Qu'est-ce qu'une base vectorielle ? Définition et enjeux pour l'entreprise

C'est une base de données spécialisée dans le stockage et la recherche de vecteurs, appelés embeddings. Elle retrouve, pour une requête donnée, les contenus les plus proches par le sens dans un corpus, sans exiger de correspondance de mots exacte. C'est le moteur de recherche typique d'un système RAG.

Chaque document est représenté par un embedding, soit une suite de nombres (typiquement 768 à 3 072 dimensions) qui code son sens. La requête est elle aussi convertie en embedding, et la base cherche les vecteurs les plus proches selon une mesure de similarité. Pour tenir à l'échelle de milliards de vecteurs, elle utilise des algorithmes d'approximation comme HNSW ou IVF, qui répondent en millisecondes.

Pas toujours. En dessous de quelques millions de vecteurs, une extension comme pgvector sur PostgreSQL ou une base multi-modèles (MongoDB Atlas, Elasticsearch) suffit souvent, à un coût bien inférieur. Un acteur spécialisé ne se justifie qu'au-delà, en fonction du volume et de la maturité de l'équipe.

Parce que la juridiction d'hébergement compte autant que la performance technique quand vous traitez des documents internes confidentiels. Pour un cabinet d'avocats indexant 80 000 actes, les options allaient d'un service géré comme Pinecone (région de Francfort depuis mai 2026) ou Weaviate Cloud à pgvector interne ; le cabinet a choisi pgvector pour la souveraineté et la maîtrise du coût.

À la structure de facturation. Les offres SaaS combinent en général un minimum mensuel (Standard chez Pinecone : 50 dollars par mois) et un paiement à l'usage pour le stockage, les lectures et les écritures, donc le coût dépend autant du nombre de requêtes que du volume stocké. Un benchmark à votre volume cible évite les mauvaises surprises sur la facture.