Eu diria isso, não é? Quero dizer, eu trabalho para a Oracle, e o Oracle AI Database 26ai pode armazenar embeddings de vetores junto com dados de negócios e oferece suporte a índices de vetores HNSW e IVF. Mas não é apenas a Oracle. Literalmente, todos os bancos de dados que os desenvolvedores usam há anos agora têm suporte a vetores. A Microsoft adicionou um nativo VECTOR tipo de dados para o SQL Server 2025, juntamente com pesquisa vetorial e índices vetoriais. O MongoDB introduziu embeddings automatizados no Atlas Vector Search, com embeddings gerados no banco de dados e sincronizados conforme os dados mudam. Postgres, através do pgvector, também oferece suporte vetorial. Etc., etc., etc.
Isso não significa que Pinecone, Weaviate, Milvus ou outros fornecedores de vetores desenvolvidos especificamente estejam condenados, mas questiona a premissa por trás de suas apresentações de argumentos de venda de VC. Para a maioria dos aplicativos corporativos, o suporte a vetores é um recurso que deve estar intimamente integrado a um conjunto de dados existente.
Isso é importante porque a parte mais difícil da IA de produção não é a pesquisa do vizinho mais próximo: é o contexto.
Silos de dados em proliferação
Não estou sugerindo que a pesquisa vetorial não seja uma coisa: é muito importante. Se você estiver construindo geração aumentada de recuperação (RAG), sistemas de recomendação, personalização, memória de agente ou qualquer coisa que exija correspondência de significado em vez de palavras-chave, você precisará de alguma maneira de comparar vetores de forma eficiente. E, com crédito a quem merece, os fornecedores de vetores criados especificamente tornaram isso óbvio antes dos titulares. Eu estava trabalhando no MongoDB quando Pinecone, Weaviate, Milvus, Qdrant e outros ajudaram a estabelecer os padrões que todos hoje consideram óbvios. Essa é a verdadeira inovação.
