벡터DB 비교 2026, Pinecone·Atlas·Qdrant 요금·운영 기준

벡터DB 비교를 위한 데이터 플랫폼 요금과 검색 성능 검토 장면 — 벡터DB는 검색 품질보다 과금 단위와 운영 경계가 먼저 비용을 흔든다.

벡터DB 비교를 찾는 팀은 보통 Pinecone이 빠른지, MongoDB Atlas가 편한지, Qdrant나 Weaviate가 저렴한지부터 묻는다.

그 질문만으로는 견적이 맞지 않는다.

같은 문서 300만 건이라도 임베딩 차원, 메타데이터 크기, 필터 조건, 재색인 빈도, 백업 보존, 전용 네트워크 요구가 달라지면 월 비용과 장애 대응 방식이 완전히 달라진다.

이 글은 온디바이스 벡터 저장소나 RAG 개론이 아니라 관리형 벡터DB를 고를 때 확인해야 할 요금표, 운영 방식, 보안 경계, PoC 순서를 비교한다.

핵심 요약

소규모 실험은 무료 또는 낮은 월 기준액으로 시작할 수 있지만, 운영 전환 시에는 저장량보다 읽기·쓰기·백업·반출 비용이 먼저 튄다.
Pinecone은 전용 벡터 서비스와 사용량 단위가 명확하고, MongoDB Atlas는 운영 데이터와 벡터를 함께 두는 구조가 강점이다.
Qdrant와 Weaviate는 오픈 엔진 성격과 클라우드 운영을 함께 보고, Zilliz는 Milvus 계열 대용량 컬렉션과 전용 구성을 볼 때 후보가 된다.
최종 선택은 벤치마크 점수보다 필터 검색, 테넌트 격리, 백업 복구, 비용 알림, 재색인 절차를 통과했는지로 결정해야 한다.

이 글이 필요한 사람

사내 문서 검색, 고객 상담 검색, 상품 추천, 로그 유사도 검색을 관리형 벡터DB로 옮기려는 데이터 플랫폼 담당자
Pinecone, MongoDB Atlas Vector Search, Qdrant Cloud, Weaviate Cloud, Zilliz Cloud 중 하나를 PoC 후보로 올린 개발 리더
벡터DB 비용이 저장공간만으로 계산되는지, 검색 요청과 업데이트가 따로 과금되는지 확인해야 하는 구매 담당자
개인정보가 들어간 문서 조각을 저장해야 해서 전용 네트워크, 감사 로그, 백업, 삭제 절차가 필요한 보안 담당자
RAG 품질이 낮을 때 검색 엔진을 바꿔야 하는지, 문서 분할과 필터 설계를 먼저 손봐야 하는지 판단해야 하는 제품 오너

먼저 결론: 벡터DB 비교는 엔진 이름보다 과금 축을 먼저 봐야 한다

벡터DB의 검색 품질은 HNSW, flat, hybrid search 같은 인덱스 방식에서 출발하지만, 운영 비용은 쿼리 스캔 범위와 업데이트 양에서 더 자주 흔들린다.

검색 정확도가 2% 좋아져도 매일 재색인되는 문서가 많으면 쓰기 비용과 운영 시간이 더 큰 문제가 될 수 있다.

반대로 쿼리 수가 많고 업데이트가 적은 서비스라면 읽기 단위, 캐시 전략, 반환 필드 제한이 비용 절감의 핵심이다.

그래서 벡터DB 비교표에는 가격, 검색 구조, 필터 성능, 확장, 보안, 이관 가능성을 같이 넣어야 한다.

비교 축	확인 질문	놓치면 생기는 문제	판단 기준
과금 단위	월 기준액, 저장량, 읽기, 쓰기, 반출, 백업이 분리되는가	PoC는 싸지만 운영 트래픽에서 월 비용이 급증한다	공식 요금표와 월 예상량을 같은 표로 맞춘다
검색 구조	ANN, ENN, HNSW, flat, hybrid search 중 무엇을 쓰는가	정확도 문제를 비용 문제로 착각해 제품만 바꾼다	대표 쿼리 100개로 recall과 지연을 같이 본다
필터 조건	부서, 권한, 날짜, 테넌트 필터가 검색 전에 적용되는가	권한 없는 문서가 후보에 섞이거나 검색량이 커진다	권한 필터가 빠진 결과를 실패로 본다
운영 경계	백업, 복구, 감사 로그, 모니터링, 알림을 누가 책임지는가	장애 때 벤더와 내부팀 책임이 갈린다	SLA보다 복구 리허설 결과를 본다
이관 가능성	벡터와 원문 ID, 메타데이터, 삭제 이력을 내보낼 수 있는가	가격 인상이나 품질 저하 때 이동 비용이 커진다	export 절차와 재색인 시간을 PoC에 넣는다

공식 요금표 핵심 숫자

아래 숫자는 각 벤더의 공식 가격 페이지와 문서를 기준으로 한 출발점이며, 리전과 계약 조건에 따라 바뀔 수 있다.

요금표를 볼 때는 무료 등급만 보지 말고 운영 전환 후 월 기준액과 요청 단위를 같이 적어야 한다.

후보	공식 숫자	과금 축	실무 해석
Pinecone	Starter $0, Builder $20/month, Standard $50/month minimum, Enterprise $500/month minimum	저장 $0.33/GB/month, Standard 읽기 $16-$18/1M, 쓰기 $4-$4.50/1M, 반출 $0.10/GB	전용 벡터 서비스로 시작하기 쉽지만 읽기·쓰기·반출 단위를 월 예상량과 곱해야 한다
MongoDB Atlas Vector Search	M0 512MB free forever, M2 $9/month, M5 $25/month, M10 $0.08/hour, Flex $8-$30/month	클러스터 시간, 저장소, 검색 노드 또는 Atlas 구성 비용	운영 데이터와 벡터를 같은 Atlas 안에 두고 싶을 때 동기화 비용을 줄일 수 있다
Qdrant Cloud	Free forever, 0.5 vCPU, 1GB RAM, 4GB disk, Free cluster는 1 node	CPU, memory, disk, backup, cloud usage units	오픈 엔진 성격과 관리형 운영을 같이 보되, 운영급은 HA와 노드 수를 따로 잡아야 한다
Weaviate Cloud	Free $0/month, 100,000 objects, 1GB memory, 10GB disk, Flex starts $45/month, Premium starts $400/month	vector dimensions from $0.00465/1M, storage from $0.12/GiB, backup from $0.0264/GiB	차원 수를 직접 비용 축으로 보므로 임베딩 차원과 객체 수를 초반에 확정해야 한다
Zilliz Cloud	Free $0, 5GB storage, 2.5M vCUs/month, up to 5 collections, Enterprise dedicated from $197/month	vCU, storage, dedicated capacity, collection count	Milvus 호환성과 대용량 컬렉션 성장을 볼 때 성능형·용량형 구성을 나눠 봐야 한다

위 표에서 가장 위험한 착시는 무료 등급이 운영 비용을 대표한다고 보는 것이다.

무료 등급은 스키마와 검색 품질을 확인하는 용도이지, 장애 복구와 보안 통제를 검증하는 환경이 아니다.

운영 후보를 좁힐 때는 최소 월 기준액, 저장 단가, 읽기 단가, 쓰기 단가, 백업 보존 비용, 반출 비용을 한 장의 표로 맞춰야 한다.

후보별 선택 기준

Pinecone: 전용 벡터 서비스와 사용량 단위가 필요한 경우

Pinecone은 벡터 검색을 별도 서비스로 분리하고, 저장·읽기·쓰기·반출 같은 사용량 단위를 명확히 보고 싶은 팀에 맞는다.

Standard부터 월 $50 기준액이 있고, Enterprise는 월 $500 기준액이 있으므로 운영 전환 전에 쿼리 수와 업데이트 수를 보수적으로 넣어야 한다.

이 조건이면 검토: 검색 서비스가 독립적으로 커지고 데이터베이스 팀과 검색 팀의 책임을 분리하려는 경우
이 경우는 보류: 원문 데이터와 벡터를 계속 동기화해야 하는데 변경 이벤트 품질이 낮은 경우
먼저 확인할 것: namespace 설계, 읽기 단위, 쓰기 단위, 백업, 반출, 전용 읽기 노드 필요성

MongoDB Atlas Vector Search: 운영 데이터와 벡터를 함께 두고 싶은 경우

MongoDB Atlas Vector Search는 문서 데이터와 벡터 필드를 같은 Atlas 안에 두고 검색과 필터를 결합하려는 팀에 맞는다.

MongoDB 공식 문서는 Vector Search가 ANN과 ENN을 지원하고, 텍스트 검색과 필터를 함께 쓸 수 있다고 설명한다.

이 조건이면 검토: 이미 Atlas에 문서형 운영 데이터가 있고 별도 동기화 저장소를 늘리고 싶지 않은 경우
이 경우는 보류: 벡터 검색 부하가 운영 데이터베이스 부하와 독립적으로 크게 커지는 경우
먼저 확인할 것: Atlas 클러스터 등급, 검색 부하 분리, M10 이상 비용, Flex 월 $8-$30 범위가 PoC에 맞는지

Qdrant Cloud: 오픈 엔진 통제와 관리형 운영을 같이 보려는 경우

Qdrant Cloud는 무료 0.5 vCPU, 1GB RAM, 4GB disk 구성이 있어 초기 검증에 부담이 낮다.

Qdrant 문서는 관리형 클러스터에서 failover, monitoring, audit logging, scaling, backup, disaster recovery를 제공한다고 설명한다.

이 조건이면 검토: payload filter, 컬렉션 설계, shard 재배치, 하이브리드 운영 같은 통제가 필요한 경우
이 경우는 보류: 무료 단일 노드 결과를 운영 지연과 가용성 기준으로 착각하는 경우
먼저 확인할 것: Standard 노드 수, RAM, disk, backup, HA 구성, marketplace 과금 단위

Weaviate Cloud: 차원 수와 하이브리드 검색을 비용 축으로 볼 수 있는 경우

Weaviate는 Free $0/month에서 100,000 objects, 1GB memory, 10GB disk로 시작하고, Flex는 $45/month부터 시작한다.

Weaviate 문서는 HNSW, flat, dynamic, HFresh 같은 벡터 인덱스 선택지를 설명하므로 데이터 크기와 지연 목표를 같이 봐야 한다.

이 조건이면 검토: 객체 수, 차원 수, 저장량, 백업량을 비용표에 직접 넣고 하이브리드 검색을 운영하려는 경우
이 경우는 보류: 임베딩 차원과 메타데이터 크기를 아직 정하지 못해 월 예상액을 계산할 수 없는 경우
먼저 확인할 것: vector dimensions 단가, storage 단가, backup 단가, availability와 support 응답 시간

Zilliz Cloud: Milvus 계열 대용량 컬렉션과 전용 구성을 보는 경우

Zilliz Cloud는 Free $0에서 5GB storage와 2.5M vCUs/month를 제공하고, dedicated 구성은 성능형·용량형·계층형 선택지를 둔다.

공식 가격표에는 performance-optimized가 million vectors/month 기준 $63부터, capacity-optimized가 $16부터, tiered-storage가 $5부터로 제시된다.

이 조건이면 검토: Milvus 호환성, 대용량 컬렉션, 전용 capacity planning, multi-replica 구성이 필요한 경우
이 경우는 보류: 작은 사내 문서 검색인데 전용 구성을 먼저 잡아 비용이 앞서는 경우
먼저 확인할 것: vCU 사용량, collection 수, dedicated 전환 시점, SLA와 private endpoint 요구

실무 시나리오 1: 사내 문서 검색은 필터와 삭제 절차가 먼저다

실무 시나리오 1은 300만 개 문서 조각을 부서 권한별로 검색하는 사내 지식 검색이다.

이 조건이면 검색 정확도보다 권한 필터, 삭제 요청 처리, 백업 복구, 반출 절차가 먼저다.

부서 필터가 검색 뒤에만 적용되면 권한 없는 문서가 후보에 섞일 수 있고, 검색 결과를 버리더라도 비용은 이미 발생할 수 있다.

이 경우는 Pinecone과 Qdrant처럼 namespace나 payload filter를 설계하는 방식, Atlas처럼 원문 문서와 권한 필드를 함께 두는 방식, Weaviate처럼 객체 스키마와 filter를 맞추는 방식을 PoC에서 비교해야 한다.

점검 항목	통과 기준	실패 신호	담당자
권한 필터	권한 없는 문서가 상위 후보에 나오지 않는다	검색 후 애플리케이션에서만 제거한다	보안팀
삭제 요청	원문 삭제와 벡터 삭제가 같은 배치에서 확인된다	삭제 로그가 원문 시스템에만 남는다	데이터 플랫폼팀
백업 복구	복구 뒤 같은 쿼리의 상위 결과가 재현된다	복구 시간은 알지만 검색 품질을 재검증하지 않는다	SRE
비용 알림	읽기·쓰기·저장량 임계치가 월 예산과 연결된다	무료 등급 알림만 켜져 있다	FinOps 담당자

실무 시나리오 2: 상품 추천은 쓰기 비용과 재색인 시간을 먼저 본다

실무 시나리오 2는 상품 50만 개가 매일 가격, 재고, 카테고리, 설명 문구를 바꾸는 추천 검색이다.

이 조건이면 검색 지연보다 업데이트 처리량, 재색인 시간, 메타데이터 크기, 반출 비용이 더 큰 변수가 된다.

상품 설명이 바뀔 때마다 임베딩을 다시 만들고 벡터를 다시 쓰면, 검색 비용보다 쓰기 비용과 배치 운영 시간이 먼저 늘어난다.

이 경우는 업데이트 빈도가 높은 필드는 메타데이터로 분리하고, 의미가 바뀌는 본문만 다시 임베딩하는 규칙을 세워야 한다.

이 조건이면 검토: 추천 품질이 매출과 직접 연결되고, 검색 지연 목표가 명확하며, 업데이트 배치 시간이 측정되는 경우
이 경우는 보류: 매일 전체 재색인을 돌리면서 쓰기 비용과 장애 시간을 예산에 넣지 않은 경우
먼저 확인할 것: 하루 upsert 수, metadata 크기, topK, 반환 필드, 재색인 실패 후 롤백 절차

PoC는 2주 안에 이렇게 끝내야 한다

벡터DB PoC는 데모 화면이 아니라 같은 데이터와 같은 쿼리로 비용, 지연, 품질, 운영 리스크를 동시에 기록해야 한다.

후보가 5개여도 처음부터 모두 깊게 보지 말고, 요금표와 운영 경계로 2개까지 줄인 뒤 실제 데이터를 넣는 편이 낫다.

대표 문서 조각 5만 개와 실제 검색 질문 100개를 고정한다.
문서 ID, 원문 위치, 권한 필드, 날짜 필드, 테넌트 필드를 같은 스키마로 만든다.
각 후보에 같은 임베딩 차원과 같은 메타데이터를 넣고 색인 시간을 기록한다.
topK 5, 10, 20을 각각 돌려 p50, p95, recall@10, 실패 쿼리 유형을 기록한다.
권한 필터가 빠진 쿼리, 삭제된 문서 쿼리, 존재하지 않는 테넌트 쿼리를 실패 케이스로 넣는다.
일일 예상 읽기·쓰기·저장량·백업량을 공식 요금 단위에 곱해 월 예산표를 만든다.
백업 복구와 export를 한 번 실제로 실행하고, 재색인 완료 시간을 기록한다.
보안팀이 private network, 감사 로그, 키 회전, 삭제 증적을 확인한 뒤 운영 후보를 정한다.

비용 계산에서 자주 틀리는 부분

벡터DB 비용은 저장공간만으로 보이면 싸게 보인다.

실제 운영에서는 읽기 요청, 쓰기 요청, 반출, 백업, 전용 노드, 지원 등급, 재색인 작업이 함께 붙는다.

비용 항목	계산에 넣을 값	대표 리스크	절감 방법
저장량	벡터 수, 차원 수, 원문 ID, 메타데이터 크기, 백업 보존일	메타데이터가 커져 저장과 반출이 같이 는다	반환 필드와 저장 필드를 분리한다
읽기	일 검색 수, topK, 필터 범위, namespace 크기	필터가 넓어져 스캔 비용과 지연이 는다	테넌트와 권한 기준으로 namespace를 나눈다
쓰기	일 upsert 수, 삭제 수, 재색인 주기, 배치 실패 재시도	전체 재색인이 월 비용과 장애 시간을 만든다	변경 필드와 의미 필드를 분리한다
백업	보존 기간, 복구 횟수, 운영 검증 주기	백업은 있지만 검색 결과 품질 복구가 검증되지 않는다	복구 뒤 대표 쿼리 재검사를 자동화한다
운영 등급	SLA, 전용 네트워크, 감사 로그, 지원 응답 시간	무료 또는 낮은 등급에서 보안 요구가 빠진다	운영 전환 게이트를 별도 표로 둔다

Pinecone처럼 읽기와 쓰기 단위가 드러나는 서비스는 월 요청량 예측이 중요하다.

Weaviate처럼 차원 수가 가격표에 직접 보이는 서비스는 임베딩 차원을 줄이는 실험이 곧 비용 실험이다.

MongoDB Atlas처럼 클러스터 기반 비용이 앞서는 구조는 벡터 검색 부하가 기존 운영 데이터 부하와 충돌하지 않는지 먼저 봐야 한다.

Qdrant와 Zilliz처럼 리소스 또는 vCU 기반 숫자가 보이는 후보는 대용량 컬렉션에서 전용 구성이 필요한 시점을 따로 잡아야 한다.

보안·운영 리스크 체크리스트

관리형 벡터DB는 검색 엔진이 아니라 민감 문서 조각을 저장하는 데이터 저장소로 봐야 한다.

그래서 PoC 승인 조건에는 검색 품질뿐 아니라 접근 통제, 감사 로그, 삭제 증적, 반출 제한, 장애 복구가 들어가야 한다.

접근 통제: 개인 계정 공유 없이 역할별 권한을 나누고, 운영 키의 생성·회수 책임자를 정한다.
네트워크: 운영 데이터가 들어가면 public endpoint만 허용할지, private network가 필요한지 보안팀과 합의한다.
감사 로그: 누가 collection을 만들고 삭제했는지, 대량 export를 했는지, 설정을 바꿨는지 기록이 남아야 한다.
삭제 증적: 원문 삭제, 벡터 삭제, 백업 보존 기간, 재색인 큐 제거가 하나의 절차로 묶여야 한다.
품질 회귀: 재색인 뒤 대표 쿼리 결과가 급격히 바뀌면 배포를 멈추는 기준이 있어야 한다.
벤더 이관: 벡터 원본, 원문 ID, 메타데이터, 권한 필드, 실패 로그를 export할 수 있어야 한다.

실무 스켈레톤: 후보 점수표와 비용 산정 파일

아래 YAML은 PoC 전에 후보별 비용 축과 탈락 조건을 한 곳에 모으는 예시다.

# vector-db-selection-matrix.yaml
# 목적: 관리형 벡터DB 후보를 비용, 성능, 보안, 운영 부담으로 점수화한다.
# 실제 수치는 공식 요금표와 PoC 계측값으로 교체한다.

workload:
  corpus_size_vectors: 3000000
  embedding_dimensions: 768
  avg_metadata_kb: 2
  daily_queries: 80000
  daily_updates: 12000
  latency_goal_ms_p95: 250
  retention_days: 365

candidates:
  pinecone:
    plan_floor_usd_month: 50
    cost_units: [storage_gb_month, read_unit, write_unit, egress_gb]
    fit_when: dedicated_vector_service_and_usage_metering_are_preferred
  mongodb_atlas_vector_search:
    plan_floor_usd_month: 0
    cost_units: [cluster_hour, flex_month, storage]
    fit_when: operational_documents_and_vectors_should_stay_together
  qdrant_cloud:
    plan_floor_usd_month: 0
    cost_units: [cpu, memory, disk, backup]
    fit_when: open_engine_control_and_cloud_operation_are_both_needed
  weaviate_cloud:
    plan_floor_usd_month: 45
    cost_units: [vector_dimensions, storage_gib, backup_gib]
    fit_when: hybrid_search_and_schema_control_are_key
  zilliz_cloud:
    plan_floor_usd_month: 0
    cost_units: [vcu, storage, dedicated_capacity]
    fit_when: milvus_compatibility_and_large_collection_growth_are_expected

gates:
  must_have:
    - source_filter_accuracy_tested
    - backup_restore_tested
    - tenant_isolation_tested
    - monthly_cost_alert_owner_named
    - delete_and_reindex_procedure_written
  reject_if:
    - no_export_plan
    - no_cost_breakdown
    - no_access_audit
    - p95_latency_unknown

아래 Python 스켈레톤은 실제 견적 숫자와 PoC 계측값을 넣어 후보 점수를 비교하는 틀이다.

#!/usr/bin/env python3
# vector_db_quote_score.py
# 목적: 벡터DB 견적을 월액 하나가 아니라 검색 품질과 운영 위험까지 합쳐 비교한다.
# 실제 계약 전에는 보안, 법무, 개인정보, 구매 담당자의 검토가 필요하다.

from dataclasses import dataclass

@dataclass
class VectorQuote:
    name: str
    monthly_floor_usd: float
    storage_rate: float
    read_rate: float
    write_rate: float
    has_private_network: bool
    has_audit_log: bool
    has_backup_restore: bool
    measured_p95_ms: int
    recall_at_10: float


def score_quote(q: VectorQuote) -> int:
    score = 0
    score += 20 if q.monthly_floor_usd <= 50 else 10
    score += 15 if q.storage_rate <= 0.33 else 8
    score += 15 if q.read_rate > 0 else 7
    score += 10 if q.write_rate > 0 else 5
    score += 10 if q.has_private_network else 0
    score += 10 if q.has_audit_log else 0
    score += 10 if q.has_backup_restore else 0
    score += 5 if q.measured_p95_ms <= 250 else 0
    score += 5 if q.recall_at_10 >= 0.9 else 0
    return score


quotes = [
    VectorQuote('pinecone_standard', 50, 0.33, 16, 4, True, True, True, 180, 0.92),
    VectorQuote('atlas_vector_search', 8, 0.0, 0, 0, True, True, True, 230, 0.88),
]

for item in quotes:
    print(item.name, score_quote(item))