"Las computadoras cuánticas revolucionarán el descubrimiento de fármacos, romperán todo el cifrado y resolverán el cambio climático." Ya has escuchado el discurso. Ahora aquí está la respuesta honesta: ¿qué pueden hacer realmente las computadoras cuánticas en 2026, con el hardware que existe hoy?
La respuesta honesta es matizada — y más interesante de lo que sugieren tanto la exageración como el escepticismo.
Cómo pensar sobre la preparación cuántica
Las aplicaciones cuánticas se dividen en tres categorías:
- Aplicaciones de la era NISQ (ahora): Algoritmos que funcionan en el hardware ruidoso actual de 50 a 1000 cúbits con profundidad de circuito limitada. Los resultados pueden ser aproximados. El valor es exploratorio o demostrativo.
- Aplicaciones a corto plazo (2–7 años): Requieren una corrección de errores modesta — de cientos a unos pocos miles de cúbits lógicos. Comienzan a aparecer aceleraciones prácticas para instancias de problemas específicos.
- Aplicaciones a largo plazo (7–20+ años): Requieren millones de cúbits físicos y tolerancia a fallos completa. Impacto transformador.
La brecha entre la exageración y la realidad proviene principalmente de confundir estas tres categorías.
Lo que funciona ahora (era NISQ)
Simulación de química cuántica — Moléculas limitadas
Qué: Simular la energía del estado fundamental de moléculas pequeñas usando VQE.
Demostrado: IBM y otros han calculado energías del estado fundamental para H₂, LiH, BeH₂ e hidrocarburos pequeños en QPU reales. Los resultados coinciden con los métodos clásicos para problemas de 4 a 12 cúbits.
Valor práctico ahora: Investigación y evaluación comparativa. Para moléculas que las computadoras clásicas también pueden simular exactamente, no hay ventaja — pero los métodos se están validando.
Cuello de botella: Escalar a moléculas con relevancia farmacéutica práctica (más de 50 átomos) requiere cientos de cúbits lógicos. No es posible en el hardware ruidoso actual.
Quién lo está haciendo: IBM Quantum, IonQ (para asociaciones de descubrimiento de fármacos), Quantinuum.
import hlquantum as hlq
# VQE for H2 — works today, results match classical
result = hlq.algorithms.vqe(molecule='H2', basis='sto-3g', backend='qiskit')
print(f"Ground state: {result.energy:.4f} Ha") # -1.1372 Ha
Aprendizaje automático cuántico — Prueba de concepto
Qué: Redes neuronales cuánticas (QNN) y métodos de núcleo cuántico para clasificación.
Demostrado: Se ha mostrado que los núcleos cuánticos funcionan en conjuntos de datos de juguete. No se ha demostrado ninguna ventaja cuántica sobre el ML clásico para conjuntos de datos prácticos.
Valor práctico ahora: Investigación. Se aplica el problema del "no free lunch" — la ventaja cuántica en QML, si existe, será para datos específicos con una estructura cuántica específica.
Caso de uso realista emergente: Los núcleos cuánticos para conjuntos de datos que surgen de experimentos de física cuántica pueden tener una estructura cuántica inherente que el ML cuántico explota mejor que los métodos clásicos.
Quién lo está haciendo: PennyLane/Xanadu (enfoque en QML), IBM, Google (Quantum AI).
Evaluación comparativa de optimización (QAOA)
Qué: QAOA aplicado a Max-Cut, optimización de carteras, enrutamiento de vehículos.
Demostrado: Se han ejecutado circuitos QAOA en hardware real. Con p=1, se pueden alcanzar ratios de aproximación de ~0.75 en Max-Cut en dispositivos NISQ.
Valor práctico ahora: No es competitivo con los solucionadores clásicos (recocido simulado, GUROBI) para tamaños de problemas reales. Valioso para la investigación y la evaluación comparativa de hardware.
Cuándo importa: Con p lo suficientemente grande para una ventaja significativa, los circuitos son demasiado profundos para los dispositivos NISQ. Se necesita corrección de errores.
Muestreo de circuitos aleatorios (afirmaciones de supremacía cuántica)
Qué: Muestreo de circuitos cuánticos aleatorios.
Demostrado: Google (2019, Sycamore), IBM (2023, Eagle), grupos chinos (2020, 2021).
Valor práctico: Ninguno actualmente — el muestreo de circuitos aleatorios no tiene ninguna aplicación conocida. Es una prueba de referencia de hardware que demuestra que los dispositivos cuánticos hacen algo que las computadoras clásicas tienen dificultades para simular.
Por qué importa: Valida que el hardware cuántico está funcionando correctamente y que la simulación clásica se está volviendo intratable para ciertos tamaños de circuito.
Lo que es a corto plazo (2–7 años)
Descubrimiento de fármacos asistido por cuántica
Qué: Usar la simulación cuántica para modelar las energías de unión proteína-ligando, prediciendo qué candidatos a fármacos vale la pena sintetizar.
Por qué importa: El descubrimiento de fármacos cuesta ~2.5 mil millones de dólares por cada fármaco aprobado. Reducir los ensayos clínicos fallidos mediante un mejor cribado computacional es enormemente valioso.
Estado actual: IBM y socios farmacéuticos (Pfizer, AstraZeneca, JSR) están ejecutando VQE en moléculas de hasta ~50 cúbits en hardware cuántico. Todavía es demostrativo — los métodos clásicos siguen siendo más precisos para moléculas comercialmente relevantes.
Cuándo se vuelve real: Cuando los recuentos de cúbits lógicos alcancen ~1,000–5,000. Entonces la simulación cuántica podrá superar a la clásica para clases moleculares clave. Estimaciones actuales: 5–10 años.
Finanzas cuánticas: aceleración de Monte Carlo
Qué: La estimación de amplitud cuántica puede teóricamente acelerar la integración de Monte Carlo de O(1/ε²) a O(1/ε) — una aceleración cuadrática que importa enormemente para la fijación de precios de opciones y la simulación de riesgos.
Estado actual: Goldman Sachs, JPMorgan y BBVA están investigando esto activamente. Se han realizado demostraciones a pequeña escala. Aún no a escala de producción.
Cuándo se vuelve real: Se necesita una tolerancia a fallos modesta (miles de cúbits lógicos). Las estimaciones oscilan entre 5 y 15 años para aceleraciones financieras prácticas.
Ciencia de materiales: diseño de baterías y células solares
Qué: Simulación cuántica de materiales candidatos para baterías de litio-aire, catalizadores de fijación de nitrógeno (reemplazando el proceso Haber-Bosch) y materiales fotovoltaicos.
Por qué importa: Mejores baterías = revolución de los vehículos eléctricos. Fijación eficiente de N₂ = uso de energía para fertilizantes drásticamente reducido (actualmente 1–2% del consumo energético mundial). Estos son problemas de billones de dólares.
Estado actual: Microsoft (StationQ), IBM y empresas emergentes como QunaSys y Good Chemistry están persiguiendo esto. Investigación en etapa temprana.
Cuándo se vuelve real: 5–20 años, dependiendo de la precisión objetivo y el tamaño de la molécula.
Lo que requiere tolerancia a fallos completa (7–20+ años)
Romper RSA/ECC con el algoritmo de Shor
Qué: Factorizar los grandes números primos que subyacen a RSA-2048.
Requerido: ~4,000 cúbits lógicos (cada uno requiriendo ~1,000 cúbits físicos = ~4 millones de cúbits físicos). Estado actual: cientos de cúbits físicos, muy ruidosos.
Cronología: La mayoría de las estimaciones sitúan las computadoras cuánticas amenazantes para RSA en 2030–2040. Algunos dicen que nunca — los desafíos de ingeniería pueden ser irresolubles a esta escala.
Qué hacer ahora: Migrar a la criptografía post-cuántica independientemente de la cronología. La transición lleva años, y los ataques HNDL están ocurriendo ahora.
Búsqueda de Grover a escala
Qué: Aceleración cuadrática para buscar en bases de datos no ordenadas, resolviendo problemas NP-difíciles.
Requerido: Circuitos profundos y con corrección de errores. La aceleración cuadrática significa que √N sigue siendo enorme para N grande — los factores constantes deben favorecer al hardware cuántico.
Cronología: Investigación a largo plazo.
Modelado climático y dinámica de fluidos
Qué: Los algoritmos cuánticos para resolver ecuaciones diferenciales (algoritmo HHL) podrían acelerar las simulaciones climáticas, la dinámica de fluidos y el modelado financiero.
Requerido: Tolerancia a fallos completa. El algoritmo HHL tiene una enorme sobrecarga que hace que la ventaja práctica esté lejos de ser clara incluso en teoría.
Cronología: Esta es la categoría más especulativa. La ventaja cuántica para resolver EDP sigue sin demostrarse en la práctica.
La conclusión honesta
| Aplicación | ¿Ventaja cuántica hoy? | Horizonte |
|---|---|---|
| Muestreo de circuitos aleatorios | Marginal, sin aplicación | Ahora (solo investigación) |
| VQE para moléculas pequeñas | Sin ventaja clásica | 3–5 años para moléculas útiles |
| QAOA para optimización | Sin ventaja clásica | 5–10 años |
| QML / núcleos cuánticos | Sin ventaja para datos reales | Incierto |
| Descubrimiento de fármacos | No | 7–10 años |
| Finanzas (Monte Carlo) | No | 5–10 años |
| Simulación de materiales | No | 7–15 años |
| Criptografía (Shor) | No | 10–20+ años |
El valor cuántico más inmediato no está en ejecutar algoritmos — está en aprender el campo temprano. Empresas como IBM, Google, NVIDIA, AWS, IonQ y decenas de empresas emergentes están contratando ingenieros cuánticos. El conjunto de habilidades — diseño de circuitos, algoritmos variacionales, flujos de trabajo híbridos cuántico-clásicos — es genuinamente raro. Esa brecha se cerrará, y las personas que aprendieron temprano estarán bien posicionadas.
El segundo valor más inmediato es la criptografía post-cuántica — que es un problema de software clásico con una amenaza cuántica, y donde la acción requerida es clara y urgente.
Para todo lo demás: el hardware es real, el progreso es genuino, la exageración es prematura y la trayectoria es empinada.
Explora el hardware: Acceso gratuito a QPU · Compara todos los simuladores · Análisis a fondo de casos de uso cuánticos