Lo que los ordenadores cuánticos realmente pueden resolver en 2026 — y lo que aún no pueden
La computación cuántica ha pasado la mayor parte de su existencia como una tecnología perpetuamente a cinco años de la madurez. En 2026, algo cambió. El procesador Heron r2 de IBM con 1.386 qubits, el chip Willow de Google con 105 qubits y corrección de errores en tiempo real, y una ola de servicios cuánticos en la nube de IonQ, Quantinuum y AWS Braket han trasladado la computación cuántica de los laboratorios de física a flujos de trabajo de producción en un número pequeño pero creciente de empresas. La pregunta ya no es si la computación cuántica funciona. Es qué problemas resuelve realmente mejor que los ordenadores clásicos — y en esa cuestión, la respuesta es mucho más limitada de lo que sugiere el marketing.
Los ordenadores cuánticos funcionan explotando la superposición (un qubit puede ser 0 y 1 simultáneamente) y el entrelazamiento (los qubits pueden correlacionarse de formas que los bits clásicos no pueden). Esto permite que un ordenador cuántico explore muchas soluciones posibles en paralelo. Pero "en paralelo" no significa "al instante". La aceleración cuántica depende por completo de la estructura matemática del problema, y la mayoría de los problemas del mundo real no tienen esa estructura.
Dónde la computación cuántica realmente ofrece resultados en 2026
El caso de uso comercial más sólido hoy es la simulación de química cuántica. Modelar cómo interactúan las moléculas a nivel cuántico es exponencialmente difícil para los ordenadores clásicos — una molécula con 50 electrones requiere una simulación clásica que tomaría más tiempo que la edad del universo. Los ordenadores cuánticos pueden simular el comportamiento molecular de forma nativa. En 2026, empresas farmacéuticas como Pfizer y Roche están utilizando simulaciones cuánticas a través de servicios en la nube para evaluar moléculas candidatas a fármacos y predecir el plegamiento de proteínas de formas que reducen los plazos de descubrimiento en etapas tempranas en semanas. Las ganancias son reales, aunque todavía complementan más que reemplazan los pipelines clásicos.
Los problemas de optimización con conjuntos de restricciones complejos — enrutamiento de cadenas de suministro, equilibrio de carteras financieras, programación logística — son la segunda área que está ganando tracción. Volkswagen realizó pruebas de enrutamiento de tráfico asistido por computación cuántica en Lisboa; los sistemas Advantage2 de D-Wave están en uso de producción en 22 empresas de logística para la asignación de espacios en almacenes. Las aceleraciones sobre las heurísticas clásicas son modestas (10–30%), pero suficientemente consistentes para justificar el costo a escala.
Las aplicaciones relacionadas con criptografía, particularmente la generación de números aleatorios y la distribución cuántica de claves (QKD), están desplegadas en finanzas y gobierno. Estas no requieren ordenadores cuánticos tolerantes a fallos a gran escala y ya son comercialmente maduras. China tiene una red troncal QKD de 2.000 km. Corea del Sur lanzó una iniciativa nacional QKD en 2025.
Dónde la computación cuántica se queda corta
La computación de propósito general no es el dominio de la computación cuántica y no lo será durante al menos una década. Ejecutar una base de datos, entrenar una red neuronal, renderizar video, servir peticiones web — nada de esto se beneficia de la aceleración cuántica. La ventaja de búsqueda en paralelo solo se aplica a problemas algorítmicos específicos (búsqueda de Grover, factorización de Shor, simulación cuántica), y la mayoría del software empresarial no se asigna a esos algoritmos.
El problema del ruido sigue siendo grave. Los sistemas actuales son dispositivos NISQ — máquinas cuánticas ruidosas de escala intermedia — donde las tasas de error de los qubits requieren una sobrecarga masiva de corrección de errores. El chip Willow de Google demostró corrección de errores por debajo del umbral en 2024, un hito, pero la computación cuántica tolerante a fallos a escala útil requiere millones de qubits físicos para producir miles de qubits lógicos. Estamos en los cientos. La brecha es un problema de ingeniería de hardware que llevará años, no meses, cerrar.
El machine learning cuántico, muy promocionado desde 2020, en gran medida no ha cumplido lo prometido. La mayoría de los algoritmos cuánticos de ML propuestos no ofrecen una ventaja probada sobre el deep learning clásico para conjuntos de datos reales, y el problema de carga de datos (codificar datos clásicos en estados cuánticos) a menudo anula cualquier aceleración teórica. Los investigadores serios en computación cuántica han pasado página en gran medida de este enfoque.
El cronograma que realmente importa
El Quantum Technology Monitor 2026 de McKinsey segmenta el cronograma comercial en tres fases: ventaja de muestreo (ya lograda para benchmarks específicos), escala de utilidad (donde la computación cuántica supera consistentemente a la clásica en problemas reales — esperada entre 2027 y 2029 para química y optimización), y tolerante a fallos (ventaja cuántica de propósito general — como mínimo en la década de 2030). Las organizaciones que construyen experiencia cuántica ahora se están posicionando para la ventana de escala de utilidad, no para el momento actual.
La implicación práctica: si su organización trabaja en descubrimiento de fármacos, ciencia de materiales, fijación de precios de derivados financieros u optimización logística compleja, ahora es el momento adecuado para evaluar enfoques híbridos cuánticos — algoritmos clásicos que descargan subrutinas específicas a procesadores cuánticos. Los servicios en la nube (AWS Braket, Azure Quantum, IBM Quantum Platform) lo hacen accesible sin inversión en hardware.
Si su organización está en SaaS, medios, fabricación, comercio minorista o cualquier dominio donde el cuello de botella computacional principal sea el procesamiento de datos en lugar de la búsqueda combinatoria o la simulación, la computación cuántica no es su problema que resolver en 2026.
Qué observar en los próximos 18 meses
La hoja de ruta de IBM apunta a más de 100.000 qubits físicos para 2033 mediante su arquitectura modular. El enfoque de qubits topológicos de Microsoft, utilizando partículas Majorana, sigue sin demostrarse a escala, pero superaría a los enfoques competidores si funciona. Google se ha comprometido a tener un ordenador cuántico tolerante a fallos capaz de ejecutar el algoritmo de Shor en claves RSA reales para 2029 — una fecha que tiene serias implicaciones para la infraestructura criptográfica actual, razón por la cual NIST finalizó sus estándares de criptografía post-cuántica en 2024.
La acción más inmediata para la mayoría de las organizaciones no es comprar hardware cuántico ni contratar físicos cuánticos. Es auditar las dependencias criptográficas: catalogar qué sistemas utilizan RSA o criptografía de curva elíptica, y comenzar a planificar la migración a los estándares post-cuánticos de NIST (CRYSTALS-Kyber para encapsulación de claves, CRYSTALS-Dilithium para firmas). La amenaza criptográfica de la computación cuántica es el riesgo concreto más cercano — y tiene una solución conocida.
Conclusiones prácticas
La computación cuántica es real y está desplegada comercialmente, pero para un segmento reducido de problemas. Evalúela solo si su cuello de botella principal es la simulación molecular, la optimización combinatoria a gran escala o la infraestructura criptográfica. Inicie la migración a criptografía post-cuántica independientemente de su industria — los estándares de NIST están finalizados, la migración es lenta, y el cronograma de la amenaza criptográfica cuántica se ha movido a finales de la década de 2020. Use servicios cuánticos en la nube (IBM, AWS, Azure) para experimentación en lugar de comprometerse con hardware local. E ignore las afirmaciones de quantum ML hasta que exista evidencia de benchmark en conjuntos de datos reales — esa evidencia no existe hoy.