Qdrant привлекла $50 млн — похоже, рынок наконец всерьёз начал инвестировать не просто в AI, а в retrieval

На фоне бесконечных новостей про модели, агентов и GPU довольно легко упустить более тихую, но очень важную тему — кто будет вытаскивать данные для этих систем быстро, точно и без спешки в продакшене.

12 марта 2026 года Blocks & Files сообщил, что Qdrant привлекла $50 млн в раунде Series B. С момента основания в 2021 году компания подняла уже $87,5 млн. На первый взгляд это может показаться просто еще одной сделкой в AI-инфраструктуре.

Qdrant говорит довольно простую вещь: эпоха «взяли dense-векторы, нашли nearest neighbors, вернули результат» заканчивается. С этим трудно спорить. Когда retrieval работал с относительно статичными датасетами, старый подход выглядел нормально. Но в мире агентных систем всё стало заметно сложнее: запросов больше, они идут циклами, данные меняются на лету. Нужно одновременно учитывать dense-векторы, sparse-векторы, фильтры по метаданным, latency, цену ошибки и стоимость самой инфраструктуры.

В связи с этим Qdrant предлагает идею composable vector search. Это не «одна магическая схема поиска», а конструктор, где команда может на уровне запроса собирать нужную стратегию retrieval под конкретную задачу. Где-то важнее точность, где-то задержка, а где-то стоимость. А иногда нужен гибридный режим с несколькими сигналами сразу.

Кажется, это интересный взгляд на то, куда на самом деле движется AI-инфраструктура. В реальных системах почти никогда не бывает одной красивой метрики — всегда приходится искать компромисс. Если хочешь лучшую релевантность — плати задержкой. Если нужна минимальная latency — можно потерять в качестве. Поэтому сама идея «composable» звучит не просто как маркетинг, а как честное признание сложности задачи.

Еще один важный момент — Qdrant явно делает ставку не только на облако. Модель должна работать в cloud, hybrid, on-prem и на edge. Сейчас видно, что AI-стек не уйдёт в один универсальный сценарий, где всё находится в одном hyperscaler. У кого-то данные нельзя выносить, у кого-то есть жесткие требования по задержке или просто разный ландшафт. И если retrieval-слой умеет работать в таких условиях, у него шансов гораздо больше.

Инвесторы это заметили. Раунд возглавил AVP, также участвовали Bosch Ventures, Unusual Ventures, Spark Capital и 42CAP. К тому же компания добавляет аргумент open source: проект уже скачали более 250 млн раз, а на GitHub он собрал около 29 тысяч звёзд. Для инфраструктурного продукта это отличный показатель — технология реально используется, и вокруг неё уже есть ощутимая инерция.

На наш взгляд, Qdrant получила инвестиции не за модное слово «vector», а за более важную идею: в AI-системах retrieval превращается в самостоятельную инженерную дисциплину, а не остаётся просто вспомогательной функцией для LLM.

И это, пожалуй, одна из самых значимых перемен во всей AI-гонке. Ведь модель может быть невероятно умной, но если она не умеет быстро и понятно получать нужный контекст, на выходе получится просто дорогая импровизация — без нужной ясности и скорости.