Se hai sentito parlare di vector database nell'ultimo anno, probabilmente è successo in uno di questi contesti: una demo di chatbot aziendale, un consulente AI entusiasta, oppure un articolo tecnico che prometteva ricerca semantica su tutta la tua knowledge base. Il problema è che in tutti e tre i casi raramente qualcuno ti ha detto quando non farlo.
Questo articolo serve esattamente a quello. Non a spiegarti cos'è un vector database (lo trovi ovunque), ma a darti una griglia di decisione concreta: build o skip?
Cosa fa davvero un vector database
Un vector database archivia rappresentazioni numeriche di testo, immagini o altri contenuti (i cosiddetti embedding) e permette di trovare elementi simili per significato, non per corrispondenza esatta di parole. Chiedi "rimborso spese" e il sistema ti restituisce anche i documenti che parlano di "nota spese" o "rimborso chilometrico", anche se quelle parole non compaiono nella tua query.
Questo lo rende utile in scenari specifici: motori di ricerca interni, sistemi RAG (Retrieval-Augmented Generation) per chatbot che rispondono basandosi su documenti aziendali, raccomandazione di prodotti, deduplicazione di contenuti. Fuori da questi scenari, è uno strumento alla ricerca di un problema.
Le soluzioni principali sul mercato oggi sono tre categorie. I servizi gestiti come Pinecone, che togli il pensiero infrastrutturale ma ti vincola a un vendor e ha un costo fisso mensile anche quando non lo usi. I database open source come Weaviate o Qdrant, che puoi ospitare tu ma richiedono gestione. L'estensione pgvector su PostgreSQL, che aggiunge capacità vettoriali al tuo database relazionale già esistente. Quest'ultima è spesso la risposta giusta per le PMI, ma ci arriviamo.
Le soglie minime: sotto questi numeri, non ti serve
Il valore di un vector database emerge quando hai volumi e complessità sufficienti. Sotto certe soglie, una semplice ricerca full-text (già disponibile in PostgreSQL, Elasticsearch, o persino SQLite) risolve il problema con il 20% della complessità.
Ecco le soglie indicative sotto cui ti conviene fermarti:
- Meno di 50.000 documenti o chunk di testo: la ricerca full-text con ranking BM25 copre la maggior parte dei casi d'uso. PostgreSQL con `tsvector` lo fa già.
- Query semantiche sotto le 100 al giorno: il costo per chiamata agli embedding model (OpenAI, Cohere, ecc.) è trascurabile, ma se il volume è basso anche la ricerca tradizionale funziona bene e non giustifica la complessità aggiuntiva.
- Knowledge base monolinguistica e strutturata: se i tuoi documenti sono uniformi (es. solo PDF di prodotto in italiano, tutti con la stessa struttura), la ricerca per parole chiave batte spesso la ricerca semantica per precisione.
- Nessun team tecnico interno: gestire Weaviate o Qdrant in produzione richiede competenze DevOps che nelle PMI spesso non esistono.
Sotto queste soglie, aggiungi infrastruttura che aspetta dati e genera costi fissi senza ritorno misurabile.
I casi d'uso che giustificano davvero la spesa
Ci sono situazioni in cui il vector database non è un capriccio tecnico ma una scelta razionale. Eccole:
Chatbot su documentazione eterogenea e voluminosa. Se hai migliaia di pagine di manuali tecnici, procedure interne, email archiviate e contratti, e vuoi che un assistente AI risponda a domande su tutto questo materiale, il sistema RAG con vector store è l'architettura corretta. La ricerca semantica fa la differenza quando i documenti usano terminologie diverse per lo stesso concetto.
E-commerce con catalogo ampio e ricerca per ispirazione. Se gestisci un catalogo sopra i 10.000 SKU e i tuoi clienti cercano per descrizione ("qualcosa di elegante per una cena informale") invece che per codice prodotto, la ricerca vettoriale migliora concretamente il tasso di conversione. Qui il ROI è misurabile.
Deduplicazione e matching di entità. Se devi trovare clienti duplicati nel CRM, abbinare fornitori con nomi scritti in modo diverso, o consolidare anagrafiche, gli embedding fanno un lavoro che le regole fuzzy tradizionali faticano a fare bene su larga scala.
Sistemi di raccomandazione su contenuti editoriali. Se produci contenuti e vuoi suggerire articoli correlati per significato, non per tag, un vector store piccolo (anche pgvector) risolve il problema in modo elegante.
Build vs skip: la griglia di decisione
Prima di scegliere la tecnologia, rispondi a queste domande in ordine:
1. Hai già un problema concreto di ricerca o retrieval che costa tempo o soldi? Se la risposta è no, fermati qui. Costruire infrastruttura senza un problema definito è il modo più veloce per sprecare budget.
2. Il problema dipende da similarità semantica o la ricerca per parole chiave funzionerebbe? Testa prima la ricerca full-text. Spesso sorprende.
3. Quanti documenti hai oggi e quanti ne prevedi tra 12 mesi? Sotto 50.000 chunk, pgvector su un'istanza PostgreSQL esistente è sufficiente e aggiunge costo zero se PostgreSQL ce l'hai già.
4. Hai qualcuno in grado di gestire l'infrastruttura? Se no, Pinecone (o alternative managed come Supabase con pgvector) è la scelta più sensata perché scarica la gestione operativa.
5. Puoi misurare il successo? Se non sai come misurare se la ricerca semantica funziona meglio di quella testuale per il tuo caso, non sei pronto per implementarla.
Se hai risposto sì a tutte e cinque, puoi procedere. Altrimenti, identifica prima quale risposta è negativa e risolvila.
La raccomandazione concreta per la maggior parte delle PMI
La maggior parte delle PMI italiane con cui lavoro non ha bisogno di Pinecone o Weaviate oggi. Ha bisogno di capire i propri dati, strutturarli, e costruire un caso d'uso pilota piccolo e misurabile.
La strada più sensata in quasi tutti i casi è questa: parti con pgvector su PostgreSQL. Hai già PostgreSQL? L'estensione si abilita con un comando. Costa zero in licenza, non aggiunge vendor da gestire, e scala fino a qualche milione di vettori senza problemi. Se arrivi a quel punto, avrai dati reali su cui decidere se migrare su qualcosa di più dedicato.
I database vettoriali dedicati (Pinecone, Weaviate, Qdrant) diventano interessanti quando superi il milione di vettori, hai bisogno di aggiornamenti in tempo reale su volumi alti, o vuoi funzionalità avanzate di filtraggio e multi-tenancy. Per le PMI, questo scenario è più raro di quanto i vendor vogliano farti credere.
La mossa che puoi fare domani mattina
Prendi un problema reale che hai oggi: ricerca nei documenti interni, duplicati nel CRM, raccomandazione prodotti. Testa la ricerca full-text su quel problema con gli strumenti che hai già. Se funziona all'80% di quello che ti serve, hai finito. Se non funziona, hai un caso d'uso concreto con cui valutare pgvector come primo passo, senza spendere un euro in nuova infrastruttura prima di aver capito cosa ti serve davvero.