Cada pocos meses aparece un titular asegurando que los ordenadores cuánticos están a punto de curar el cáncer o de inaugurar una nueva era de inteligencia artificial. La realidad es más compleja.
Los computadores cuánticos cuestan decenas de millones de dólares y hoy funcionan con tasas de error que limitan lo que pueden calcular de forma fiable.
La mayoría de lo que se ejecuta en un portátil probablemente nunca se beneficie del hardware cuántico. Sin embargo, existe una clase reducida de problemas donde la mecánica cuántica puede ofrecer un atajo computacional real.
Este artículo examina ocho casos de uso donde la computación cuántica podría aportar valor, evaluando la estructura del problema, el progreso actual, el interés comercial y los plazos realistas de implantación.
¿Qué hace que un problema sea apto para la computación cuántica?
No todo problema difícil es un buen caso de uso cuántico. Hay características clave que separan a los candidatos realistas de las expectativas exageradas.
- Espacios de soluciones exponenciales: simular una molécula con 50 átomos exigiría más bits clásicos que átomos existen en el universo observable. Los ordenadores cuánticos pueden explorar estos espacios mediante superposición e interferencia.
- Sistemas cuánticos naturales: las interacciones moleculares, las reacciones químicas y las propiedades de los materiales encajan de forma natural con el hardware cuántico.
- Problemas de optimización con estructura matemática específica: aquí es donde el hype supera con más frecuencia a la evidencia. Muchos algoritmos clásicos están tan afinados que la ventaja cuántica aún no se ha demostrado.
- Malos candidatos: el procesamiento de datos general, la mayoría del software y cualquier tarea donde los ordenadores clásicos ya rinden bien.
1. Descubrimiento de fármacos y simulación molecular
Desarrollar un nuevo medicamento exige comprender cómo una molécula se une a una proteína, cómo la metaboliza el cuerpo y qué efectos secundarios puede causar.
Estas cuestiones implican simular interacciones de mecánica cuántica entre átomos. Los ordenadores clásicos aproximan estas interacciones en lugar de calcularlas directamente, y los errores aumentan con la complejidad molecular.
Los ordenadores cuánticos podrían simular la química cuántica molecular de forma más directa. Algoritmos como el Variational Quantum Eigensolver (VQE) y la estimación de fase cuántica están diseñados para calcular energías de estado fundamental, rutas de reacción y propiedades moleculares que los métodos clásicos no manejan con precisión.
Empresas farmacéuticas como Roche y Boehringer Ingelheim ya se han asociado con compañías cuánticas. Aunque las demostraciones actuales solo han simulado moléculas pequeñas, lejos de desplazar a los métodos clásicos.
- Plazo comercial estimado: 5–10 años.
- Requisito clave: cientos de qubits lógicos corregidos de errores.
- Primeros usos: resolver cuellos de botella específicos del desarrollo de fármacos.
2. Optimización de carteras financieras y análisis de riesgos
Un gestor que equilibra miles de activos en mercados correlacionados se enfrenta a un espacio de soluciones exponencialmente grande. Lo mismo ocurre con un banco que somete su cartera de derivados a múltiples escenarios de estrés simultáneos.
Algoritmos cuánticos como el Quantum Approximate Optimization Algorithm (QAOA) y el quantum annealing podrían explorar estos espacios de forma más eficiente. También podrían acelerar las simulaciones de Monte Carlo usadas en análisis de riesgos.
El problema es que los algoritmos clásicos de optimización financiera llevan décadas afinándose. Bancos como JPMorgan Chase y HSBC tienen programas activos de computación cuántica, pero Goldman Sachs redujo recientemente su programa ante la falta de aplicaciones prácticas a corto plazo.
- Plazo comercial estimado: 5–10 años, con incertidumbre real.
- Reto clave: demostrar ventaja cuántica sobre sistemas clásicos de producción.
3. Ciencia de materiales y desarrollo de baterías
Las baterías de vehículos eléctricos, los paneles solares y los catalizadores industriales dependen del comportamiento de los electrones en estructuras atómicas complejas. Los ordenadores clásicos aproximan estas interacciones cuánticas, y su precisión disminuye al crecer el sistema.
La computación cuántica podría simular la estructura electrónica con mayor exactitud, ayudando a identificar materiales con:
– Mayor densidad energética.
– Carga más rápida.
– Vida útil más larga.
– Mejor absorción de luz en células solares.
Mercedes-Benz y PsiQuantum han investigado la simulación de electrolitos para baterías. BMW y Quantinuum han colaborado en reacciones químicas para pilas de combustible. IBM y ExxonMobil trabajan en materiales para captura de carbono.
- Plazo comercial estimado: 5–10 años.
- Reto clave: mayor fidelidad de qubits y más qubits lógicos.
4. Optimización logística y de cadena de suministro
Enrutar 100 vehículos por una ciudad o asignar tripulaciones y vuelos en una aerolínea son problemas de optimización combinatoria con un enorme número de soluciones posibles.
Encontrar soluciones casi óptimas tiene valor comercial directo: menos combustible, menos tiempo y menos costes.
Los algoritmos cuánticos como QAOA y el quantum annealing podrían explorar estas soluciones de forma más eficiente. El desafío es que empresas como UPS, FedEx y grandes aerolíneas llevan décadas desarrollando algoritmos clásicos altamente optimizados.
Volkswagen ha explorado la optimización cuántica para tráfico. Airbus y BMW han lanzado retos cuánticos para cadenas de suministro.
- Plazo comercial estimado: 5–15 años.
- Reto clave: vencer a los algoritmos clásicos de producción, no solo a versiones académicas.
5. Criptografía: romper y proteger el cifrado
La seguridad de la banca online y de la mayoría de las comunicaciones digitales se basa en problemas matemáticos difíciles para los ordenadores clásicos, como RSA y la criptografía de curva elíptica.
El algoritmo de Shor, ejecutado en un ordenador cuántico tolerante a fallos, podría resolverlos eficientemente.
Las estimaciones de recursos para romper el cifrado han caído drásticamente:
- 2019: romper RSA-2048 requería unos 20 millones de qubits físicos.
- 2025: la cifra bajó a menos de un millón de qubits.
- 2026: la arquitectura Pinnacle de Iceberg Quantum propuso romper RSA-2048 con menos de 100.000 qubits físicos, aunque bajo supuestos no validados a escala.
- Marzo de 2026: romper secp256k1, la curva que protege Bitcoin, podría requerir menos de 500.000 qubits físicos.
Es importante aclarar que son propuestas teóricas, no capacidades demostradas. Aun así, la amenaza “recolectar ahora, descifrar después” ya se considera activa.
La respuesta defensiva —la criptografía post-cuántica— se está estandarizando. El NIST publicó sus tres primeros estándares en agosto de 2024.
- Plazo estimado para romper cifrado: 10–20 años o más.
- Acción inmediata: migrar a algoritmos resistentes a ataques cuánticos.
6. Modelado climático y captura de carbono
La ciencia del clima simula sistemas de enorme complejidad: dinámica atmosférica, corrientes oceánicas, capas de hielo, ciclos del carbono y sus bucles de retroalimentación. Mejores modelos podrían mejorar la predicción meteorológica y orientar decisiones de infraestructura.
Los ordenadores cuánticos podrían acelerar partes concretas de estas simulaciones, por ejemplo:
– Modelar la química atmosférica con mayor precisión.
– Optimizar los métodos numéricos subyacentes.
– Diseñar catalizadores de captura de CO₂ y membranas de separación.
Hoy, la mayoría del trabajo en este ámbito sigue en fase de algoritmos fundamentales y pruebas de concepto. Pasqal ha anunciado iniciativas cuánticas centradas en el clima.
- Plazo estimado para modelado climático: 10–15 años.
- Plazo para captura de carbono: 5–10 años, ligado a materiales cuánticos.
7. Inteligencia artificial y aprendizaje automático
Es el área donde el hype cuántico supera con más frecuencia a la evidencia. Los titulares sugieren que la computación cuántica disparará la IA a niveles imposibles. La realidad es más limitada y lejana.
La computación cuántica podría ayudar en cuellos de botella específicos de la IA:
– Optimización del entrenamiento de redes neuronales.
– Muestreo de distribuciones de probabilidad complejas en modelos generativos.
– Métodos kernel cuánticos para espacios de alta dimensionalidad.
La barrera es enorme: la IA clásica se ejecuta en GPU y TPU altamente optimizadas, con frameworks de software maduros. Los enfoques cuánticos tendrían que justificar el coste y la complejidad.
- Plazo comercial estimado: 10–15 años o más.
- Requisito probable: sistemas tolerantes a fallos con miles de qubits lógicos.
- Actividad cercana: usar IA clásica para mejorar los ordenadores cuánticos, no al revés.
8. Fabricación química y diseño de catalizadores
El proceso Haber-Bosch para producir amoníaco, base de la mayoría de los fertilizantes, consume aproximadamente 1–2 % de la energía mundial. Un mejor catalizador tendría consecuencias económicas y ambientales enormes.
El diseño de catalizadores exige comprender:
- Cómo interactúan las moléculas en las superficies.
- Cómo se forman y descomponen los intermedios de reacción.
- Cómo controlar la selectividad de la reacción.
Son procesos de mecánica cuántica que los ordenadores clásicos solo aproximan. Empresas químicas como BASF ya han explorado la computación cuántica para el diseño de catalizadores.
- Plazo comercial estimado: 5–10 años.
- Reto clave: simular sistemas de escala industrial con hardware cuántico más maduro.
¿En qué situación se sitúan los casos de uso?
Los ocho casos de uso se agrupan en tres bandas de plazos.
Banda 1: Oportunidad más clara a corto plazo
Simulación molecular: descubrimiento de fármacos, ciencia de materiales y diseño de catalizadores. Son los que mejor encajan con el hardware cuántico y los que probablemente se beneficien antes de los qubits lógicos corregidos de errores.
Banda 2: Incertidumbre media
Optimización y criptografía. La optimización financiera y logística aún debe demostrar que puede superar a los métodos clásicos maduros. La criptografía está a 10–20 años para romper el cifrado actual, pero la defensa post-cuántica ya es comercial.
Banda 3: Aspiracional
Modelado climático e IA. Requieren tanto avances de hardware como avances algorítmicos que pueden o no llegar. Además compiten con la rápida mejora de los métodos clásicos.
| Caso de uso | Plazo estimado | Desafío principal |
|---|---|---|
| Descubrimiento de fármacos | 5–10 años | Número de qubits y tasas de error |
| Ciencia de materiales | 5–10 años | Igual que fármacos |
| Diseño de catalizadores | 5–10 años | Igual que fármacos |
| Optimización financiera | 5–15 años | Probar ventaja frente a métodos clásicos |
| Optimización logística | 5–15 años | Igual que finanzas |
| Criptografía (romper cifrado) | 10–20+ años | Las estimaciones bajan, pero faltan sistemas tolerantes a fallos |
| Modelado climático | 10–20+ años | Se necesitan avances algorítmicos |
| IA / Machine learning | 10–20+ años | Competir con el avance de la IA clásica |
Conclusión
Ninguna de estas aplicaciones se ejecutará de forma práctica en los ordenadores cuánticos disponibles hoy. Todas requieren progresos continuos en corrección de errores, calidad de qubits y escala del sistema. La dirección sí es clara: simulación molecular, optimización y criptografía concentran el mayor interés comercial realista. El reto no es si la computación cuántica puede aportar valor, sino cuándo y en qué problemas concretos lo hará primero.
Preguntas frecuentes
¿Cuáles son los mejores casos de uso de la computación cuántica?
Los más prometedores a corto plazo son la simulación molecular para descubrimiento de fármacos, ciencia de materiales y diseño de catalizadores. Son problemas de mecánica cuántica que los ordenadores clásicos aproximan mal y que encajan de forma natural con el hardware cuántico.
¿Cuándo tendrá aplicaciones prácticas la computación cuántica?
La mayoría de las aplicaciones prácticas requieren sistemas tolerantes a fallos con cientos o miles de qubits lógicos. Se espera que lleguen en 5–10 años para simulación molecular y en 10–15 años o más para optimización, IA y otros usos.
¿Pueden los ordenadores cuánticos resolver problemas de optimización mejor que los clásicos?
Aún no está demostrado. Existen algoritmos cuánticos, pero superar a los métodos clásicos altamente optimizados es un reto pendiente. Algunos expertos creen que se logrará; otros cuestionan que la ventaja práctica llegue a materializarse.
¿La computación cuántica sustituirá a la inteligencia artificial?
No. La IA clásica seguirá dominando la mayoría de las cargas de trabajo. La relación es complementaria: la cuántica podría acelerar tareas concretas dentro de flujos de IA, mientras que la IA clásica ayuda a mejorar los propios ordenadores cuánticos.
¿Qué industrias se beneficiarán primero?
Farmacéutica y biotecnología, fabricación química, ciencia de materiales, automoción y energía, y servicios financieros. Comparten problemas de alto valor, tolerancia al coste cuántico y desafíos ligados a sistemas cuánticos o espacios de búsqueda exponenciales.
