Cuando el aprendizaje profundo irrumpió en la corriente principal alrededor de 2022–2023, arrastró todo un nuevo vocabulario a las conversaciones cotidianas. De repente todo el mundo hablaba de tokens, alucinaciones, ventanas de contexto, fine-tuning y ingeniería de prompts — términos que apenas existían en el léxico común de los desarrolladores una década antes. Surgió una nueva generación de "ingenieros de IA", el tiempo de GPU se convirtió en un bien preciado, y el "coste de inferencia" pasó a ser una partida en los presupuestos de ingeniería.
La computación cuántica sigue una trayectoria similar. Está en una etapa más temprana de la curva, pero el punto de inflexión se acerca — y con él, un nuevo conjunto de términos que pasarán de los artículos de investigación a las descripciones de puestos de trabajo, los pitches de startups y las preguntas de Stack Overflow. Algunos de ellos ya existen en la comunidad cuántica. La mayoría son desconocidos fuera de ella. Todos merecen aprenderse ahora, antes de que lo haga todo el mundo.
Aquí están 16 términos del mundo de la computación cuántica que están bien posicionados para volverse habituales.
1. QPU (Unidad de Procesamiento Cuántico)
El paralelo con la IA: GPU
"¿Tienes acceso a GPU?" se convirtió en una pregunta estándar en los equipos de ML. "¿Tienes acceso a QPU?" se convertirá en su equivalente cuántico.
Una QPU es el chip de hardware que ejecuta circuitos cuánticos. IBM llama a sus sistemas quantum computers, NVIDIA tiene CUDA-Q para simulación acelerada por GPU, y los sistemas de iones atrapados de IonQ son las QPU de mayor fidelidad disponibles hoy en día. Así como el "tiempo de GPU" se convirtió en un recurso por el que los ingenieros se pelean, el tiempo de QPU — ciclos reales de ejecución en hardware cuántico — se convertirá en un recurso premium y planificable.
El término ya aparece en las páginas de precios de la nube (AWS Braket, Azure Quantum). Estará en las descripciones de puestos de trabajo dentro de cinco años.
2. Presupuesto de shots
El paralelo con la IA: presupuesto de tokens / ventana de contexto
Cuando ejecutas un circuito cuántico, no obtienes una única respuesta — obtienes una distribución de probabilidad muestreada ejecutando el circuito muchas veces. Cada ejecución se llama shot. Un circuito ejecutado 1.000 veces cuesta más tiempo de QPU que el mismo circuito ejecutado 100 veces.
El "presupuesto de shots" — cuántas ejecuciones puedes permitirte — se convertirá en una preocupación real de optimización a medida que el acceso a QPU escale. Así como los desarrolladores aprendieron a recortar prompts para mantenerse dentro de los límites de tokens, los desarrolladores cuánticos aprenderán a diseñar circuitos que extraigan la máxima señal a partir de un presupuesto mínimo de shots.
"Conseguimos que el VQE convergiera en 200 shots en lugar de 2.000 — eso redujo nuestros costes de QPU en un 90%."
Esta ya es una preocupación real en algoritmos variacionales como VQE y QAOA, donde el ruido de los shots impacta directamente en la calidad de los resultados.
3. Ventaja cuántica
El paralelo con la IA: aceleración de 10x, "mejor que un humano"
La "ventaja cuántica" es el momento en que un ordenador cuántico resuelve un problema específico y del mundo real más rápido o mejor de lo que cualquier ordenador clásico puede hacerlo. Es el equivalente cuántico del "rendimiento sobrehumano" en los benchmarks de IA.
IBM introdujo el término relacionado quantum utility en 2023 para describir circuitos que son demasiado complejos para simularse clásicamente pero prácticamente útiles — un precursor más realista de la ventaja cuántica completa. Espera ver ambos términos en comunicados de prensa, anuncios de financiación y debates regulatorios a medida que el hardware madure.
La distinción importa: la ventaja cuántica es una propiedad de una combinación de problema + hardware, no una afirmación general sobre que los ordenadores cuánticos son "mejores". Entender esto separará las conversaciones cuánticas informadas del bombo publicitario.
4. Utilidad cuántica
El paralelo con la IA: "IA en producción" vs. demos de investigación
Estrechamente relacionada con la ventaja cuántica, la utilidad cuántica significa específicamente: un circuito cuántico que produce resultados útiles para una aplicación real, incluso si la simulación clásica de ese circuito exacto sigue siendo posible en principio pero impráctica.
IBM usó el término por primera vez en un artículo de Nature de 2023 que demostraba que ciertos circuitos cuánticos ejecutándose en su procesador Eagle producían resultados que la simulación clásica no podía verificar fácilmente. Es un hito más alcanzable y a corto plazo que la ventaja cuántica completa — y del que es más probable que oigamos hablar en los próximos años.
5. Transpilación
El paralelo con la IA: compilación de modelos / cuantización
Antes de que un circuito cuántico se ejecute en hardware real, debe ser transpilado — convertido de operaciones abstractas al conjunto de puertas nativo del hardware, con las operaciones de qubits redirigidas para respetar las restricciones de conectividad física. Esto es análogo a cómo un modelo de aprendizaje profundo debe compilarse y optimizarse para una arquitectura de chip específica.
from qiskit.compiler import transpile
# Circuit written in abstract gates
transpiled = transpile(circuit, backend=real_qpu, optimization_level=3)
A medida que lo cuántico pase a producción, el "coste de transpilación" y la "profundidad de transpilación" se convertirán en preocupaciones de ingeniería estándar — igual que la latencia de inferencia y la cuantización de modelos lo son hoy.
6. Tiempo de coherencia (T1 / T2)
El paralelo con la IA: ventana de contexto / límite de memoria
Un qubit no permanece cuántico para siempre. Se degrada — perdiendo su superposición a causa del ruido ambiental en un proceso llamado decoherencia. El tiempo T1 (relajación de energía) y el tiempo T2 (coherencia de fase) miden cuánto tiempo permanece utilizable un qubit.
Este es el equivalente cuántico de una ventana de contexto: define la profundidad máxima de circuito que puedes ejecutar antes de que tus qubits se conviertan en ruido clásico. Los qubits superconductores de IBM tienen tiempos T2 en torno a 100–300 microsegundos. Los qubits de iones atrapados de IonQ tienen tiempos T2 que superan un segundo — por lo que sus circuitos pueden ser mucho más profundos.
"Nuestro circuito es demasiado profundo para este backend — alcanzaremos T2 antes de que se ejecute la última puerta."
Los desarrolladores aprenderán a presupuestar el tiempo de coherencia de la misma forma que presupuestan la memoria.
7. Presupuesto de decoherencia
El paralelo con la IA: presupuesto de latencia / presupuesto de cómputo
Una extensión natural de T1/T2: el presupuesto de decoherencia es el "tiempo de coherencia" total disponible para que un circuito se complete antes de que los errores se acumulen más allá de lo útil. Los circuitos más largos consumen más presupuesto de decoherencia.
A medida que las aplicaciones cuánticas se vuelvan más complejas, los arquitectos diseñarán sistemas que se mantengan dentro de los presupuestos de decoherencia — sopesando profundidad de circuito vs. fidelidad de resultados, de forma similar a cómo los ingenieros de backend sopesan hoy latencia de respuesta vs. coste de cómputo.
8. Fidelidad de circuito
El paralelo con la IA: precisión del modelo / puntuación F1
La fidelidad mide cuán cerca está el estado cuántico real producido por un circuito del estado teórico ideal. Un circuito con un 99% de fidelidad es excelente. Uno con un 90% puede ser inútil para aplicaciones de precisión.
La fidelidad se degrada con cada puerta aplicada (cada puerta tiene una tasa de error) y con la profundidad del circuito (los circuitos más largos se decoheren más). Se convertirá en la principal métrica de calidad de los resultados de QPU — el equivalente cuántico de la precisión de un modelo en un benchmark.
9. Qubit físico vs. lógico
El paralelo con la IA: parámetros brutos vs. capacidad efectiva del modelo
Una de las distinciones más importantes que se volverán habituales: un qubit físico es un qubit de hardware real (ruidoso, propenso a errores). Un qubit lógico es un qubit con corrección de errores codificado a través de muchos qubits físicos — fiable, pero costoso.
El mejor hardware actual (IBM, IonQ) opera con qubits físicos. La computación cuántica totalmente tolerante a fallos requiere qubits lógicos. Las estimaciones actuales sitúan la proporción en 1.000–10.000 qubits físicos por qubit lógico para la corrección de errores mediante código de superficie.
Cuando oyes "IBM tiene 1.000 qubits", esos son qubits físicos. Un ordenador tolerante a fallos capaz de ejecutar el algoritmo de Shor contra RSA-2048 necesitaría millones de qubits físicos.
Entender esta distinción será esencial para separar el marketing del hardware cuántico de la realidad técnica.
10. Criptografía a prueba de cuántica / post-cuántica
El paralelo con la IA: "resistente a la IA" (menos apto) → en realidad más cercano a "GDPR para algoritmos"
Este ya está saliendo del mundo de la investigación. La criptografía post-cuántica (PQC) se refiere a algoritmos criptográficos clásicos diseñados para resistir ataques de ordenadores cuánticos. La amenaza: el algoritmo de Shor puede factorizar los grandes números primos que sustentan RSA, rompiendo la mayor parte del cifrado de clave pública actual.
El NIST finalizó sus primeros estándares de criptografía post-cuántica en 2024 (CRYSTALS-Kyber, CRYSTALS-Dilithium). "A prueba de cuántica" será un término de certificación y cumplimiento dentro de cinco años — apareciendo en auditorías de seguridad, requisitos de adquisición y documentación de proveedores de nube.
El vector de ataque para el que la mayoría de las organizaciones deberían prepararse: "cosechar ahora, descifrar después" — adversarios que recopilan datos cifrados hoy con la intención de descifrarlos una vez que los ordenadores cuánticos sean lo suficientemente capaces.
11. Algoritmo híbrido / híbrido cuántico-clásico
El paralelo con la IA: flujos de trabajo "asistidos por IA", computación heterogénea CPU+GPU
Casi todas las aplicaciones cuánticas a corto plazo son híbridas: un optimizador clásico llama repetidamente a un circuito cuántico, usando el hardware cuántico para las partes con las que los ordenadores clásicos tienen dificultades (preparación de estados, interferencia) mientras que los ordenadores clásicos gestionan los bucles de optimización.
VQE y QAOA son los algoritmos híbridos canónicos. A medida que los frameworks de programación cuántica maduren, la "orquestación de flujos de trabajo híbridos" — gestionar el traspaso entre cómputo clásico y cuántico — se convertirá en un problema estándar de ingeniería de software. Espera ver herramientas, frameworks y títulos de puestos construidos en torno a ello.
12. Circuito variacional (circuito cuántico parametrizado)
El paralelo con la IA: red neuronal (pesos entrenables)
Un circuito variacional o circuito cuántico parametrizado (PQC) es un circuito cuántico con ángulos de rotación ajustables — esencialmente una capa de red neuronal cuántica. Los parámetros son ajustados por un optimizador clásico para minimizar una función de coste.
VQE usa un circuito variacional como estimador de energía. QAOA usa uno para codificar problemas de optimización. A medida que se desarrolle el aprendizaje automático cuántico, "entrenar un circuito cuántico" se convertirá en una frase tan natural como "entrenar una red neuronal".
13. Volumen cuántico (QV)
El paralelo con la IA: FLOPS, puntuaciones de benchmark (MLPerf)
El volumen cuántico es un benchmark de un solo número introducido por IBM que captura el rendimiento de una QPU de forma holística — teniendo en cuenta simultáneamente el número de qubits, la fidelidad de las puertas, la conectividad y la profundidad máxima de circuito ejecutable.
Una QPU con QV 128 (= 2^7, un circuito equivalente a 7 qubits) supera a una con QV 64 incluso si la máquina con QV menor tiene más qubits brutos. Es la "puntuación MLPerf" del mundo cuántico — un número que los proveedores anunciarán y que los desarrolladores usarán para comparar hardware.
14. Trabajo cuántico / cola cuántica
El paralelo con la IA: trabajos de inferencia por lotes, cola de GPU
Cuando envías un circuito a una QPU real, envías un trabajo cuántico que entra en una cola cuántica — un sistema de planificación que gestiona el acceso a hardware compartido. Los trabajos del nivel gratuito de IBM Quantum a menudo esperan minutos u horas en cola por detrás de los clientes de pago.
El "rendimiento de trabajos", la "profundidad de cola" y la "prioridad de trabajos" se convertirán en métricas operativas para los equipos de infraestructura cuántica — idénticas en espíritu a la gestión de las colas de trabajos de clústeres de GPU de hoy.
15. Mitigación de errores vs. corrección de errores
El paralelo con la IA: regularización (mitigación) vs. ECC de hardware (corrección)
Esta distinción importa y se usará mal constantemente una vez que lo cuántico se vuelva habitual.
Corrección de errores — codificar qubits lógicos con redundancia para que los errores puedan detectarse y corregirse. Requiere una sobrecarga de ~1.000:1 de qubits físicos a lógicos. Aún no está disponible a escala.
Mitigación de errores — técnicas de posprocesamiento clásico que reducen estadísticamente el efecto del ruido sin corregirlo físicamente. Extrapolación a ruido cero, cancelación probabilística de errores, mitigación de errores de medición. Disponible ahora, en hardware NISQ.
Cuando un proveedor afirme que su QPU "gestiona los errores", pregunta siempre a cuál de los dos se refiere.
16. Desarrollador cuántico / ingeniero cuántico
El paralelo con la IA: ingeniero de ML, ingeniero de IA, ingeniero de prompts
Quizás el nuevo término más trascendental: el desarrollador cuántico. Así como el rol de "ingeniero de IA" cristalizó alrededor de 2023 — distinto tanto de la ingeniería de software tradicional como de la investigación en ML — el rol de "desarrollador cuántico" está emergiendo en torno a un conjunto de habilidades específico:
- Escribir circuitos en frameworks como Qiskit, Cirq o HLQuantum
- Entender las restricciones del hardware (conectividad, ruido, coherencia)
- Diseñar flujos de trabajo híbridos clásico-cuánticos
- Interpretar resultados probabilísticos y métricas de fidelidad
Herramientas como HLQuantum — que proporcionan una API unificada a través de todos los backends — están acelerando esto al permitir a los desarrolladores escribir código cuántico portable sin experiencia profunda en las particularidades de cada SDK. El "desarrollador cuántico" de 2028 probablemente usará una capa de abstracción de la misma forma que el desarrollador web de hoy usa un framework, en lugar de escribir circuitos en bruto para cada backend.
El patrón
Al observar estos 16 términos, emerge un patrón. Todo gran cambio de plataforma genera:
- Una nueva unidad de cómputo — GPU → QPU, tokens → shots
- Una nueva restricción de recursos — VRAM, ventana de contexto → tiempo de coherencia, presupuesto de shots
- Una nueva métrica de calidad — precisión, F1 → fidelidad, volumen cuántico
- Un nuevo paso de compilación — cuantización de modelos → transpilación
- Una nueva arquitectura híbrida — CPU+GPU → clásico+cuántico
- Una nueva superficie de seguridad — ML adversarial → criptografía post-cuántica
- Un nuevo título de puesto — ingeniero de ML → ingeniero cuántico
El vocabulario de la computación cuántica no es solo jerga — se corresponde directamente con restricciones reales de ingeniería, compromisos reales y oportunidades reales. Aprenderlo antes de que llegue la ola mayoritaria es la misma apuesta que hicieron los primeros ingenieros de la nube cuando empezaron a preocuparse por la "latencia" y el "rendimiento" antes que la mayoría de los desarrolladores.
El mejor momento para empezar fue hace cinco años. El segundo mejor momento es ahora — mientras el hardware todavía es de acceso gratuito y la curva de aprendizaje es la más baja.
Empieza aquí: Ejecuta tu primer circuito cuántico gratis →