Mejores bases de datos: comparativa según uso, rendimiento y escalabilidad

En Star Trek, la Flota Estelar no manda a la Defiant en misión diplomática con familias a bordo, ni al Enterprise a trabajar rutas comerciales. Cada clase está especializada en algo y no hay una «mejor nave», sino la adecuada para la misión que se tiene delante. Con las bases de datos pasa lo mismo. No existe la mejor base de datos en términos absolutos y quien diga lo contrario es porque tiene algo que vendernos. Lo que existe es la mejor para nuestro caso de uso, volumen, equipo y presupuesto.
Esta comparativa va de eso, de tener una guía realmente práctica para elegir la base de datos óptima según la misión que tengamos encomendada, sin dejarnos llevar ciegamente por marketing o rankings de popularidad.
Un pequeño aviso a navegantes antes de empezar. Esta comparativa asume que conocemos, al menos un poco, la teoría de cada tipo de base de datos. Pero no pasa nada si la memoria RAM nos falla y no podemos mejorarla al precio que está. Para refrescar ese conocimiento, hemos creado la guía más completa sobre tipos de bases de datos.
El objetivo aquí es sencillo y, a la vez, el más importante en el día a día, saber qué motor concreto elegir en nuestro caso y por qué. Y no te preocupes, nos mojaremos un poco cuando toque.

Cómo evaluar una base de datos antes de elegirla

Una de las preguntas más difíciles de responder en la vida es ¿qué queremos realmente? Y cuando se trata de IT, esto es igual de cierto.
Muchos se lanzan a elegir sin claridad sobre qué necesitan o deben tener en cuenta en su caso particular. Cuando es así, es fácil quedar deslumbrados por el marketing de una base de datos que, una vez en producción, no brilla tanto como en la presentación de ventas.
Por eso, lo primero es tener claros los criterios a ponderar para obtener esa claridad sobre lo que precisamos en nuestro caso concreto.
Dichos criterios son los siguientes y podemos valorarlos como un checklist:

• El modelo de datos óptimo para lo que necesitamos: ¿es tabular, documental, son grafos, embeddings, series temporales…?
• Rendimiento y escalabilidad: aquí consideramos nuestras necesidades de latencia, throughput, escala vertical y horizontal.
• Consistencia: determinando si precisamos un ACID estricto, una consistencia más eventual y laxa, modelos intermedios…
• Comunidad y soporte: que dependerá del ecosistema, sus drivers, si hay una empresa detrás y la existencia de SLA que cumplir bajo pena de compensaciones…
• El coste total de propiedad: probablemente, la mayor restricción para muchos y que incluye licencia, hardware, factura cloud, mantenimiento…
• La compatibilidad cloud y la seguridad necesaria respecto a cifrado, autenticación, auditoría…
• Administración y monitorización: ¿se puede operar con poca gente o hacen falta muchos recursos? ¿Hay métricas serias?
• Experiencia del equipo: ya que, siendo sinceros, la mejor base de datos es la que nuestra gente sabe operar bien.

Según la organización en la que estemos, cada pregunta tendrá un peso distinto. Así, si estamos en un sector estratégico, por ejemplo, la seguridad pasará a un primer puesto ponderando más que el resto y, en general, a todos nos pesará mucho el coste y la experiencia del equipo.

Ranking rápido: mejores bases de datos según caso de uso

Esta guía es completa y detallada, pero ¿a quién le queda tiempo o capacidad de atención para eso?
Como queremos que esto te resulte útil y te vayas a casa con valor práctico real, he aquí el «TL;DR», el resumen para que, si solo tienes treinta segundos, sepas qué base de datos es la más recomendable según la situación ante ti.
Eso sí, ten en cuenta que, al contrario que con las tablas de la ley, esto no está escrito en piedra y el mundo IT vive y muere por los matices, por eso te recomendamos que leas la guía completa.

Caso de uso	Recomendada	Alternativas	Motivo principal
Relacional generalista	PostgreSQL	MySQL, MariaDB	Madura, extensible, ACID, comunidad enorme
Proyectos web	PostgreSQL, MySQL	MariaDB, Supabase	Soporte universal, hosting trivial
Ecosistema Microsoft	SQL Server	Azure SQL Database	Integración nativa con .NET y Windows
Documental	MongoDB	Couchbase, Firestore	Esquema flexible, ecosistema amplio
Clave-valor y caché	Redis	DynamoDB, Memcached	Latencia mínima, estructuras ricas
Analítica	Snowflake	BigQuery, ClickHouse	Consultas masivas, separación cómputo/almacenamiento
Big Data	BigQuery, Cassandra	Redshift, Snowflake	Escala horizontal probada
Series temporales	InfluxDB	TimescaleDB, Prometheus	Optimizadas para tiempo y métricas
Grafos	Neo4j	Amazon Neptune, ArangoDB	Modelo nativo, lenguaje Cypher
IA y búsqueda vectorial	pgvector	Pinecone, Milvus, Weaviate, Qdrant	Soporta embeddings y similitud
Cloud gestionada	Amazon RDS	Google Cloud SQL, Azure SQL	Mínima administración
Open source	PostgreSQL	MySQL, MariaDB, Redis, Cassandra	Comunidad y licencia libre
Embebido / local / edge	SQLite	DuckDB (analítica local), libSQL/Turso	Sin servidor y cero administración

Las tablas como esta son muy útiles, pero dejan necesariamente cabos sueltos, así que vamos a atarlos profundizando y matizando.

Las mejores bases de datos relacionales

El tiempo pasa para todos, pero las relacionales siguen siendo la opción por defecto cuando los datos están bien estructurados y la consistencia importa.
En la práctica significa que, si dudas, probablemente necesites una base de datos relacional.
Entre ellas, cabe destacar:

PostgreSQL

PostgreSQL es la mejor generalista actualmente (¿ves cómo sí nos mojamos para que esto sea práctico, aunque a alguien en Twitter seguro que no le parece bien?).
Es Open Source, ACID, extensible (pgvector, PostGIS, TimescaleDB). Por supuesto, no está exenta de limitaciones y la principal es una escalabilidad horizontal modesta.

MySQL

MySQL es la opción de facto en la web tradicional, un clásico desde los tiempos pioneros muy conocido por los que somos los más viejos del lugar.
Simple, popular, hosting universal… Eso sí, tiene menos funcionalidad avanzada que PostgreSQL.

MariaDB

MariaDB es un fork comunitario de MySQL que mantiene la compatibilidad y añade mejoras.
Es una buena opción si prefieres gobernanza independiente.

Microsoft SQL Server

La elección obvia si tu stack es Microsoft.
Integración perfecta con .NET, Active Directory y Power BI, pero claro, las licencias son caras fuera del bundle.

Oracle Database

Es el estándar en banca, telecomunicaciones y administraciones. Con una funcionalidad tan amplia como su coste, es un ecosistema cerrado y hay que pensarse si estamos preparados para esa clase de matrimonio.

SQLite

La relacional embebida y sin servidor, lo que la convierte en el motor más desplegado del mundo. Es ideal para aplicaciones de escritorio y móviles, edge, prototipos y tests.
Con libSQL/Turso da el salto a despliegues distribuidos, pero la realidad es que no es para una concurrencia de escritura elevada.
Cuando necesitamos el modelo relacional y SQL, pero a escala horizontal global, el terreno pertenece entonces a las bases NewSQL o SQL distribuido (CockroachDB, YugabyteDB, Google Spanner), que la guía de tipos de bases de datos desarrolla en detalle.
Esta lista de herramientas de software libre SQL amplía, además, el panorama del ecosistema relacional libre.

Las mejores bases de datos NoSQL

NoSQL, a pesar del nombre, no es una alternativa universal a SQL.
Se trata de una familia heterogénea de motores útiles para problemas concretos de escalabilidad, flexibilidad o datos semiestructurados. Por eso, conviene tener claras las diferencias entre SQL y NoSQL antes de elegir.

MongoDB

MongoDB es un referente en bases de datos documentales.
Es cómodo de arrancar y cuenta con un ecosistema amplio. Pero si lo usamos como una relacional disfrazada, sufriremos.

Cassandra

Está pensada para escenarios de escritura distribuida masiva, alta disponibilidad y escalado horizontal. Su modelo de datos es exigente y obliga a diseñar bien las consultas desde el principio.

Redis

Redis es la reina de la caché y de las estructuras de datos en memoria. Puede persistir datos en disco, pero no conviene tratarla como una base de datos durable tradicional en todos los escenarios.
Desde su cambio de licencia en 2024 convive con Valkey, su fork libre respaldado por la Linux Foundation.

Couchbase

Base de datos documental distribuida, con lenguaje de consulta compatible con SQL (N1QL/SQL++) y orientación empresarial.
Puede ser una buena alternativa a MongoDB en escenarios donde pesen especialmente la baja latencia, la caché integrada y la replicación geográfica.

Amazon DynamoDB

Base de datos NoSQL serverless gestionada por AWS, orientada a modelos clave-valor y documentales.
Ofrece latencia previsible y escalado automático, pero resulta menos cómoda fuera del ecosistema AWS o cuando necesitamos consultas complejas.
Para complementar este epígrafe, tenemos una guía sobre bases de datos NoSQL que entra más al detalle de cada subfamilia.

Las mejores bases de datos Open Source

Colguemos primero el cartel con el aviso obligatorio:
«Open Source» no significa «coste cero».
Sigues pagando hardware, hosting, backups, alta disponibilidad, seguridad, monitorización y gente que la sepa operar.
Entendiendo eso, he aquí las opciones, algunas de las cuales hacen su necesaria aparición de nuevo:

PostgreSQL

PostgreSQL vuelve a hacer sonar su música y, de nuevo, es la generalista más sólida y extensible.

MySQL y MariaDB

MySQL y MariaDB son el estándar histórico de la web, como he comentado, demostrando su valía en mil batallas desde los tiempos de Geocities.

Redis / Valkey

Redis cubre caché y estructuras en memoria. Cambió de licencia en 2024 y se metió en el jardín SSPL/RSAL, aunque desde Redis 8 también ofrece AGPLv3.
Para quien quiera una opción claramente libre, permisiva y sin baile de licencias, tenemos Valkey, su fork respaldado por la Linux Foundation.

Cassandra

Distribuida, alta disponibilidad y con capacidad real de escala horizontal, así que atención si precisamos esta última, porque entonces sube puestos.

ClickHouse

Una analítica columnar muy veloz, ideal si eso es lo que necesitamos.

Milvus o Qdrant

Son las vectoriales libres para IA y búsqueda semántica.
El tema de las licencias es todo un pantano con demasiadas páginas incomprensibles de términos y condiciones. Por eso, conviene distinguir Open Source clásico y sin sobresaltos (PostgreSQL, MariaDB, Valkey, Cassandra, ClickHouse, Milvus o Qdrant) de modelos más delicados o Source-Available, como MongoDB bajo SSPL o algunas opciones de licencia de Redis.
Estas últimas se pueden autoalojar, pero su licencia puede restringir ofrecerlas como servicio gestionado a terceros.
En la práctica, para proyectos nuevos sin restricciones de plataforma, PostgreSQL + Valkey/Redis cubre el 80% de casos con ecosistema probado y sin (demasiados) sustos de licencia.

Las mejores bases de datos cloud y serverless

La oferta cloud ha cambiado las reglas. Lo que antes era «instalar una base de datos» hoy es, muchas veces, «consumir una».
He aquí las opciones más asentadas:

Amazon RDS / Aurora

RDS gestiona PostgreSQL, MySQL, MariaDB, Oracle y SQL Server, así que resultará interesante para muchos.
Aurora es el motor relacional propio de AWS, compatible con MySQL y PostgreSQL.

Amazon DynamoDB

Amazon DynamoDB es serverless puro, clave-valor y documental, con escala automática.
Ideal cuando necesitamos redimensionar sin pelearnos con servidores.

Google Cloud SQL y Azure SQL Database

Cloud SQL es el equivalente natural a RDS en GCP.
En Azure, SQL Database cubre el mundo SQL Server, mientras que para PostgreSQL y MySQL están Azure Database for PostgreSQL y Azure Database for MySQL.
En todos los casos, son opciones razonables cuando estamos metidos hasta la cintura en ecosistemas Google o Windows.

Google BigQuery

Google BigQuery es una analítica serverless que, en su modalidad bajo demanda, factura por los datos procesados en cada consulta.

Azure Cosmos DB

Multimodelo, gestionada y distribuida globalmente.

MongoDB Atlas

Aquí vuelve a aparecer MongoDB, pero en este caso gestionada por el propio fabricante y con opción multi-cloud.

Supabase

Supabase es PostgreSQL gestionado con extras tipo Firebase, como autenticación, APIs, tiempo real…, pero con alma relacional.

PlanetScale

PlanetScale es MySQL gestionado sobre Vitess, con escalado horizontal y sharding (reparto de datos automático entre nodos) para cuando la cosa se pone seria.
Pensada para SaaS y cargas de mucho crecimiento.

Firebase / Firestore

Documental serverless de Google, popular en móviles y prototipos.

Snowflake

Snowflake es un data warehouse cloud y líder en analítica empresarial.
No voy a entrar en un debate a fondo sobre cloud y serverless para no convertir esto en El Señor de los Anillos, pero:
A favor: menos administración, escala bajo demanda, alta disponibilidad incluida y pago por uso.
En contra: el dichoso vendor lock-in, costes variables que pueden dispararse y menos control sobre el afinado profundo.

Mejores bases de datos para analítica y Big Data

OLTP (Online Transaction Processing, o procesamiento de transacciones en línea) y OLAP (Online Analytical Processing, o procesamiento analítico en línea) son problemas distintos.
Así, cuando la pregunta es: «¿Cuánto vendimos en marzo agrupado por región y canal en los últimos cinco años?», las relacionales transaccionales comienzan a sudar.
En esos casos, la respuesta la encontramos aquí:

Snowflake

Snowflake es líder en data warehouse cloud. Separación clara entre almacenamiento y cómputo, además de despliegue en varias nubes.

BigQuery

BigQuery es una analítica serverless que, en su modalidad bajo demanda, factura por los datos procesados en cada consulta.

Amazon Redshift

La opción nativa de AWS e integrada con S3, por supuesto.

ClickHouse

Open Source, columnar y un relámpago en agregaciones. Cada vez más adoptada para cuestiones de observabilidad y product analytics.

DuckDB

El «SQLite de la analítica» con motor columnar embebido y sin servidor.
Útil para análisis local sobre ficheros Parquet o CSV y data apps. No es un data warehouse multiusuario, sino la opción ágil para analizar en una sola máquina.

Apache Cassandra

No es una base OLAP al uso, pero puede tener sentido en arquitecturas de Big Data cuando el volumen es masivo, la escritura distribuida manda y la analítica se resuelve después con otras piezas.
Para la teoría completa sobre cuándo necesitamos un data warehouse, también tenemos una guía específica.

Las mejores bases de datos de series temporales

Las métricas, la telemetría y la observabilidad son el terreno de BBDD pensadas alrededor del tiempo.
Si precisamos métricas de infraestructura, IoT industrial, telemetría de aplicaciones, observabilidad y eventos temporales, las opciones son:

InfluxDB

El estándar de facto. En su versión 3.x se reconstruyó sobre tecnologías como Apache Arrow, DataFusion y Parquet, y volvió a apostar por SQL/InfluxQL, dejando Flux más ligado al mundo 2.x.

TimescaleDB

Extensión de PostgreSQL, de modo que te ahorras aprender un motor nuevo y mantienes SQL.

Prometheus

La opción del mundo cloud-native y Kubernetes, con su propio lenguaje PromQL.
Más que una base de propósito general, es el corazón de muchos sistemas modernos de monitorización.

VictoriaMetrics

Open Source, compatible con Prometheus, muy eficiente en almacenamiento y pensada para observabilidad de alto volumen.

OpenTSDB

Una veterana basada en HBase, aunque hoy prácticamente es legacy. Solo tiene sentido en entornos Big Data heredados que ya la utilizan.

Las mejores bases de datos de grafos

«Las relaciones son lo más importante». Una frase de sobre de azúcar en general, pero cierta para organizaciones donde las relaciones pesan más que las entidades en sus datos y toca recorrerlas una y otra vez.
Ahí tenemos:

Neo4j

La referencia. Modelo de propiedades, lenguaje Cypher y ecosistema maduro.

Amazon Neptune

Gestionada en AWS, soporta grafos de propiedades y RDF.

ArangoDB

Multimodelo (grafos, documentos o clave-valor), por si necesitamos combinar enfoques.
Los casos típicos en el día a día son: detección de fraude, redes sociales, recomendaciones, análisis de dependencias entre sistemas o gestión de identidades complejas, por ejemplo.

Las mejores bases de datos vectoriales para Inteligencia Artificial

Este es el segmento más nuevo y de mayor movimiento. Almacenan embeddings (las representaciones numéricas multidimensionales producidas por modelos de IA) y permiten buscar por similitud semántica.
Los concursantes son:

Pinecone

Pinecone es gestionada, serverless, cloud-native y pensada para producción rápida.

Milvus

Milvus es Open source, escalable y adoptada en stacks de IA empresariales.

Weaviate

Weaviate es Open source, con búsqueda vectorial e híbrida y módulos integrados para trabajar con modelos.

Qdrant

Qdrant es Open source, escrita en Rust (para presumir en Reddit o Hacker News) y rendimiento excelente.

pgvector

Extensión de PostgreSQL. Para muchos casos, esta es la respuesta correcta, porque tienes vectores en tu base relacional sin operar un motor nuevo.
¿Casos típicos? RAG (Retrieval-Augmented Generation, generación aumentada por recuperación), recomendadores semánticos, búsqueda multimedia, clasificación de contenido…
Aclarar que, a pesar del peso de las modas y la novedad en IT, las vectoriales no sustituyen a relacionales o documentales, sino que las complementan.

Bases de datos empresariales y heredadas que siguen presentes

No todo es PostgreSQL y cloud-native en la vida real y, sobre todo, en muchas grandes organizaciones.
Estas siguen funcionando con motores que el hype ignora, pero que sostienen procesos críticos.
Oracle Database, Microsoft SQL Server, IBM Db2, Teradata, Informix o SAP ASE (la antigua Sybase), son piezas relevantes en banca, administración, telecomunicaciones e industria, aunque no supongan necesariamente la primera opción para un proyecto cloud-native nuevo.
La cuestión, y el aviso aquí, es que conviene saber operarlas si las hemos recibido en herencia.

Tabla comparativa final para la elección de bases de datos

De nuevo, y para alivio de nuestra atención fragmentada por algoritmos, vamos a coger la biblia anterior y concentrar lo crítico en esta tabla.

Base de datos	Tipo	Mejor para	Ventajas	Limitaciones	Licencia	Complejidad
PostgreSQL	Relacional	Generalista	ACID, extensible	Escala horizontal limitada	Open source	Media
MySQL	Relacional	Web tradicional	Simple, soportada en todas partes	Menos extensible que PostgreSQL	Open source	Baja
MariaDB	Relacional	Sustituto MySQL	Gobernanza independiente	Cuota más pequeña	Open source	Baja
SQL Server	Relacional	Ecosistema Microsoft	Integración .NET, BI	Coste de licencia	Comercial	Media
Oracle Database	Relacional	Empresa crítica	Funcionalidad amplia	Coste alto, cerrado	Comercial	Alta
SQLite	Relacional embebida	Apps locales, edge tests	Sin servidor, mínima	Poca concurrencia de escritura	Open source	Baja
MongoDB	Documental	CMS, catálogos, móvil	Flexible	Mal usada, duele	Source-available (SSPL) / cloud comercial	Media
Cassandra	Wide-column	Escritura masiva distribuida	Escala horizontal	Modelado exigente	Open source	Alta
Redis	Clave-valor	Caché, sesiones	Latencia mínima	Limitada por RAM	AGPLv3/SSPL/RSAL, Valkey BSD	Baja
DynamoDB	Clave-valor/documental	Serverless en AWS	Escala automática	Lock-in AWS	Cloud comercial	Baja
Snowflake	Data warehouse	>Analítica empresarial	Varias nubes, separación cómputo/almacén	Coste variable	Cloud comercial	Media
BigQuery	Data warehouse	Analítica serverless	Sin clústeres	Coste por datos procesados	Cloud comercial	Baja
ClickHouse	Columnar	Analítica open source	Velocidad bruta	Modelo más rígido	Open source	Media
DuckDB	Analítica embebida	Análisis local, data apps	Columnar, sin servidor	No multiusuario	Open source	Baja
InfluxDB	Series temporales	Métricas, IoT	Optimizada para tiempo	Modelo limitado	Open source / cloud comercial	Media
VictoriaMetrics	Series temporales	Observabilidad a escala	Eficiente, compatible Prometheus	Ecosistema más nuevo	Open source	Media
Neo4j	Grafos	Relaciones complejas	Modelo nativo	Curva de aprendizaje	GPLv3 / comercial	Media
pgvector	Vectorial	IA dentro de PostgreSQL	Sin motor extra	Menos especializada	Open source	Baja
Pinecone	Vectorial	RAG en producción	Serverless	Lock-in, coste	Cloud comercial	Baja

Errores comunes al elegir una base de datos

Los refranes son un arte perdido, pero es verdad que tropezamos siempre con las mismas piedras y, cuando se trata de elegir base de datos, estas son las más habituales en nuestra experiencia.

• Elegir por moda o popularidad y no por caso de uso.
• Usar NoSQL sin necesidad real porque «escala más».
• Ignorar el coste operativo del «motor gratis» que necesita tres ingenieros todo el tiempo.
• No considerar el vendor lock-in cloud al darle el «sí, quiero» a opciones como DynamoDB, BigQuery o Cosmos DB.
• No prever el crecimiento ni la estacionalidad.
• No evaluar los requisitos de consistencia antes de aceptar una eventual consistency como modo de funcionar.
• Olvidarse de backups, seguridad, alta disponibilidad y monitorización.
• No tener en cuenta al equipo técnico real a nuestra disposición.

Monitorización y operación de bases de datos

No quiero ser cenizo, pero elegir una base de datos no termina con la instalación o contratación del servicio.
Cualquier BBDD crítica necesita monitorización seria.
Eso implica vigilar:

• Disponibilidad.
• Rendimiento.
• Conexiones.
• Consultas.
• Almacenamiento.
• Replicación.
• Errores, por supuesto.
• Backups.
• Crecimiento.

Sin esa supervisión, lo que parece la mejor decisión sobre el papel se convierte en un nudo operativo en producción.
Como cada motor pide métricas distintas y cada modelo de datos tiene sus puntos críticos, desarrollamos a fondo el tema en esta otra guía sobre monitorización de bases de datos, que conviene tener a mano antes de pasar a operación.
Y para casos documentales concretos, este artículo sobre cómo monitorizar RavenDB sirve de ejemplo de qué se vigila cuando uno se mete en harina.

Preguntas frecuentes sobre cómo elegir la mejor base de datos

Vamos a poner luz sobre lo más importante que hemos visto, pero desde otro ángulo. En este caso, recapitulando las preguntas más frecuentes y sus respuestas.

¿Cuál es la mejor base de datos?

Las balas de plata no existen y la mejor depende del caso de uso.
Decepcionante, lo sé, me lo dicen mucho, pero vamos a mojarnos. Si necesitas una respuesta corta y generalista, PostgreSQL suele ser la opción más sensata por defecto.

¿Cuál es la mejor base de datos Open Source?

De nuevo PostgreSQL para uso generalista, Redis o su fork libre Valkey para caché, ClickHouse para analítica, Milvus o Qdrant para vectorial.
El combo PostgreSQL + Redis cubre el 80% de los proyectos en muchas organizaciones, pero recordemos lo de la bala de plata inexistente y que la vida son los matices.

¿Qué base de datos es mejor para aplicaciones web?

PostgreSQL o MySQL son buenas elecciones para web tradicional.
Para SaaS con escala elevada, Supabase, PlanetScale o Aurora reducen bastante el trabajo operativo.

¿Qué base de datos conviene para IA?

Aquí precisamos una base vectorial, como pgvector si ya usamos PostgreSQL, Pinecone si queremos serverless gestionado o Milvus, Weaviate o Qdrant si preferimos Open Source.

¿Qué base de datos es mejor para Big Data?

Aquí depende del caso de uso o las operaciones:

• Para analítica masiva, BigQuery o Snowflake.
• Para escritura distribuida operativa, Cassandra.
• Para analítica open source rápida, ClickHouse.

¿Qué diferencia hay entre una base de datos relacional y una NoSQL?

La relacional usa tablas con esquema fijo y garantías ACID.
NoSQL agrupa modelos no relacionales más flexibles, mejor preparados para escala horizontal a cambio de sacrificar cierta consistencia.

¿Qué base de datos elegir para un proyecto pequeño?

Según la situación, las opciones recomendables a priori son:

• PostgreSQL, salvo que nuestro caso pida otra cosa.
• SQLite es la respuesta si «vas embebido».
• Firestore o Supabase si estamos prototipando en cloud rápido.

¿Qué base de datos elegir para una empresa grande?

En la vida real, depende del ecosistema que tenga más integrado.

• Microsoft → SQL Server.
• AWS → Aurora o RDS.
• Banca y teleco heredada → Oracle o Db2.
• Plataformas nuevas → PostgreSQL gestionado más el complemento que pida cada caso.

Conclusión

Todas estas palabras para decir depende, sí, ya que no existe una base de datos universalmente mejor, pero como ves, hemos cumplido lo de mojarnos dando guía y no solo exponiendo opciones como si fuera la Wikipedia.
PostgreSQL es una de las opciones generalistas más sólidas hoy, pero la elección correcta sigue dependiendo del modelo de datos, el caso de uso, la consistencia, la escala, el presupuesto y la capacidad real del equipo para operar y monitorizar la solución.
Volviendo a Star Trek, cada misión exige su nave. Por eso la diferencia entre una arquitectura sólida y una jaqueca recurrente no está en elegir «la mejor base de datos», sino en elegir bien para cada misión y aceptar que un stack moderno casi siempre combina varias.