La inteligencia artificial no deja de exigir más capacidad de cómputo, mientras los ordenadores cuánticos avanzan, paso a paso, hacia máquinas que de verdad funcionan.
El punto de encuentro entre ambos es la historia de fondo, y va desde la corrección de errores hasta el cifrado que protege tu Bitcoin (BTC).
TL;DR
- La IA ya está ayudando a construir mejores ordenadores cuánticos —del decodificador de errores AlphaQubit de Google a los enlaces GPU‑cúbit de Nvidia— mientras que el retorno de lo cuántico para la IA sigue siendo limitado y en gran parte no demostrado.
- El choque más inminente es criptográfico: un investigador de Google ha reducido el coste estimado de romper RSA‑2048 a menos de un millón de cúbits ruidosos, y el NIST pide a todos migrar antes de 2030.
- Las previsiones de los expertos discrepan de forma extrema, desde el objetivo de IBM de lograr tolerancia a fallos en 2029 hasta los “20 años” de Jensen Huang, así que conviene desconfiar de cualquier fecha concreta.
El hardware, por fin, empieza a comportarse
Durante tres décadas, los ordenadores cuánticos empeoraban a medida que crecían. Más cúbits significaban más ruido, y más ruido arruinaba cualquier cálculo.
Google informó del giro de tendencia en Nature en diciembre de 2024. Su chip Willow, de 105 cúbits, cruzó el umbral “por debajo del límite”: a partir de ahí, añadir más cúbits reduce la tasa de error lógica en lugar de aumentarla.
Las cifras fueron concretas. Aumentar la “distancia de código” de 3 a 5 y luego a 7 aproximadamente partió por la mitad la tasa de error lógica en cada salto, y la memoria con distancia 7 alcanzó un 0,143% de error por ciclo.
Esa memoria además sobrevivió más tiempo que el mejor cúbit físico individual, por un factor de 2,4. Los ingenieros llaman a esto “más allá del punto de equilibrio”, y es lo más parecido a una prueba irrefutable que tiene hoy el sector.
John Preskill, de Caltech, quien acuñó el término que define esta era, calificó la demostración de que la corrección de errores prolonga el tiempo durante el que un cúbit almacena información como “un hito notable”. Pero también advirtió que el impacto cotidiano de la computación cuántica “podría tardar décadas”.
Diez meses después, Google redobló la apuesta.
Publicó un segundo artículo en Nature en octubre de 2025 sobre un algoritmo al que llama Quantum Echoes, con el que afirma haber logrado un rendimiento 13.000 veces superior al del mejor método clásico en uno de los superordenadores más potentes del mundo.
Pero hay que leer la letra pequeña. El propio equipo de noticias de Nature recogió el escepticismo de investigadores externos sobre el alcance real de ese resultado, y la propia Google admitió que una máquina útil en criptografía aún requiere varios órdenes de magnitud más escala.
El valor de ese experimento es acotado y muy específico: mide cómo los sistemas cuánticos “barajan” la información, algo que podría ayudar a desentrañar la estructura de moléculas e imanes, no a ejecutar tu hoja de cálculo.
Mientras tanto, el resto del sector corre sobre hojas de ruta públicas.
- IBM asegura que entregará Starling, una máquina tolerante a fallos con 200 cúbits lógicos capaces de ejecutar 100 millones de puertas, para 2029, tras chips intermedios llamados Nighthawk y Loon.
- Quantinuum promete un sistema universal y totalmente tolerante a fallos llamado Apollo para 2029, con su máquina Helios como primer paso y un procesador denominado Sol previsto para 2027.
- Los laboratorios de átomos neutros están escalando rápido, usando láseres para atrapar átomos individuales como cúbits.
Dos de esos resultados con átomos destacan.
El Endres Lab de Caltech mantuvo 6.100 cúbits de cesio repartidos en unos 12.000 sitios de pinzas ópticas, en un trabajo publicado en Nature el 24 de septiembre de 2025, con 13 segundos de coherencia y un 99,98% de precisión en el control de cúbits individuales. “Es un momento apasionante para la computación cuántica con átomos neutros”, afirmó el investigador principal Manuel Endres.
Un equipo de Harvard liderado por Mikhail Lukin, en colaboración con el MIT y QuEra, tomó otra vía. Hizo funcionar de forma continua un sistema de 3.000 cúbits durante más de dos horas, reciclando más de 50 millones de átomos y recargando hasta 300.000 por segundo para sustituir los que se escapaban.
“Hemos demostrado operación continua con un sistema de 3.000 cúbits”, señaló Lukin. “Y también está claro que este enfoque funcionará con números mucho mayores”.
Y luego está la historia de advertencia.
Microsoft anunció su chip Majorana 1 en febrero de 2025, proclamando los primeros cúbits “topológicos”, un diseño concebido para resistir errores desde la propia base física. Los físicos reunidos en una conferencia en marzo se mostraron mayoritariamente escépticos, y el teórico Henry Legg publicó después una impugnación formal en Nature argumentando que la prueba utilizada podía ser engañada por efectos ordinarios.
Sankar Das Sarma, uno de los pioneros teóricos de los cúbits topológicos, elogió los avances de Microsoft en materiales pero se mantuvo poco impresionado por la física presentada.
Esa distancia entre nota de prensa y demostración rigurosa es la lección más útil que conviene recordar sobre este campo.
También lea: Yang Zhilin rechazó a Apple — ahora su Kimi K3 presiona a Claude Fable 5 en programación
La IA ya está construyendo el ordenador cuántico
Hay un giro que la mayoría de las coberturas pasa por alto: la IA no está esperando a que llegue lo cuántico. Ya es una herramienta más en el banco de trabajo cuántico.
DeepMind, de Google, desarrolló un decodificador basado en redes neuronales llamado AlphaQubit, descrito en Nature en noviembre de 2024. Entrenado con datos del procesador Sycamore, cometió un 6% menos de errores que los métodos de redes tensoriales y un 30% menos que los algoritmos de “correlated matching”.
Es en el descifrado donde la IA se gana su sueldo. Un chip cuántico genera torrentes de señales de error y algo tiene que leer esos patrones y corregirlos más rápido de lo que se acumulan nuevos fallos.
Los cúbits superconductores operan en escalas de decenas o cientos de nanosegundos, así que el decodificador debe ser a la vez preciso y ferozmente rápido. Si se pierde esa ventana, los errores se encadenan antes de que llegue la corrección.
La misma presión del aprendizaje automático se está dejando notar en otros niveles de la pila:
- Las redes neuronales ayudan a calibrar cúbits y a ajustar los pulsos de control que los hacen cambiar de estado.
- El aprendizaje por refuerzo se ha utilizado para descubrir algoritmos más veloces, incluido el trabajo AlphaTensor de DeepMind sobre multiplicación de matrices.
- Los decodificadores basados en IA reducen progresivamente el número de cúbits físicos necesarios para proteger un solo cúbit lógico.
Este último punto importa más de lo que parece. Cada reducción de sobrecarga acerca una máquina útil sin necesidad de inventar un nuevo tipo de cúbit.
Esa restricción explica por qué los gigantes del hardware están fusionando chips cuánticos con aceleradores clásicos.
Nvidia presentó NVQLink en octubre de 2025, un interconector abierto que enlaza procesadores cuánticos con superordenadores de GPU, respaldado por 17 fabricantes cuánticos y nueve laboratorios nacionales de EE. UU. Quantinuum lo utilizó para ejecutar el primer decodificador en tiempo real y a escala para su chip Helios, con un tiempo de reacción de 67 microsegundos.
El mensaje de Jensen Huang es directo: no se puede hacer funcionar un ordenador cuántico en solitario, así que se aparca un superordenador clásico a su lado.
Ese es el perfil del futuro cercano: una arquitectura híbrida en la que modelos de IA ajustan, calibran y “cuidan” cúbits frágiles en tiempo real.
También lea: Anthropic niega el veto a modelos abiertos y luego expone su verdadero temor
Qué aporta realmente lo cuántico a la IA
Demos la vuelta a la pregunta: ¿puede un ordenador cuántico hacer más inteligente a la IA?
La respuesta honesta es: mucho menos de lo que sugiere el marketing, al menos por ahora.
La gran promesa era el “machine learning cuántico”, algoritmos que ofrecían aceleraciones exponenciales en tareas de datos. Hasta que una adolescente los puso en entredicho.
Ewin Tang demostró en 2018 que un ordenador clásico podía igualar un célebre algoritmo cuántico de recomendaciones, y desde entonces ha ido “descuantizando” varios más. Su trabajo dejó al descubierto hasta qué punto muchas de esas ventajas dependían de suposiciones irreales sobre cómo cargar los datos, no del álgebra cuántica en sí.
Dos problemas siguen lastrando el aprendizaje automático cuántico:
- El cuello de botella de entrada: convertir datos clásicos en estados cuánticos puede borrar cualquier ganancia de velocidad antes de empezar el cálculo.
- Las “mesetas estériles”: a medida que crecen los circuitos, el paisaje de entrenamiento se aplana hasta convertirse en un desierto donde los gradientes desaparecen y el aprendizaje se detiene.
Scott Aaronson, uno de los principales teóricos de complejidad cuántica, lleva años pidiendo que se lea la letra pequeña de estas promesas.
¿Para qué sirve, de verdad, lo cuántico?
Principalmente para simular otros sistemas cuánticos. Química, materiales y ciertos problemas de optimización son el terreno natural, porque la propia naturaleza es cuántica y una máquina cuántica habla su mismo idioma.
Es un nicho real y valioso: mejores baterías, mejores catalizadores y nuevos candidatos a fármacos están ahí.
Sencillamente, no es la historia de “lo cuántico turboalimentará tu chatbot” que ayuda a inflar valoraciones. El propio Preskill definió la etapa actual como la era ruidosa de escala intermedia: un periodo de experimentos útiles, pero aún lejos de máquinas universales.
También lea: El agente descontrolado de OpenAI vulneró 4 servicios más además de Hugging Face
La cuestión energética que nadie debería sobrevender
El apetito energético de la IA está convirtiéndose en un problema de infraestructura.
La IEA estima que los centros de datos consumirán en torno a 945 teravatios-hora en 2030, más del doble de los 415 teravatios-hora de 2024. Esa cifra para 2030 se aproxima al consumo eléctrico anual de Japón.
La demanda de electricidad procedente de centros de datos optimizados para IA, añade la IEA, va camino de más que cuadruplicarse en ese mismo periodo.
De ahí nace una narrativa tentadora: los ordenadores cuánticos usan una física exótica, así que quizá reduzcan drásticamente la factura energética.
Conviene andarse con cuidado aquí.
Los equipos cuánticos podrían, en principio, resolver problemas químicos y de optimización muy específicos con muchas menos operaciones que un superordenador clásico, lo que recortaría consumo energético en esas tareas muy acotadas.
No van a ejecutar tu modelo de lenguaje, y los sistemas cuánticos criogénicos tienen, a su vez, unos costes de refrigeración enormes. La promesa real es eficiencia dirigida en problemas “amigables” para lo cuántico, no un plan de rescate para la factura eléctrica de la IA.
Quien prometa lo segundo, vende humo.
También lee: Apple Empieza A Ofrecer iPhones En Alquiler Por 17,99 Dólares Al Mes A Través De Klarna
Dónde Te Toca El Bolsillo
El choque más tangible entre IA, computación cuántica y dinero del día a día está en la criptografía.
El cifrado de clave pública como RSA y la criptografía de curva elíptica descansan en problemas matemáticos muy duros para un ordenador clásico y mucho más accesibles para un ordenador cuántico suficientemente grande, gracias al algoritmo de Shor.
La amenaza tiene un nombre que debería inquietar a cualquiera con secretos de larga vida: “capturar ahora, descifrar después”. Los atacantes pueden grabar hoy el tráfico cifrado y descodificarlo cuando el hardware madure.
NIST cerró su respuesta en agosto de 2024. Publicó tres estándares poscuánticos, ML-KEM, ML-DSA y SLH-DSA, y más tarde eligió un algoritmo de respaldo llamado HQC en marzo de 2025.
El reloj está claramente marcado. La guía de transición preliminar de NIST fija la retirada de RSA y ECC para 2030 y prohíbe su uso por completo a partir de 2035.
El cripto está justo en el epicentro, porque las blockchains se apoyan en las mismas firmas de curva elíptica.
La exposición de Bitcoin es real, aunque discutida. Un estudio de Deloitte estimó que más de 4 millones de BTC, alrededor del 25% de todos los bitcoins, se encuentran en salidas “pay-to-public-key” vulnerables y en direcciones reutilizadas donde la clave pública ya es visible.
Los análisis más recientes en cadena elevan esa cifra. El equipo de Google Quantum AI, en su investigación, apunta a unos 6,5–6,9 millones de BTC, cerca de un tercio de la oferta circulante, si se suman claves expuestas y reutilizadas, con algo más de 1,7 millones en los primeros scripts P2PK.
Las defensas se están moviendo, de forma desigual.
- Los desarrolladores de Bitcoin debaten la BIP-360, un tipo de dirección resistente a lo cuántico que sigue en borrador y sin fecha de activación.
- La Fundación Ethereum (ETH) ha publicado una hoja de ruta poscuántica, y Vitalik Buterin ha detallado un plan para migrar firmas, cuentas y pruebas a esquemas seguros frente a ordenadores cuánticos.
- Solana (SOL) ofrece opcionalmente el Winternitz Vault, basado en firmas hash de un solo uso, aunque las cuentas por defecto siguen usando curvas vulnerables.
Ninguna de estas cadenas es hoy cuántico-segura a nivel de protocolo. Todas siguen diseñando los botes salvavidas.
También lee: La BIP-110 Se Encalla Mientras Saylor Tilda Cualquier Cambio De Reglas De Ataque A Todos Los Tenedores
Cuando Las Dos Tecnologías Se Retroalimentan
Los escenarios más inquietantes vienen de la convergencia, cuando los avances en un campo aceleran al otro.
Craig Gidney, de Google, cambió las cuentas en mayo de 2025. Estimó que RSA-2048 podría factorizarse en menos de una semana con menos de un millón de cúbits ruidosos, aproximadamente una caída de 20 veces frente a los 20 millones que él y un coautor proyectaban en 2019.
El número de cúbits necesarios para romper tu cifrado se ha reducido por un factor de veinte en seis años, sobre el papel.
Nada de esto exige todavía una máquina operativa. Es progreso algorítmico y de corrección de errores, justo el tipo de mejora que la IA empieza a encontrar cada vez mejor.
El recorte de Gidney procede de aritmética más eficiente y diseños de códigos de corrección de errores más densos, no de nuevo hardware. Si se aplica esa misma presión de optimización a la criptoanálisis, las estimaciones de recursos seguirán deslizándose a la baja.
Los expertos en seguridad lo describen como un objetivo móvil, no como un “día del juicio final” fijo. La lectura prudente es que la IA está rebajando silenciosamente el listón que el hardware cuántico tiene que superar.
Por eso “tenemos años” es una frase sobre el estado del hardware, no sobre las matemáticas.
El Dinero, Y El Choque De Visiones
Los inversores han tomado nota.
McKinsey informó de que las compañías de computación cuántica superaron los 1.000 millones de dólares de ingresos en 2025, que la inversión en ‘startups’ alcanzó los 12.600 millones —un salto de 6,3 veces frente al año anterior— y que esta tecnología podría generar entre 1,3 y 2,7 billones de dólares en valor de aquí a 2035.
Los gobiernos también gastan, con grados de fe muy distintos.
- La National Quantum Initiative Act de EEUU autorizó unos 1.200 millones de dólares cuando se firmó en 2018.
- El programa Quantum Flagship de la UE comprometió al menos 1.000 millones de euros a diez años desde 2018.
- La inversión de China suele cifrarse en unos 15.000 millones de dólares, una estimación de McKinsey no verificada, discutida y que debe tratarse con mucha cautela.
Los plazos son el punto en el que la gente seria discrepa abiertamente.
IBM y Quantinuum apuntan a 2029 para lograr tolerancia a fallos. Google habla de horizontes de años, no de décadas.
Y luego está Jensen Huang. Sacudió las cotizadas cuánticas en enero de 2025 al sugerir que las máquinas útiles estaban a 20 años vista; después reculó en el Quantum Day de Nvidia, en marzo de 2025, bromeando con que había invitado a ponentes para explicar por qué él estaba equivocado.
El mundo de la ciberseguridad se cubre las espaldas con probabilidades. El Global Risk Institute encuestó a 26 expertos que calificaron un ordenador cuántico “relevante para la criptografía” como “bastante posible” (28%–49%) a diez años vista, y “probable” (51%–70%) a quince, las cifras más altas en la historia del informe.
Escépticos como Das Sarma siguen creyendo que las máquinas prácticas y con corrección de errores plena están más lejos de lo que sugieren las hojas de ruta comerciales.
Ambas cosas pueden ser ciertas. La amenaza puede estar a una década y seguir justificando actuar hoy, porque la migración lleva años y los datos capturados no caducan.
También lee: Tres Miembros De La Fed Dissenten Y Los Expertos Ven El Peor Escenario Cripto En Años
La Foto Realista
Si se despeja el ruido, el contorno es nítido.
La IA es el socio más maduro y ya está haciendo mejores a los ordenadores cuánticos: optimiza decodificación, calibración y control. Los beneficios de lo cuántico para la IA son más estrechos: relevantes para química y simulación, sobredimensionados para casi todo lo demás.
La convergencia urgente no es un supercerebro. Es la erosión gradual del cifrado que sostiene todo internet, acelerada por algoritmos cada vez más ingeniosos.
No hace falta acertar con el año exacto. Hay que asumir que la migración debería haber empezado ya.
Las máquinas siguen construyéndose, y sus defensas también. La jugada inteligente es seguir de cerca ambas carreras a la vez.
Lee también: Bitcoin Defiende Los 64.000 Dólares A Las Puertas De La Decisión De La Fed Que Nadie Consigue Leer Igual