La combinación de dos tecnologías que reciben enormes cantidades de atención —inteligencia artificial y computación cuántica— parece inevitable.

La expresión Quantum AI suena como el siguiente gran salto: modelos de IA entrenados en computadores cuánticos, agentes capaces de resolver problemas fuera del alcance de las GPU y una nueva generación de infraestructura que dejaría obsoletos los centros de datos actuales.

Pero esa imagen mezcla investigación real con expectativas que todavía están bastante lejos de la producción empresarial.

Un análisis difundido por MSN a partir de una investigación de Gartner plantea precisamente esa separación. Gartner predice que las cargas de IA empresarial a escala no se ejecutarán sobre hardware cuántico hasta al menos 2028, y que la computación clásica acelerada seguirá dominando los benchmarks de producción durante ese periodo.

La conclusión no es que la computación cuántica sea irrelevante.

La conclusión es más útil para un CIO: Quantum AI y la IA que hoy genera retorno dentro de una empresa tienen horizontes, costes y niveles de madurez diferentes.

Qué está diciendo realmente Gartner

En agosto de 2026, Gartner publicó una predicción especialmente clara: no espera que ninguna carga de IA empresarial a escala dependa de hardware cuántico antes de 2028.

Su argumento se apoya en un punto técnico importante: no existe todavía un resultado revisado por pares que demuestre una ventaja cuántica sobre una carga de IA de producción en términos de rendimiento, coste o capacidad.

Eso es mucho más específico que decir que “los computadores cuánticos no sirven”.

De hecho, durante 2026 se han publicado avances importantes en computación cuántica. IBM y la Universidad de Chicago, por ejemplo, anunciaron experimentos de quantum advantage sobre circuitos lógicos difíciles de simular clásicamente. IBM y otros colaboradores también han mostrado resultados en simulación de materiales.

El matiz es fundamental:

demostrar ventaja cuántica en un problema científico o de benchmarking no equivale a demostrar ventaja cuántica en entrenamiento, inferencia o ejecución de una carga empresarial de IA.

Es posible que ambas afirmaciones sean ciertas al mismo tiempo:

  • la computación cuántica puede alcanzar hitos que superen ciertos métodos clásicos;
  • la IA empresarial puede seguir funcionando mejor y más barato sobre CPU, GPU y TPU durante años.

El problema comienza con la definición de “Quantum AI”

Parte de la confusión aparece porque varias categorías diferentes terminan bajo la misma etiqueta.

1. IA clásica

Es la IA que ya usamos en producción:

  • transformers;
  • modelos multimodales;
  • deep learning;
  • reinforcement learning;
  • sistemas de recomendación;
  • agentes basados en LLMs.

Todo esto corre sobre infraestructura clásica: CPU, GPU, TPU y aceleradores especializados.

2. IA quantum-inspired

Aquí no existe necesariamente un computador cuántico.

Son algoritmos clásicos que toman ideas de técnicas cuánticas —por ejemplo, ciertas formulaciones de annealing, redes tensoriales, optimización o métodos de sampling— pero se ejecutan sobre hardware convencional.

Esto es importante porque una empresa puede experimentar con técnicas quantum-inspired hoy mismo sin comprar ni alquilar un QPU.

3. Sistemas híbridos quantum-classical

En estos workflows una parte del problema se envía a un procesador cuántico y otra parte permanece en infraestructura clásica.

Un esquema simplificado sería:

aplicación clásica
      ↓
preprocesamiento CPU/GPU
      ↓
circuito cuántico pequeño
      ↓
QPU
      ↓
resultado probabilístico
      ↓
postprocesamiento clásico
      ↓
aplicación

Este enfoque existe y puede utilizarse en investigación y pilotos.

Pero sigue siendo muy diferente de ejecutar un modelo empresarial completo dentro de un computador cuántico.

4. Quantum AI nativa

Esta es la versión fuerte de la promesa: una técnica de IA que necesita hardware cuántico y que consigue una ventaja medible frente a las mejores alternativas clásicas.

Ese es el escenario para el que Gartner dice que todavía no existe evidencia de producción.

Cuatro obstáculos antes de llegar a Quantum AI de producción

Gartner identifica cuatro áreas que todavía deben avanzar de forma considerable.

Hardware

Los qubits físicos son frágiles.

El ruido, la decoherencia y los errores de puertas limitan la cantidad y profundidad de operaciones que pueden ejecutarse con precisión.

Aumentar simplemente el número de qubits físicos no resuelve por sí solo el problema.

Corrección de errores

Para ejecutar algoritmos grandes y confiables se necesitan qubits lógicos protegidos mediante múltiples qubits físicos.

Por eso el número que más importa no siempre es el que aparece en el titular de un fabricante.

Un sistema con muchos qubits físicos pero una tasa de error elevada puede ser menos útil que otro con menos qubits pero mejores qubits lógicos y circuitos más confiables.

Middleware

Un computador cuántico no vive aislado.

Hace falta software para:

  • compilar circuitos;
  • mapearlos al hardware disponible;
  • calibrar el dispositivo;
  • gestionar colas;
  • combinar ejecución clásica y cuántica;
  • mitigar errores;
  • observar y reproducir experimentos.

La capa de herramientas todavía está evolucionando rápidamente.

Algoritmos

Aunque aparezca hardware mejor, todavía queda otra pregunta:

¿qué algoritmo de IA puede aprovecharlo y superar una implementación clásica optimizada?

La comparación correcta no es contra una CPU genérica de hace diez años.

La comparación es contra clusters de GPU modernos, compiladores altamente optimizados, kernels especializados, cuantización, sparsity, modelos más pequeños y arquitecturas distribuidas que también siguen mejorando.

Qubits físicos y qubits lógicos: una diferencia que cambia la conversación

La industria suele anunciar procesadores mediante su cantidad de qubits.

Pero para aplicaciones tolerantes a fallos, la métrica decisiva es cada vez más el qubit lógico.

Un qubit lógico utiliza redundancia y corrección de errores para representar información de manera mucho más estable que un qubit físico individual.

Simplificando:

muchos qubits físicos
        ↓
corrección de errores
        ↓
pocos qubits lógicos confiables
        ↓
algoritmo útil de gran escala

Por eso Gartner recomienda observar métricas como qubits lógicos y tasas de error útiles en lugar de perseguir solamente titulares sobre chips con más qubits físicos.

¿Y los anuncios recientes de “quantum advantage”?

Aquí conviene evitar el extremo contrario: asumir que como Quantum AI todavía no está lista, entonces no está ocurriendo nada importante en quantum computing.

En julio de 2026, IBM y la Universidad de Chicago anunciaron un experimento con 70 qubits lógicos destinado a ejecutar circuitos difíciles de simular clásicamente y a verificar estadísticamente la fidelidad del resultado.

IBM también publicó trabajos con Qedma y Algorithmiq sobre simulaciones de sistemas cuánticos y materiales en regímenes que desafían métodos clásicos.

Son avances relevantes.

Pero el workload es la diferencia.

Un experimento que demuestra ventaja en sampling, dinámica cuántica o simulación de materiales no demuestra automáticamente que entrenar un transformer, servir un LLM o ejecutar un sistema de agentes sea mejor sobre un QPU.

Ese salto todavía necesita evidencia propia.

El verdadero problema para TI es el coste de oportunidad

Una organización no decide entre tecnologías en el vacío.

Cada dólar dedicado a un experimento compite con otras prioridades:

  • infraestructura de IA;
  • calidad y gobierno de datos;
  • observabilidad;
  • ciberseguridad;
  • automatización;
  • agentes;
  • evaluación de modelos;
  • reliability;
  • modernización cloud.

Gartner argumenta que mezclar el presupuesto de Quantum con el presupuesto de IA dificulta medir el retorno de ambos.

La IA generativa y agentic AI ya pueden medirse mediante variables como reducción del tiempo de ciclo, automatización, precisión o coste por operación.

Quantum AI todavía se parece mucho más a una inversión de I+D y opcionalidad futura.

Por eso tiene sentido administrar ambas líneas por separado.

Entonces, ¿qué es QCaaS?

Una empresa interesada en aprender quantum computing tampoco necesita construir un computador cuántico.

QCaaS — Quantum Computing as a Service — permite acceder a hardware cuántico mediante la nube.

Es conceptualmente parecido a alquilar una GPU, aunque el modelo operativo es distinto.

Python / SDK
    ↓
circuito cuántico
    ↓
servicio cloud
    ↓
cola de ejecución
    ↓
QPU o simulador
    ↓
mediciones
    ↓
resultado a la aplicación

Servicios actuales incluyen:

  • Amazon Braket, que ofrece simuladores y acceso a varios tipos de hardware cuántico mediante AWS;
  • IBM Quantum Platform, con acceso remoto a QPUs y el ecosistema Qiskit;
  • Azure Quantum, que ofrece hardware de distintos proveedores, simulación y herramientas para estimar recursos.

QCaaS es útil para:

  • educación;
  • investigación;
  • prototipos;
  • benchmarking;
  • explorar algoritmos híbridos;
  • entender las restricciones reales del hardware.

Lo que no debería hacer una empresa es convertir un experimento QCaaS en una afirmación de ROI empresarial antes de compararlo contra una baseline clásica seria.

La prioridad cuántica más concreta para TI probablemente no es Quantum AI

Paradójicamente, una de las tareas relacionadas con quantum que sí debería estar apareciendo en roadmaps de seguridad no necesita un computador cuántico.

Es la criptografía post-cuántica (PQC).

NIST ya publicó tres estándares principales:

  • ML-KEM para establecimiento de claves;
  • ML-DSA para firmas digitales;
  • SLH-DSA para firmas basadas en hashes.

NIST recomienda que las organizaciones comiencen la migración ahora, porque encontrar dónde se utiliza criptografía vulnerable, actualizar protocolos, reemplazar certificados y coordinar dependencias puede tomar años.

Esto produce una distinción muy útil:

Quantum AI
¿puede quantum acelerar IA empresarial?
→ todavía principalmente I+D

PQC
¿cómo protegemos sistemas actuales contra futuros ataques cuánticos?
→ trabajo de ingeniería que ya puede empezar

Para muchos equipos de IT, PQC es bastante más accionable hoy que Quantum AI.

Una estrategia razonable para 2026

En lugar de elegir entre “ignorar quantum” y “apostar por quantum”, una empresa puede separar el problema por horizontes.

ÁreaMadurez en 2026Acción razonable
GenAI y agentic AIProducciónInvertir, medir ROI y mejorar reliability
Criptografía post-cuánticaMigración ya iniciadaInventariar criptografía y preparar transición
Métodos quantum-inspiredUtilizables en hardware clásicoProbar cuando exista un problema concreto
Quantum-classical / QCaaSExperimentalPilotos pequeños con presupuesto de I+D
Quantum AI nativa a escalaInvestigaciónVigilar avances, no diseñar el stack empresarial alrededor de ella

Y cada piloto cuántico debería comenzar con algo que a veces falta en proyectos de innovación: criterios de salida.

Antes de ejecutar el experimento conviene definir:

  1. cuál es la mejor baseline clásica;
  2. qué métrica debe mejorar;
  3. cuánto puede costar el piloto;
  4. qué resultado justificaría continuar;
  5. qué resultado obliga a detenerlo.

Eso evita lo que Gartner describe implícitamente como vendor theater: pilotos que continúan porque la tecnología resulta fascinante, no porque estén acercándose a un caso de negocio.

Qué señales sí vale la pena vigilar

Para saber cuándo cambiar esta postura no basta con mirar el número de anuncios de quantum computing.

Las señales más importantes serían:

  • más qubits lógicos útiles;
  • menores tasas de error lógico;
  • circuitos tolerantes a fallos más profundos;
  • benchmarks reproducibles contra los mejores métodos clásicos;
  • algoritmos con ventaja sobre workloads comercialmente relevantes;
  • coste total competitivo;
  • tooling y operaciones suficientemente maduros para producción.

Cuando varias de esas variables cambien simultáneamente, la conversación dejará de ser puramente de I+D.

Conclusión

Quantum computing está avanzando y algunos experimentos recientes son genuinamente importantes.

Pero avance cuántico y Quantum AI empresarial no son sinónimos.

En 2026, una arquitectura de IA de producción sigue construyéndose alrededor de GPU, CPU, TPU, cloud, datos, observabilidad, evaluación y software clásico. Quantum puede formar parte de un laboratorio, un programa de investigación o un piloto mediante QCaaS, pero todavía no existe evidencia suficiente para convertirlo en una dependencia de la plataforma de IA empresarial.

La mejor estrategia no es ignorar la computación cuántica.

Es poner cada tecnología en el horizonte correcto:

  • IA clásica y agentic AI para producir valor ahora;
  • PQC para preparar la seguridad futura;
  • quantum-inspired para experimentar sobre infraestructura actual;
  • QCaaS para aprender con límites claros;
  • Quantum AI nativa como una apuesta de investigación que debe demostrar su ventaja antes de recibir presupuesto de producción.

Eso es bastante menos espectacular que prometer una revolución inmediata.

También es una forma mucho más responsable de construir tecnología.

Fuentes