Descubrimiento de casos de uso cuánticos

Cualquier empresa encuentra una diapositiva que dice que la computación cuántica va a transformar su industria. Muy pocas pueden nombrar un problema propio, explicar cómo lo atacaría un algoritmo cuántico y decir contra qué método clásico tendría que competir. Esa distancia es la que cierra el descubrimiento de casos de uso.

El trabajo son talleres y análisis entre sesiones. Recorremos tu operación con quienes la manejan, reunimos problemas candidatos, asociamos cada uno a una familia de algoritmos cuánticos y después intentamos descartarlo en serio. Lo que sobrevive es una lista corta de casos de uso de la computación cuántica propios de tu empresa, con tiempos realistas.

¿Qué es un caso de uso cuántico y qué no lo es?

Un caso de uso cuántico es un problema concreto de tu operación, con datos reales y un resultado medible, donde un algoritmo cuántico tiene un camino creíble para superar al mejor método clásico disponible. Si al problema le falta alguna de esas piezas, todavía es una aspiración general y no se puede evaluar.

“Optimizar la logística” no es un caso de uso. “Reducir los kilómetros en vacío del ruteo del día siguiente para 400 camiones que salen de tres centros de distribución en el Valle de México” ya es un candidato.

Casi todos los candidatos caen en cuatro familias.

Optimización combinatoria

Rutas, turnos, programación de producción, portafolios, diseño de redes. Los enfoques cuánticos incluyen QAOA en computadoras de compuertas y el recocido cuántico (quantum annealing). Es la familia por la que más preguntan las empresas y también la que tiene la evidencia de ventaja más débil hasta hoy. Los solvers clásicos como Gurobi, CPLEX u OR-Tools, junto con buenas heurísticas, son muy fuertes en estos problemas. Una naviera en Cartagena o una minera en Antofagasta que ya usa bien uno de ellos tiene la vara alta.

Simulación de moléculas y materiales

Energías de reacción, catalizadores, materiales para baterías, unión de fármacos. Los métodos clásicos aproximan el comportamiento cuántico de los electrones y algunos sistemas son difíciles de aproximar bien; el ejemplo de manual es FeMoco, el centro de la enzima que fija nitrógeno. Para una región con litio, cobre y agroquímica, esta es la familia más interesante a largo plazo. Aquí es donde la mayoría de investigadores espera la primera ventaja útil, aunque probablemente necesite máquinas con corrección de errores.

Machine learning cuántico

Kernels cuánticos, redes neuronales cuánticas y métodos parecidos. Los resultados son mixtos. Algunas aceleraciones propuestas se igualaron después con algoritmos clásicos, como pasó en 2018 cuando Ewin Tang mostró un método clásico que igualaba un conocido algoritmo cuántico de recomendación. Además, cargar grandes volúmenes de datos clásicos en un computador cuántico es lento, y eso se come buena parte de la ganancia teórica.

Muestreo y Monte Carlo

Simulación de riesgo, valoración de opciones, modelos probabilísticos. La estimación de amplitud cuántica ofrece en teoría una aceleración cuadrática. El problema es que una aceleración cuadrática necesita máquinas tolerantes a fallos muy grandes y muy rápidas para compensar; un análisis de 2021 de investigadores de Google (Babbush y colegas, en PRX Quantum) concluyó que es poco probable que ayude en el primer hardware con corrección de errores.

¿Cómo saber si la cuántica le gana a lo clásico?

Para saber si la computación cuántica le gana a lo clásico en un problema, hay que compararla contra el mejor método clásico que alguien haya probado en serio sobre ese mismo problema, al mismo tamaño y con el mismo presupuesto de tiempo y costo. Cualquier comparación más cómoda que esa es una demostración, no una ventaja.

Suena obvio, y es donde se caen casi todas las promesas de los proveedores. Un resultado cuántico comparado con un algoritmo clásico ingenuo, un problema recortado para que quepa en el hardware de hoy o una prueba que ignora el tiempo en cola y el costo de mitigar errores dice muy poco.

El registro público muestra lo rápido que cambian estas afirmaciones. Willow, el chip que Google presentó el 9 de diciembre de 2024, resolvió en menos de cinco minutos una prueba de muestreo de circuitos aleatorios que, según la estimación de Google, a un supercomputador clásico de primer nivel le tomaría unos 10 cuatrillones de años (10²⁵), pero esa tarea no tiene uso comercial. En marzo de 2025 D-Wave publicó en Science un resultado de supremacía cuántica en simulación de materiales magnéticos, y en cuestión de días investigadores de la EPFL argumentaron que métodos clásicos de redes tensoriales podían con esos mismos problemas, según reportó HPCwire. El 30 de julio de 2026, IBM, Algorithmiq y otros socios anunciaron en el blog de IBM Quantum tres demostraciones de ventaja. Las tres eran preprints, y el Quantum Advantage Tracker de IBM, un esfuerzo abierto para comparar estas afirmaciones con las mejores respuestas clásicas, sigue abierto a que otros grupos intenten igualarlas.

Por eso fijamos primero la línea base. Si todavía no tienes una buena solución clásica, construirla suele ser lo más valioso que puedes hacer este año, y es además la vara que cualquier enfoque cuántico futuro tendrá que superar.

Los filtros que descartan la mayoría de candidatos

A cada problema le aplicamos las mismas preguntas y anotamos cuál lo descartó:

1. ¿Tiene la estructura que aprovecha algún algoritmo cuántico conocido, o solo suena difícil?
2. ¿El enfoque clásico actual es bueno de verdad, o la brecha real está en calidad de datos, procesos o herramientas?
3. ¿Qué tamaño debe tener el problema para que la cuántica ayude, y cuántos cúbits lógicos y operaciones haría falta?
4. ¿Se pueden cargar los datos de entrada de forma eficiente y leer la respuesta en una forma útil?
5. ¿Una mejor respuesta vale suficiente dinero o reducción de riesgo como para justificar el esfuerzo?
6. ¿Cuándo podría existir hardware de ese tamaño, y qué cambiaría esa estimación?

La mayoría se queda en la primera o la segunda pregunta. Es normal y sirve. Un problema que cae porque tu solver actual es débil pasa a una lista aparte de mejoras clásicas.

¿Cómo se encuentran casos de uso de la computación cuántica en una empresa?

Los casos de uso de la computación cuántica se encuentran con dos talleres, uno con el negocio y otro técnico, y con análisis entre sesiones. El taller de negocio busca decisiones con espacios de búsqueda enormes o simulación física; el técnico revisa cómo se resuelven hoy y dónde se topan con límites.

El primer taller es con el negocio: operaciones, planeación, riesgo, investigación y desarrollo, quien tome decisiones con espacios de búsqueda enormes o con simulación física. Preguntamos por decisiones, no por tecnología. ¿Qué decides cada día o cada mes? ¿Cuánto te demoras? ¿Qué datos entran? ¿Cuánto valdría una respuesta 2% mejor?

El segundo es técnico. Con tus científicos de datos, tu gente de investigación de operaciones o tus ingenieros, revisamos cómo se resuelven hoy los mejores candidatos, con qué herramientas y dónde se topan con límites. La mayor parte del trabajo pasa entre sesiones: llevar cada problema a una formulación (QUBO, hamiltoniano, modelo de circuitos), estimar recursos en cúbits (qubits) y compuertas, y buscar resultados comparables en la literatura publicada.

Cerramos con una presentación que recorre la lista corta y los descartes, en español o en inglés.

¿Qué pasa después del descubrimiento de casos de uso?

Después del descubrimiento de casos de uso, cada problema de la lista corta termina con una de tres recomendaciones: vigilarlo, con señales concretas que lo vuelvan a poner sobre la mesa; mejorar ya la solución clásica; o correr un experimento acotado, que es para lo que existe nuestra prueba de concepto cuántica híbrida.

Si además necesitas cubrir el lado criptográfico del riesgo cuántico, la evaluación de preparación cuántica junta ambos temas en un solo proyecto. Si tu equipo quiere hacer estas evaluaciones por su cuenta más adelante, puede empezar con la formación en computación cuántica. Para ver dónde suelen aparecer los candidatos por sector, revisa logística y transporte o minería y materiales.

AndesQubit está abriendo proyectos por etapas. Si tienes un problema que sospechas que podría ser cuántico, cuéntanoslo y te decimos sin rodeos si vale la pena un taller.