse hybrid-search-behov og kan drifte selv → Weaviate self-hosted.
• Over 100 mio. vektorer og høj QPS → kig på Pinecone, Qdrant Cloud eller Milvus.

Pris-virkelighed (DKK/md for typisk SMV)

• Supabase Pro: ~ 175 kr/md (alt inkluderet, inkl. vector + auth + storage)
• pgvector på egen Postgres: 0 kr ekstra (allerede der)
• Pinecone Starter: ~ 500 kr/md, hurtigt mod 2.000+ kr/md
• Weaviate Cloud Sandbox: 0 kr/md (begrænset), Standard fra ~ 200 kr/md

Konkret anbefaling

Hvis I er i tvivl: start med Supabase Vector. Det dækker 85% af alle realistiske brugsscenarier, det koster næsten ingenting, og hvis I voxer ud af det, kan I migrere til Pinecone eller Weaviate uden at omskrive applikationen — embeddings og query-mønstre er nogenlunde portable.

Og glem ikke: vector DB er sjældent flaskehalsen i et AI-projekt. Det er chunking, embedding-kvalitet, prompting og evaluation. Brug din tid der.