Computación cuántica vs. IA y supercomputadoras: 5 mitos

Un computador cuántico no es un chip de IA más rápido, y no va a reemplazar a las GPU ni a las supercomputadoras. La investigación y los planes de los propios fabricantes apuntan en otra dirección: los procesadores cuánticos se están conectando a supercomputadoras clásicas como aceleradores para un grupo reducido de problemas, necesitan muchísimo cómputo clásico para funcionar y la IA es una de las herramientas que los vuelve más confiables. Si estás decidiendo dónde poner el presupuesto de tecnología en 2026, la respuesta práctica es IA y cómputo clásico para los problemas de hoy, y cuántica para aprender, hacer pruebas puntuales y preparar la seguridad.

Hay cinco ideas que se repiten en juntas directivas y en presentaciones de proveedores. Esto es lo que dice la evidencia sobre cada una.

Mito 1: los computadores cuánticos van a reemplazar a los clásicos y a las GPU

No va a pasar, y nadie que los esté construyendo lo dice. Una unidad de procesamiento cuántico (QPU) funciona como acelerador. El lado clásico prepara los circuitos, lee y procesa los resultados y corrige los errores mientras corre el cálculo.

Eso es justo lo que está construyendo la industria. En junio de 2025 IBM y RIKEN presentaron en Japón un IBM Quantum System Two con un procesador Heron de 156 cúbits instalado junto a la supercomputadora Fugaku, para que cada paradigma ejecute “las partes de un algoritmo para las que está mejor preparado”. En agosto de 2025 IBM y AMD anunciaron una alianza pensada para un futuro en el que los computadores cuánticos trabajen “en conjunto” con infraestructura de supercomputación e IA. El 28 de octubre de 2025 NVIDIA presentó NVQLink, una arquitectura para acoplar GPU con procesadores cuánticos que cuenta con el apoyo de 17 fabricantes de QPU, cinco fabricantes de sistemas de control y nueve laboratorios nacionales de Estados Unidos. Al 17 de noviembre de 2025, según NVIDIA, más de una docena de centros de supercomputación en Asia, Europa y Medio Oriente la habían adoptado.

La corrección de errores deja clara la dependencia. IBM informó en noviembre de 2025 que logró decodificar errores en tiempo real, en menos de 480 nanosegundos, con hardware clásico. La versión CUDA-Q QEC de NVIDIA, de abril de 2026, decodifica en GPU en unos 2,1 microsegundos por ronda a través de NVQLink. Un computador cuántico grande y tolerante a fallos va a estar rodeado de más cómputo clásico, no de menos.

El propio director ejecutivo de NVIDIA muestra cómo cambió el discurso. En enero de 2025 Jensen Huang dijo que hablar de 15 años para tener computadores cuánticos muy útiles sería “probablemente quedarse corto”, y las acciones del sector cayeron con fuerza, según Fortune. Dos meses después, en el Quantum Day de la conferencia GTC de NVIDIA, bromeó con que era “el primer evento de la historia en el que el director ejecutivo de una empresa invita a todos sus invitados a explicar por qué se equivocó”. En octubre ya estaba anunciando NVQLink y diciendo que “cada supercomputadora científica con GPU de NVIDIA será híbrida, estrechamente acoplada a procesadores cuánticos”. Es una empresa de chips que planea la cuántica como socia de sus GPU, no como reemplazo.

Mito 2: la cuántica va a acelerar muchísimo el entrenamiento de la IA

No con ningún algoritmo conocido ni en ninguna máquina previsible. El obstáculo principal son los datos. Entrenar un modelo moderno exige mover volúmenes enormes de información, y los computadores cuánticos son lentos para cargar datos clásicos.

El análisis más claro es de Torsten Hoefler, Thomas Häner y Matthias Troyer, publicado en Communications of the ACM en mayo de 2023. Su comparación pone el ancho de banda de datos de una GPU en unos 10.000 Gbit/s, frente a cerca de 1 Gbit/s para un computador cuántico futuro y optimista. Concluyen que los computadores cuánticos serán prácticos “para problemas de mucho cálculo con pocos datos, no para problemas de grandes datos”, y que muchos métodos actuales de entrenamiento de machine learning no lograrán ventaja cuántica con los algoritmos actuales en el futuro previsible.

El problema se conoce desde hace una década. En un comentario de 2015 en Nature Physics titulado “Read the fine print” (lee la letra pequeña), Scott Aaronson mostró que varias aceleraciones famosas del aprendizaje automático cuántico suponen que los datos ya están cargados; si preparar la entrada toma tiempo polinómico, la aceleración exponencial “desaparece en el primer paso”. En 2018 Ewin Tang encontró un algoritmo clásico que demostró que un conocido algoritmo cuántico de recomendación “en realidad no da una aceleración exponencial frente a los algoritmos clásicos”.

Las comparaciones van en la misma línea. Cuando Bowles, Ahmed y Schuld, de Xanadu, una empresa de computación cuántica, compararon clasificadores cuánticos con métodos estándar en 2024, encontraron que los modelos clásicos de machine learning, sin ajustes especiales, superaban a los clasificadores cuánticos. Google publicó en septiembre de 2025 un preprint según el cual un procesador de 68 cúbits puede aprender a generar distribuciones fuera del alcance de los computadores clásicos. Es una investigación interesante, pero aún no tiene revisión por pares y está muy lejos de entrenar un modelo de lenguaje.

Mito 3: cualquier aceleración cuántica es una ganancia para el negocio

Una aceleración solo sirve si sobrevive al costo del hardware. Las operaciones cuánticas son mucho más lentas y caras que las clásicas, así que una ventaja algorítmica modesta se puede perder en la práctica.

Hoefler, Häner y Troyer lo tratan de frente. Después de comparar la velocidad del hardware cuántico y del clásico, llegan a la “conclusión clara de que las aceleraciones cuadráticas no bastan para una ventaja cuántica práctica”. Las aceleraciones cuadráticas son las que ofrece la búsqueda tipo Grover, y en ellas se apoyan muchas propuestas de optimización y de machine learning. Los autores sostienen que hacen falta problemas con pocos datos y algoritmos con aceleraciones mayores que cuadráticas, y señalan la química y la ciencia de materiales como la aplicación más prometedora. Coincide con donde ha habido avances reales: el experimento Quantum Echoes de Google, de octubre de 2025, midió una cantidad física unas 13.000 veces más rápido que una supercomputadora, y Google dijo que la resonancia magnética nuclear potenciada con cuántica “podría convertirse” en una herramienta poderosa para descubrir fármacos, no que ya lo sea.

Mito 4: cuando la cuántica gana, lo clásico queda fuera de la carrera

Los algoritmos clásicos siguen mejorando, muchas veces como respuesta a los anuncios cuánticos. El experimento de “utilidad” de IBM de 2023, en un procesador de 127 cúbits, fue igualado pronto con métodos clásicos. Tindall y sus colegas reportaron resultados con redes de tensores “significativamente más exactos y precisos que los obtenidos con el procesador cuántico”, y Begušić, Gray y Chan mostraron simulaciones “órdenes de magnitud más rápidas que el experimento cuántico”. En marzo de 2025 el grupo de Tindall respondió al anuncio de D-Wave sobre una simulación más allá de lo clásico mostrando que se podía llegar a precisiones de punta con recursos de cómputo modestos.

Las máquinas clásicas también simulan computadores cuánticos, lo que permite aprender y probar software cuántico sin hardware cuántico. El Centro Latinoamericano de Computación Cuántica, inaugurado en mayo de 2021 por SENAI CIMATEC y Atos en Salvador (Brasil), funciona con una máquina clásica capaz de simular sistemas y algoritmos cuánticos de hasta 35 cúbits. En ¿sirve ya la computación cuántica? revisamos cómo les fue a otros anuncios de ventaja.

La pregunta por la energía tiene el mismo matiz. Un estudio de 2020 de investigadores de Google, la NASA y Oak Ridge calculó que simular la tarea de muestreo de circuitos aleatorios de Google consumió 21,1 MWh en la supercomputadora Summit, mientras que un computador cuántico consume unos 15 kW. El mismo artículo advierte que esa tarea es “especialmente favorable a los computadores cuánticos” y que hoy no se puede lograr una ventaja en la práctica para la mayoría de los demás problemas de cómputo.

Mito 5: la IA y la cuántica compiten por el mismo futuro

Cada vez se parecen más a un mismo proyecto. La IA está ayudando a que los computadores cuánticos funcionen, y las GPU están en todas las hojas de ruta cuánticas serias.

El ejemplo más conocido es AlphaQubit, un decodificador basado en redes neuronales de Google DeepMind y Google Quantum AI, publicado en Nature el 20 de noviembre de 2024. Con datos del procesador Sycamore de Google cometió “6% menos errores que los métodos de redes de tensores” y “30% menos errores que el emparejamiento correlacionado”. Google fue franco sobre el límite: todavía es demasiado lento para corregir errores en tiempo real en un procesador superconductor. Del lado de las GPU, plataformas como CUDA-Q corren circuitos en simuladores acelerados, así que los equipos pueden probar su código cuántico antes de pagar tiempo de hardware.

La dirección contraria, la cuántica ayudando a la IA, es la especulativa. Si llega, la investigación citada sugiere que será en problemas pequeños y estructurados, como generar datos de entrenamiento a partir de simulaciones químicas, no en el entrenamiento de modelos grandes.

¿Dónde queda América Latina?

En hardware, la región arranca desde una base pequeña. Ninguno de los centros de supercomputación que NVIDIA nombró como adoptantes de NVQLink en noviembre de 2025 está en América Latina. Brasil va adelante: además del simulador de SENAI CIMATEC, el instituto Eldorado de Campinas anunció en septiembre de 2026 la compra de un IQM Spark de 5 cúbits para instalarlo en el primer trimestre de 2027, descrito como el primer sistema de IQM en Suramérica. En estrategias cuánticas de América Latina contamos las otras máquinas de Brasil y el plan de Chile, y en computación cuántica en Colombia reseñamos los grupos colombianos.

Para las empresas, lo más útil es que el acceso no depende de tener hardware en el país. Las plataformas en la nube y los simuladores en GPU están disponibles desde cualquier lugar, así que la limitación real es contar con personas que sepan escoger el problema correcto y juzgar los resultados.

¿Qué debería hacer tu empresa con esto?

Pon primero la IA y el cómputo clásico para los problemas de negocio actuales; ahí está el retorno hoy. Después, usa el presupuesto cuántico en tres frentes:

1. Formación. Un equipo pequeño que entienda los flujos híbridos cuántico-clásicos va a estar listo cuando lleguen las máquinas con corrección de errores. La formación en computación cuántica está pensada para eso.
2. Pruebas puntuales. Escoge problemas de mucho cálculo y pocos datos, como la simulación molecular en salud y farmacéutica o los materiales en minería y materiales, y pruébalos contra un buen método clásico. Nuestra guía para elegir el primer caso de uso cuántico explica cómo calificarlos, y el descubrimiento de casos de uso cuánticos lo hace contigo.
3. Seguridad. El mismo avance del hardware acorta el camino hacia máquinas capaces de romper el cifrado de llave pública actual, y eso es un plazo, no una opción. El punto de partida es una evaluación de preparación cuántica.

Cuando un proveedor te ofrezca “IA cuántica”, hazle tres preguntas: contra qué método clásico se compara, cómo se cargan los datos y si el resultado pasó revisión por pares. En el glosario están definidos QPU, computación híbrida cuántico-clásica, CUDA-Q y los demás términos del artículo.