Si manejas una planta en el Bajío, en Monterrey, en São Paulo o en Medellín, la computación cuántica en manufactura te llega por tres puertas distintas. La primera es la programación de la producción, donde ya hay al menos un caso funcionando. La segunda es la investigación en materiales, que va para largo. La tercera casi nadie la tiene en el radar: la criptografía dentro de las máquinas que compras y de los productos que vendes.
| Frente | Horizonte | Riesgo u oportunidad | Primer paso |
|---|---|---|---|
| Programación de producción | Ya, en pilotos híbridos | Menos tiempo de programación en líneas con muchas variantes | Un problema con costo claro, comparado con un solver clásico moderno |
| Seguridad de firmware, OT y productos conectados | Ya: RSA y curva elíptica obsoletos en 2030 según el borrador del NIST | Equipos vendidos hoy que no se pueden actualizar | Pedir firma poscuántica en las especificaciones de compra y diseño |
| Materiales y química | Largo plazo, con máquinas corregidas de errores | Recubrimientos, polímeros, catalizadores y baterías | Una o dos personas siguiendo la investigación |
| Calidad y mantenimiento predictivo | Investigación | Todavía sin ventaja sobre el machine learning clásico | Mejores sensores y datos etiquetados |
Computación cuántica en manufactura: el caso que ya está en producción
Ford Otosan, la empresa conjunta de Ford en Turquía, puso en producción en 2025 una aplicación para secuenciar la línea de la Ford Transit, construida con los solvers híbridos de D-Wave. Según el anuncio de D-Wave, la línea maneja más de 1.500 variantes del vehículo y el tiempo de programación pasó de unos 30 minutos a menos de cinco. La empresa dijo que piensa llevarlo a otras áreas de carrocería, pintura y zonas de amortiguación.
Vale la pena leer ese resultado con cuidado. El solver es híbrido: buena parte del cálculo lo hace un computador clásico junto al recocido cuántico. Y la comparación es contra el proceso que la planta tenía antes, no necesariamente contra el mejor solver clásico del mercado. Para Ford Otosan eso no le quita valor. Para ti significa que cualquier prueba necesita una línea base clásica seria, o no vas a saber qué estás pagando.
Una planta automotriz en México o una de electrodomésticos en Brasil tiene problemas con la misma forma: secuenciación de modelos mixtos, cambios de formato, ventanas de mantenimiento, balanceo de líneas. Si uno de ellos te cuesta dinero de verdad y tu herramienta de planeación lo resuelve mal, puede ser candidato para una prueba de concepto cuántica híbrida.
¿Cuándo servirá la computación cuántica para diseñar materiales industriales?
La computación cuántica servirá para diseñar materiales industriales cuando existan máquinas con corrección de errores, y nadie puede dar un año confiable para eso. Hoy empresas químicas grandes, como Covestro y Mitsubishi Chemical, invierten en algoritmos y equipos humanos para recubrimientos, catalizadores y baterías, pero las respuestas útiles todavía no llegan.
Simular moléculas fue la idea original detrás de las computadoras cuánticas, y muchos investigadores esperan ahí la ventaja más clara. Quienes invierten hoy son grupos grandes con presupuesto de I+D: Covestro firmó en 2022 una colaboración de varios años con QC Ware sobre algoritmos para materiales y catalizadores; Mitsubishi Chemical trabajó con IBM, se unió en 2024 a PsiQuantum para diseñar materiales pensando en una máquina tolerante a fallas y en 2026 amplió su trabajo con Xanadu para simular litografía EUV. En el reto de computación cuántica de BMW y Airbus, con ganadores anunciados en diciembre de 2024, una de las categorías fue la simulación de materiales.
Con los cúbits (o qubits) ruidosos de hoy, estos proyectos sirven sobre todo para construir métodos y equipo humano. Las respuestas útiles se esperan con hardware corregido. Para una empresa mediana de la región, lo práctico es tener una o dos personas siguiendo el tema de cerca, no montar un programa propio de simulación.
¿Sirve la computación cuántica para control de calidad o mantenimiento predictivo?
La computación cuántica todavía no mejora el control de calidad ni el mantenimiento predictivo más que el machine learning clásico. El machine learning cuántico es un campo de investigación activo, con pilotos en la región, pero una planta obtiene hoy mucho más de buenos sensores, datos etiquetados y modelos estándar.
En Perú, Komatsu-Mitsui presentó en abril de 2026 una prueba de concepto con NTT DATA y Kipu Quantum para mejorar la predicción de fallas en maquinaria minera. Kipu, con operaciones en Perú, tiene una alianza con NTT DATA para llevar la computación cuántica a la industria latinoamericana. Vale la pena seguir esos resultados.
¿Qué fechas poscuánticas afectan a los equipos de planta y los productos conectados?
Las fechas poscuánticas que afectan a una planta vienen del NIST: su borrador NIST IR 8547, de noviembre de 2024, propone declarar obsoletos RSA y la curva elíptica en 2030 y prohibirlos en 2035. Un PLC, un robot o un producto conectado vendido hoy puede seguir funcionando después de esas fechas sin poder cambiar sus algoritmos.
Los estándares de reemplazo existen desde que el NIST publicó FIPS 203, 204 y 205 en agosto de 2024. En un sistema de TI, cambiar de algoritmo es una actualización de software. En un PLC, en el controlador de un robot o en un producto conectado puede ser hardware que no se deja actualizar.
Revisa tres frentes. La firma de firmware de lo que fabricas y de lo que compras: un equipo que solo verifica firmas clásicas no se puede pasar a llaves nuevas después. El acceso remoto a planta, que suele ir por VPN y portales de proveedores. Y los planos y el know-how de proceso que compartes con proveedores, que tienen vida útil larga y son justo lo que alguien grabaría hoy para leer mañana.
Si exportas a Estados Unidos y le vendes a la cadena de defensa, la suite CNSA 2.0 de la NSA pone metas concretas: la firma de software y firmware debe preferir algoritmos resistentes a la cuántica desde 2025 y usarlos en exclusiva en 2030. En manufactura, la migración a criptografía poscuántica suele empezar por los productos que vendes, porque son lo más difícil de arreglar cuando ya están en manos del cliente.
Por dónde empezar este año
Escoge un problema de programación con costo claro y buenos datos, y compáralo con un solver clásico moderno antes de hablar de cúbits. Pregúntales a tus proveedores de automatización y robótica cómo van a soportar la firma poscuántica de firmware, y mete esa pregunta en las especificaciones de compra. Si diseñas productos conectados, asegúrate de que la próxima revisión de hardware pueda verificar firmas ML-DSA o SLH-DSA, o al menos aceptar una nueva raíz de confianza en campo. Y forma a dos o tres ingenieros de planeación o I+D para que puedan evaluar lo que les venden; para eso está la formación en computación cuántica.
Cómo encaja AndesQubit
Con el descubrimiento de casos de uso cuánticos separamos los problemas de programación que vale la pena probar de los que un solver clásico ya resuelve bien, y si alguno lo amerita armamos un piloto híbrido acotado. Del lado de seguridad, planeamos la migración criptográfica de plantas y productos. Si tu operación depende mucho del transporte, la página de logística y transporte entra en detalle sobre rutas. Estamos abriendo proyectos por etapas; escríbenos para entrar en la lista de acceso anticipado.