Marqo

Kurzfazit

Marqo ist ein Sonderfall: Das Tool, das es einmal war, gibt es so nicht mehr. Gestartet als Open-Source-Vektorsuchmaschine mit eingebauten multimodalen Embedding-Modellen für die E-Commerce-Produktsuche, war Marqo eine der wenigen Lösungen, die Bild- und Textsuche ohne separate Embedding-Pipeline bündelte, und sich dabei selbst hosten ließ. 2025/26 hat das Unternehmen den Kurs aber radikal gewechselt: Das Open-Source-Projekt ist offiziell eingestellt (“deprecated and will no longer recieve updates”, so der Wortlaut im Repository), und Marqo verkauft heute eine vertriebsgetriebene Enterprise-Plattform für KI-native Ecommerce-Suche, Empfehlungen und Merchandising (“Smarter Search, Higher Conversion”) ohne öffentliche Preise. Was bleibt und weiterhin echten Wert hat, sind die frei verfügbaren Ecommerce-Embedding-Modelle auf Hugging Face, die sind nach wie vor stark. Als gebrauchsfertige, selbst hostbare Suchmaschine ist Marqo dagegen nicht mehr zu empfehlen.

Für wen ist Marqo?

ML-Teams, die nur die Modelle wollen: Die eigentliche Stärke von Marqo liegt heute in den frei verfügbaren Embedding-Modellen auf Hugging Face. Wer eine eigene Vektor-Pipeline (z. B. mit Qdrant oder Weaviate) baut und ein qualitativ hochwertiges, ecommerce-trainiertes Embedding-Modell braucht, holt sich marqo-ecommerce-embeddings-L oder marqo-fashionSigLIP direkt, ganz ohne Marqo-Plattform. Das ist der seriöseste Einsatz von Marqo im Jahr 2026.

Größere Online-Retailer mit Budget: Die kommerzielle Plattform richtet sich an Mode-, Beauty-, Elektronik- und Wohn-Händler, die KI-native Suche, Empfehlungen und Merchandising als gebündeltes Produkt einkaufen wollen, mit One-Click-Integration in Shopify, Adobe Commerce oder Salesforce Commerce Cloud. Das ist ein Enterprise-Angebot mit Vertriebsprozess, kein Self-Service-Tool.

Teams mit visueller Produktähnlichkeit als Kern-Use-Case: Wenn Kunden per Foto oder Screenshot ähnliche Produkte finden sollen und generisches CLIP qualitativ nicht reicht, sind die Marqo-Modelle eine ernsthafte Option, entweder eingebettet in die Plattform oder als reines Modell in der eigenen Infrastruktur.

Weniger geeignet für: Teams, die eine aktiv gepflegte, selbst hostbare Open-Source-Vektordatenbank suchen (dafür ist die Engine eingestellt, besser Weaviate oder Qdrant), kleine Shops ohne Entwickler oder Enterprise-Budget, alle, die transparente Preise ohne Vertriebsgespräch erwarten, und Unternehmen mit harter EU-Hosting-Pflicht.

Preise im Detail

Angebot	Preis	Was du bekommst
Embedding-Modelle (Hugging Face)	0 USD (Apache 2.0)	marqo-ecommerce-embeddings-B/-L, marqo-fashionCLIP, marqo-fashionSigLIP, frei herunterladbar und selbst nutzbar
Open-Source-Engine	0 USD (Apache 2.0)	Eingestellt seit 2026, Code (Stand 2.26.0) ist noch verfügbar, erhält aber keine Updates oder Sicherheits-Patches mehr
Commerce-Plattform	Keine öffentlichen Preise	KI-native Suche, Empfehlungen und Merchandising, pro Marke trainierte Modelle, One-Click-Integrationen, ausschließlich über Demo-Anfrage und Vertrieb

Einordnung: Der frühere, transparente Pfad “Open Source kostenlos selbst hosten, dazu ein öffentlich buchbarer Cloud-Tarif” existiert in dieser Form nicht mehr. Die Open-Source-Engine ist eingestellt, und die kommerzielle Plattform nennt keine öffentlichen Preise, du musst durch einen Vertriebsprozess. Das ist eine bewusste Bewegung weg vom Self-Service-Markt und hin zum Enterprise-Geschäft mit größeren Retailern. Für ein KMU bedeutet das: Die einzige kalkulierbare, kostenlose Komponente sind die Embedding-Modelle auf Hugging Face. Alles andere ist ein “Sprich mit dem Vertrieb”-Produkt mit unklaren Kosten, was eine ehrliche Bewertung der Wirtschaftlichkeit von außen unmöglich macht.

Stärken im Detail

Die Embedding-Modelle sind exzellent, und bleiben frei. Das ist der Kern dessen, was Marqo heute noch wertvoll macht. Die marqo-ecommerce-embeddings-Familie (B: 203 Mio. Parameter, L: 652 Mio.) wurde gezielt auf E-Commerce-Daten trainiert und schlägt generische Modelle messbar: Laut Marqos eigenem Benchmark erreicht das L-Modell +17,6 % MRR und +20,5 % nDCG@10 gegenüber dem bis dahin besten Open-Source-Modell ViT-SO400M-14-SigLIP (Durchschnitt über drei Testaufgaben). Auf der Google-Shopping-Text-zu-Bild-Aufgabe liegt der MRR bei 0,624 (B) beziehungsweise 0,683 (L), gegenüber 0,477 für ViT-B-16-SigLIP. Die Akzeptanz zeigt sich an den Downloadzahlen: Das Fashion-Modell marqo-fashionSigLIP zählt laut Hugging Face rund 452.000 Downloads pro Monat (Stand Juli 2026). Die Gewichte sind Apache-lizenziert und frei verfügbar.

Speziell für Mode und visuelle Kategorien trainiert. marqo-fashionCLIP und marqo-fashionSigLIP sind auf Mode-Daten feinjustiert und erfassen nicht nur Farbe und Form, sondern auch Stil, Schnitt und Material besser als generisches CLIP. Laut Modellkarte erreicht marqo-fashionSigLIP bis zu 57 % bessere Werte bei MRR und Recall gegenüber FashionCLIP. Für visuelle Ähnlichkeitssuche in Mode, Schmuck oder Einrichtung ist das ein spürbarer Qualitätsunterschied, und genau die Disziplin, in der generische Open-Source-CLIP-Modelle oft enttäuschen.

Multimodaler Ansatz im selben Vektorraum. Marqos Idee war von Anfang an, Bild und Text gemeinsam zu indexieren, sodass eine Bildsuche auch Textfelder berücksichtigt und umgekehrt. Dieses Konzept lebt in den Modellen weiter, ein hochgeladenes Kundenfoto und eine Produktbeschreibung landen im gleichen Embedding-Raum und werden direkt vergleichbar.

Modelle nutzbar ohne die Plattform. Anders als bei vielen kommerziellen Embedding-APIs musst du dich nicht an Marqos Infrastruktur binden. Die Modelle laufen lokal oder in deiner eigenen Cloud und lassen sich in jede Vektordatenbank (Qdrant, Weaviate, pgvector) einspeisen. Genau das macht sie auch nach der Einstellung der Engine weiter brauchbar, und unabhängig von der weiteren Geschäftsentwicklung von Marqo.

Gebündelte Commerce-Plattform für große Händler. Für Retailer, die nicht selbst bauen wollen, bietet die kommerzielle Plattform KI-native Suche, Empfehlungen und Merchandising aus einer Hand, inklusive One-Click-Anbindung an Shopify, Adobe Commerce und Salesforce Commerce Cloud. Laut Anbieter lassen sich dabei pro Marke trainierte Modelle einsetzen, die reale Shopper-Signale (Klicks, Käufe) berücksichtigen; Marqo belegt das auf der Startseite mit konkreten Kundenergebnissen, etwa +11 Mio. USD Zusatzumsatz bei Redbubble oder +17,7 % Conversion-Rate bei KICKS CREW (Angaben des Anbieters). Für die richtige Zielgruppe ist das ein durchaus attraktives Komplettpaket, wenn das Budget stimmt.

Schwächen ehrlich betrachtet

Die Open-Source-Engine ist tot. Das ist die zentrale Schwäche und der Grund für die Abwertung. Im Marqo-Repository steht unmissverständlich: “Marqo’s Open Source project is deprecated and will no longer recieve updates.” Die letzte Version (2.26.0, 7. April 2026) ist noch verfügbar, aber es gibt keine Updates, keine Bugfixes und vor allem keine Sicherheits-Patches mehr. Wer die Engine heute produktiv selbst hostet, betreibt Software, die niemand mehr pflegt, ein No-Go für jeden ernsthaften Produktivbetrieb. Workaround: Nur die Modelle nutzen, die Vektorsuche selbst mit einer aktiv gepflegten Datenbank (Qdrant, Weaviate) bauen.

Keine öffentlichen Preise. Die kommerzielle Plattform nennt nirgends konkrete Zahlen. Statt einer Preistabelle gibt es nur “Get a demo” und “Talk to a Search Expert”. Das macht es für KMU praktisch unmöglich, Marqo seriös in eine Make-or-Buy-Entscheidung einzubeziehen, ohne erst einen Vertriebsprozess zu durchlaufen. Intransparenz bei den Kosten ist ein klares Warnsignal für preissensible Käufer.

Kein dokumentiertes EU-Hosting. Marqo ist ein US-geführtes Unternehmen mit Hauptsitz in San Francisco. Zum Prüfzeitpunkt fanden wir für die kommerzielle Plattform keine öffentlich dokumentierte EU-Hosting-Region und keinen öffentlich einsehbaren AVV. Damit fällt genau der Vorteil weg, der Marqo früher für den DACH-Markt interessant machte: Die “selbst auf EU-Infrastruktur hosten”-Story funktioniert nur noch mit der eingestellten Engine, also gar nicht mehr sinnvoll.

Kein Self-Service mehr, hohe Einstiegshürde. Früher konntest du Marqo per docker run in fünf Minuten testen. Heute steht zwischen dir und dem Produkt ein Vertriebstermin. Der Fokus liegt klar auf größeren Retailern, kleine Teams und Einzelentwickler sind nicht mehr die Zielgruppe der Plattform (wohl aber der Modelle).

Kleines Ökosystem. Selbst zu seinen besten Open-Source-Zeiten war Marqos Community kleiner als die von Weaviate, Qdrant oder Pinecone. Mit der Einstellung der Engine wird dieses Ökosystem weiter schrumpfen, Tutorials, Integrationen und Community-Support veralten zusehends.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine aktiv gepflegte, selbst hostbare Open-Source-Vektordatenbank willst	Weaviate
Eine schlanke, schnelle Vektor-Engine mit EU-Hosting suchst	Qdrant
Eine etablierte managed Vektordatenbank mit großem Ökosystem brauchst	Pinecone

Erwähnenswert ohne eigene Tool-Seite: pgvector (wenn du ohnehin Postgres betreibst und keine separate Vektordatenbank willst), Milvus (skalierbar, Open Source, große Community) und Vespa (die Engine, auf der Marqo intern aufbaute, selbst betreibbar, aber anspruchsvoll). Für die reine visuelle Produktsuche lohnt sich auch ein Blick auf die OpenCLIP-Modelle auf Hugging Face als generische Alternative zu den Marqo-Modellen. Wichtig: Die Marqo-Embedding-Modelle lassen sich mit jeder dieser Datenbanken kombinieren, du musst dich nicht zwischen “Marqo-Modell” und “andere Vektordatenbank” entscheiden, sondern kannst beides verbinden.

So steigst du ein

Schritt 1: Nur die Modelle, nicht die Engine. Da die Open-Source-Suchmaschine eingestellt ist, ist der empfehlenswerte Weg 2026: Hol dir das Embedding-Modell direkt von Hugging Face (Marqo/marqo-ecommerce-embeddings-L oder Marqo/marqo-fashionSigLIP) und betreibe es in deiner eigenen Umgebung. Die Modellkarten enthalten Beispielcode für die Inferenz.

Schritt 2: Vektorsuche mit einer gepflegten Datenbank aufbauen. Erzeuge mit dem Marqo-Modell die Embeddings deiner Produktbilder und -texte und speichere sie in einer aktiv gepflegten Vektordatenbank, etwa Qdrant (gut für EU-Self-Hosting) oder Weaviate. So bekommst du die Qualität der Marqo-Modelle, ohne dich von der eingestellten Engine abhängig zu machen.

Schritt 3: Suche evaluieren und tunen. Vergleiche die Ergebnisqualität gegen ein generisches CLIP/SigLIP-Modell anhand realer Suchanfragen aus deinem Shop. Erst wenn der Qualitätsvorsprung den Aufwand rechtfertigt, lohnt der produktive Einsatz. Wenn du stattdessen das kommerzielle Komplettpaket evaluieren willst, führt der Weg über das Demo-Formular auf marqo.ai, rechne mit einem Enterprise-Vertriebsprozess.

Ein konkretes Beispiel

Ein Berliner Fashion-Shop mit 8.000 Produkten will visuelle Ähnlichkeitssuche anbieten: Kunden laden einen Instagram-Screenshot hoch und bekommen die passendsten Artikel aus dem Sortiment. Das Team probiert zunächst die alte Marqo-Engine per Docker auf einem Hetzner-Server in Frankfurt, stellt aber fest, dass das Projekt eingestellt ist und keine Updates mehr bekommt. Statt eine tote Engine produktiv zu setzen, wählt es den nachhaltigen Weg: Es nutzt das frei verfügbare marqo-fashionSigLIP-Modell, erzeugt damit die Embeddings des Katalogs und legt sie in einer selbst gehosteten Qdrant-Instanz (ebenfalls Frankfurt) ab. Die Bildsuche läuft damit vollständig auf EU-Infrastruktur, die Modellqualität liegt spürbar über generischem CLIP, und der Stack basiert auf aktiv gepflegter Software. Hardware-Kosten: rund 40 Euro/Monat. Lehre: Der Wert von Marqo steckt 2026 im Modell, nicht mehr in der Engine.

DSGVO & Datenschutz

• Embedding-Modelle (Self-Hosting): DSGVO-unkritisch, solange du sie auf eigener (EU-)Infrastruktur betreibst, die Modelle laufen lokal, es fließen keine Daten an Marqo. Das ist der datenschutzfreundlichste Pfad.
• Open-Source-Engine: Eingestellt. Ein produktiver Self-Hosting-Betrieb ohne Sicherheits-Patches ist aus Datenschutz- und IT-Sicherheits-Sicht nicht zu empfehlen.
• Kommerzielle Plattform: Marqo hat seinen Hauptsitz in den USA (San Francisco). Zum Prüfzeitpunkt fanden wir keine öffentlich dokumentierte EU-Hosting-Region und keinen öffentlich einsehbaren AVV, vor einem Einsatz mit personenbezogenen Daten (z. B. Clickstream, Kaufhistorie) explizit erfragen.
• Datennutzung: Die Plattform trainiert laut Anbieter pro Marke ein Modell auf realen Shopper-Daten (Klicks, Käufe). Wer hier personenbezogene Daten einspeist, muss Rechtsgrundlage, AVV und ggf. eine Datenschutz-Folgenabschätzung klären.
• Empfehlung für Unternehmen: Für DACH-Unternehmen mit EU-Hosting-Pflicht ist der einzige saubere Marqo-Pfad das Self-Hosting der frei verfügbaren Modelle in der eigenen Cloud. Die kommerzielle Plattform sollte ohne geklärtes EU-Hosting und AVV nicht mit personenbezogenen Daten betrieben werden.

Gut kombiniert mit

• Qdrant, die naheliegende Vektordatenbank, um die Marqo-Embedding-Modelle produktiv zu betreiben: schnell, Open Source und in der EU selbst hostbar. Marqo liefert das Modell, Qdrant die Suche und Speicherung.
• Weaviate, Alternative zu Qdrant mit größerem Ökosystem und Hybrid-Suche (Vektor + Keyword). Sinnvoll, wenn du neben visueller Ähnlichkeit auch klassische Filtersuche brauchst.
• Hugging Face, der Ort, an dem die Marqo-Modelle leben. Über die Transformers-Bibliothek lädst du die Gewichte, betreibst die Inferenz und vergleichst sie mit generischen CLIP/SigLIP-Modellen, bevor du dich festlegst.

Unser Fazit

Marqo bekommt 2 von 5 Sternen, eine bewusste Abwertung gegenüber früher. Der Grund ist nicht die Modellqualität, die nach wie vor sehr gut ist, sondern der Bruch im Produktversprechen: Das, was Marqo für unsere Zielgruppe interessant machte, eine selbst hostbare, EU-fähige Open-Source-Vektorsuchmaschine mit eingebauten Modellen, gibt es nicht mehr. Die Engine ist eingestellt, die kommerzielle Plattform ist ein intransparentes Enterprise-Produkt ohne öffentliche Preise und ohne dokumentiertes EU-Hosting. Was bleibt, sind exzellente, frei verfügbare Embedding-Modelle auf Hugging Face, und allein dafür lohnt sich ein Blick. Aber als gebrauchsfertiges Werkzeug für KMU oder selbst hostende Teams ist Marqo nicht mehr zu empfehlen. Wer die Modelle will, holt sie sich und baut die Suche mit einer aktiv gepflegten Datenbank wie Qdrant oder Weaviate. Wer ein Komplettpaket sucht, muss durch einen Enterprise-Vertriebsprozess mit ungewissen Kosten. Beides ist kein Fünf-Minuten-docker run mehr.

Was wir geprüft haben

Weil diese Seite eine unterdurchschnittliche Bewertung trägt und negative Aussagen über ein reales Produkt macht, haben wir am 30. Juli 2026 jede bewertungsrelevante Behauptung gegen öffentliche Primärquellen geprüft. Was wir gefunden haben:

• Open-Source-Engine eingestellt (Kern der Abwertung): Bestätigt. Das GitHub-Repository marqo-ai/marqo trägt oben den Hinweis “Marqo’s Open Source project is deprecated and will no longer recieve updates” (Tippfehler im Original). Die GitHub-Release-API weist als jüngstes Release Version 2.26.0 vom 7. April 2026 aus. Zur fairen Einordnung: Das Repo ist nicht archiviert (archived=false) und zeigt vereinzelt noch kleinere Aktivität, ein neues Release gab es seit April 2026 aber nicht, und die Aussage “keine Updates mehr” stammt von Marqo selbst. Wir behaupten also keinen toten Code, sondern zitieren die Deprecation-Erklärung des Anbieters.
• Keine öffentlichen Preise: Bestätigt. Die Startseite marqo.ai nennt keine Preistabelle, sondern nur “Get a demo” und “Talk to a Search Expert”.
• Kein dokumentiertes EU-Hosting: Belegt und bewusst vorsichtig formuliert. Marqo hat laut SmartCompany seinen Hauptsitz nach San Francisco verlegt und wird von zwei ehemaligen Amazon-Mitarbeitern geführt. Eine dedizierte EU-Region oder einen öffentlichen AVV für die kommerzielle Plattform haben wir zum Prüfzeitpunkt nicht gefunden. Wir behaupten nicht, dass es kein EU-Hosting gibt, sondern dass wir keines öffentlich dokumentiert vorfanden.
• Kein deutschsprachiger Support: Website und Dokumentation sind durchgängig englischsprachig, das Unternehmen sitzt in den USA. Einen dedizierten deutschsprachigen Support fanden wir nicht.
• Benchmark-Zahlen der Modelle: Bestätigt über die Hugging-Face-Modellkarten. L-Modell (652 Mio. Parameter): +17,6 % MRR und +20,5 % nDCG@10 gegenüber ViT-SO400M-14-SigLIP, MRR 0,683 auf Google Shopping Text-to-Image. B-Modell (203 Mio. Parameter): MRR 0,624. marqo-fashionSigLIP (0,2 Mrd. Parameter): rund 452.000 Downloads pro Monat und laut Karte bis zu 57 % bessere Werte gegenüber FashionCLIP.
• Kundenzahlen der Plattform: Die auf der Startseite genannten Uplift-Werte (etwa Redbubble +11 Mio. USD, KICKS CREW +17,7 % Conversion) sind Marqos eigene Angaben, die wir nicht unabhängig überprüfen konnten, und die wir hier als solche kennzeichnen.

Was wir bemerkt haben

• 2026, Das Marqo-Open-Source-Projekt wurde offiziell eingestellt. Das GitHub-Repository (rund 5.000 Sterne, letzte Version 2.26.0 vom 7. April 2026) trägt seither den Hinweis: “Marqo’s Open Source project is deprecated and will no longer recieve updates.” (Tippfehler im Original.) Nutzer werden auf die kommerzielle Plattform verwiesen. Das ist eine gravierende Änderung gegenüber dem ursprünglichen Versprechen einer selbst hostbaren Suchmaschine.
• 2025/26, Marqo hat sich vom Open-Source-Tooling-Anbieter zum vertriebsgetriebenen Enterprise-Commerce-Anbieter gewandelt. Die Website wirbt heute mit “AI-native search, recommendations, and merchandising”, dem Claim “Smarter Search, Higher Conversion” und beworbenen Kundenergebnissen (etwa Redbubble +11 Mio. USD Zusatzumsatz, KICKS CREW +17,7 % Conversion-Rate, jeweils Angaben des Anbieters). Es gibt One-Click-Integrationen für Shopify, Adobe Commerce und Salesforce Commerce Cloud, aber keine öffentlich einsehbaren Produkt-Detailseiten mit Preisen mehr.
• 2025/26, Öffentliche Preise sind verschwunden. Wo früher ein öffentlich buchbarer Cloud-Tarif kommuniziert wurde, gibt es heute nur noch “Get a demo” und “Talk to a Search Expert”. Eine Bewertung der Wirtschaftlichkeit von außen ist damit kaum noch möglich.
• Ende 2024, Die marqo-ecommerce-embeddings-Modelle (B und L) wurden auf Hugging Face veröffentlicht. Der belegte Benchmark-Vorsprung: +17,6 % MRR und +20,5 % nDCG@10 gegenüber dem besten Open-Source-Modell ViT-SO400M-14-SigLIP (L-Modell, Durchschnitt über drei Aufgaben). Diese Modelle, plus marqo-fashionCLIP und marqo-fashionSigLIP, sind die einzige Komponente, die die Kurswende unbeschadet überstanden hat: frei, Apache-lizenziert und mit sechsstelligen monatlichen Downloadzahlen (fashionSigLIP rund 452.000 pro Monat, Stand Juli 2026).
• Korrektur zu früheren Angaben, Die ältere Einschätzung “Marqo = Open Source kostenlos selbst hosten, dazu ein günstiger Cloud-Tarif, DSGVO über Self-Hosting” trifft 2026 nicht mehr zu. Der einzige verbleibende DSGVO-saubere Pfad ist das Self-Hosting der frei verfügbaren Modelle, nicht der gesamten Such-Engine.
• Korrektur (Juli 2026), Eine kursierende Zahl von “+67 % gegenüber ViT-B-16-SigLIP” ließ sich in keiner Quelle belegen. Die tatsächlich dokumentierten Werte liegen auf der Google-Shopping-Text-zu-Bild-Aufgabe bei rund +31 % (B-Modell) und +43 % (L-Modell) gegenüber ViT-B-16-SigLIP; der von Marqo herausgestellte Headline-Wert ist +17,6 % MRR gegenüber ViT-SO400M-14-SigLIP.