IA y computación cuántica: hoy la IA tira de la cuántica, y el viaje de vuelta todavía no ha empezado

LA TESIS. La convergencia entre IA y computación cuántica es real, pero hoy va en una sola dirección. La IA ya acelera la cuántica: corrige sus errores, calibra sus qubits y diseña sus experimentos. La cuántica todavía no ha acelerado a la IA en ningún problema práctico. El círculo se cerrará, pero no por el «aprendizaje automático cuántico» que tanto se promete. Se cerrará cuando máquinas tolerantes a fallos (capaces de corregir sus propios errores mientras calculan) simulen moléculas y materiales que hoy ningún superordenador puede calcular. Esos datos alimentarán a la IA que busca fármacos y materiales nuevos. Esa ventana se abre, siendo optimistas, hacia 2029-2030. Mientras tanto, el dinero corre bastante más rápido que la física.

LO QUE LA IA YA HACE POR LA CUÁNTICA. Un qubit es la unidad de información cuántica. Es extremadamente frágil: el calor, la radiación o una vibración lo estropean en microsegundos. La solución se llama corrección de errores. Consiste en repartir la información de un qubit «lógico» (fiable) entre muchos qubits físicos (ruidosos) y vigilarlos sin parar. Leer esas señales y deducir qué error se ha producido es tarea de un «decodificador». Y eso, en el fondo, es un problema de reconocer patrones: justo lo que mejor hacen las redes neuronales. AlphaQubit, de Google DeepMind, se presentó en Nature en noviembre de 2024. Cometía un 6% menos de errores que los métodos de redes tensoriales y un 30% menos que el emparejamiento correlacionado, la técnica estándar. Su punto débil era la velocidad. La segunda versión, en preprint desde diciembre de 2025, afirma decodificar en menos de un microsegundo por ciclo. Lo consigue con qubits lógicos de hasta 241 qubits físicos y en aceleradores comerciales. Ese es el umbral que exige una máquina real. La industria ya lo está integrando. NVIDIA ofrece NVQLink, una conexión entre GPU y procesadores cuánticos. También ofrece un decodificador preliminar basado en redes neuronales convolucionales dentro de su librería CUDA-Q QEC. Quantinuum dice haber corregido errores en tiempo real en 67 microsegundos, 32 veces por debajo del margen de dos milisegundos que necesita su máquina Helios.

EL SALTO DE 2026: AGENTES EN EL LABORATORIO. La novedad de este año es que los modelos de lenguaje ya no solo analizan datos: también manejan el equipo. En septiembre, OpenAI y el MIT publicaron un caso de estudio. GPT-5.6 Sol, a través de Codex, calibró un chip superconductor de seis qubits. Calibrar significa encontrar sus frecuencias, ajustar las señales de control y lectura y medir cuánto tiempo conservan la información. Según un medio secundario, completó 40 mediciones y los investigadores solo tuvieron que intervenir en cuatro. La propia empresa reconoce que su rendimiento cae con señales débiles o ruidosas. Un preprint de junio, apodado «Vibe Calibration», va más lejos. Afirma haber calibrado de forma autónoma un procesador de un centenar de qubits. No hay revisión independiente todavía. Nuestra lectura: aquí está la aceleración de verdad. Calibrar a mano cuesta días de trabajo de un experto por cada chip. Si eso se automatiza, la cuántica puede crecer de decenas a miles de qubits sin necesitar un ejército de doctores. Ojo: son resultados de un solo laboratorio o de una sola empresa. Eso es capacidad prometedora, no capacidad demostrada a escala.

EL HARDWARE: DEL RUIDO A LA TOLERANCIA A FALLOS. La industria vive todavía en la era NISQ: máquinas de cientos de qubits ruidosos, sin corrección de errores completa. El objetivo es la tolerancia a fallos. Google marcó el primer hito serio en diciembre de 2024. Su chip Willow, de 105 qubits, demostró que añadir más qubits a un código de corrección reduce los errores en lugar de aumentarlos. La letra pequeña importa: fue un experimento de «memoria» con un único qubit lógico, sin operaciones. En octubre de 2025, Google publicó en Nature «Quantum Echoes». Según la empresa, es la primera ventaja cuántica verificable: un cálculo 13.000 veces más rápido que en el superordenador Frontier. Lo ligó a un ensayo de resonancia magnética de moléculas con la Universidad de Berkeley. El 15 de octubre de 2026, Google publicó en Science otro hito. Su técnica de «cultivo de estados mágicos» redujo 40 veces los errores de unos estados especiales que hacen falta para calcular, con una fidelidad del 99,99%. Según Scientific American, usó 54 de los 105 qubits y descartó en torno al 92% de los intentos. Es una prueba de concepto, no una fábrica. IBM promete Starling para 2029: 200 qubits lógicos capaces de ejecutar 100 millones de operaciones. Su módulo Kookaburra, previsto para 2026, aún no se ha presentado. La próxima cita es su conferencia del 11 al 13 de noviembre. Quantinuum, que usa iones atrapados, dice rozar las «cinco nueves» de fidelidad lógica (99,999%), aunque faltan los detalles experimentales. Google se ha abierto además a los átomos neutros: ya tienen matrices de unos diez mil qubits, pero sus ciclos son mil veces más lentos. El caso de Microsoft es el contrapunto. Su chip Majorana 1, anunciado en 2025, sigue bajo sospecha. Varios físicos sostienen que sus datos no demuestran un qubit topológico, y Microsoft ya tuvo que retractarse de un artículo similar en 2018.

LO QUE LA CUÁNTICA AÚN NO PUEDE HACER POR LA IA. El aprendizaje automático cuántico (QML) promete entrenar modelos más rápido o con menos datos. La literatura científica reciente es bastante sobria. Primer obstáculo: las «mesetas estériles». En muchos circuitos cuánticos entrenables, el gradiente, la señal que indica cómo mejorar el modelo, se vuelve prácticamente cero al crecer el sistema. Así no hay forma de aprender. Un trabajo de diciembre de 2025 lo resume con crudeza. Cuando un modelo cuántico sufre ese problema, un programa clásico que siempre responde «cero» lo iguala casi con certeza. Segundo obstáculo: cargar datos clásicos en un ordenador cuántico es caro. Ese coste puede comerse cualquier ventaja. Tercer obstáculo: la «descuantización». Una y otra vez aparecen algoritmos clásicos que igualan a los cuánticos que se presentaban como superiores. La revisión de Eisert y colaboradores (octubre de 2025) concluye que siguen sin demostrarse ventajas amplias y útiles de principio a fin. Los datos reales del ML son ruidosos y poco estructurados. Los algoritmos cuánticos brillan, en cambio, en problemas muy estructurados. Nuestra lectura: la gran aportación de la cuántica a la IA no será entrenar ChatGPT más deprisa. Será producir datos que hoy no existen: simulaciones exactas de moléculas, catalizadores o superconductores. Con ellos se entrenarán los modelos de IA que diseñen fármacos y baterías. La cuántica servirá de microscopio, no de motor.

EL DINERO VA MÁS RÁPIDO QUE LA FÍSICA. Según el Quantum Technology Monitor 2026 de McKinsey, la inversión en startups cuánticas llegó a unos 12.600 millones de dólares en 2025. Es unas seis veces más que en 2024. El 97% fue privada y diez operaciones acapararon el 60%. Los ingresos del sector superaron los 1.000 millones, frente a un valor económico potencial de entre 1,3 y 2,7 billones en 2035. Quantinuum salió a bolsa el 4 de junio a 60 dólares por acción. Captó unos 1.680 millones, la mayor OPV de la historia del sector. Su ingreso trimestral, según la prensa especializada, ronda los 8 millones. IonQ ha comprado la fundición SkyWater por 1.800 millones. Infleqtion y Pasqal también cotizan ya. Nuestra lectura: hay ciencia sólida debajo, pero las valoraciones descuentan un calendario que nadie ha demostrado. Hay otro dato que conviene no olvidar. Craig Gidney, de Google, estimó en 2025 que romper el cifrado RSA-2048 requeriría menos de un millón de qubits físicos durante menos de una semana. Su estimación de 2019 era de 20 millones. Ninguna máquina se acerca hoy a esa cifra. Pero la tendencia es clara: los recursos necesarios bajan más rápido de lo previsto.

IMPLICACIONES. A corto plazo, tres riesgos reales. El primero es una burbuja financiera que puede castigar a inversores minoristas si los plazos se retrasan. El segundo es el cifrado: los datos robados hoy podrían descifrarse mañana, así que migrar a criptografía poscuántica no es opcional. El tercero es el talento: la IA automatiza la calibración rutinaria, el trabajo de entrada de muchos físicos jóvenes, en línea con nuestra tesis de que «cambia qué trabajo importa». A largo plazo, el horizonte compensa. Una IA que construye mejores ordenadores cuánticos, y unos ordenadores cuánticos que dan a la IA datos exactos de la química, forman el bucle con más potencial para la medicina y la energía. Fármacos diseñados átomo a átomo, fertilizantes que gasten menos energía, baterías mejores: eso es abundancia material de verdad. Qué vigilar: que IBM presente Kookaburra en noviembre, que alguien haga operaciones lógicas y no solo memoria, y que haya replicación independiente de cada «ventaja cuántica». Sin euforia: hoy la flecha va de la IA a la cuántica. Sin catastrofismo: es la flecha correcta para empezar.