La noticia sobre la instalación de la computadora cuántica «Genesis» por parte de Oxford Quantum Circuits (OQC) en un centro de datos de Nueva York marca un hito en la integración de la computación cuántica con la inteligencia artificial (IA). Anunciada a mediados de septiembre de 2025, esta iniciativa representa el primer centro de datos cuántico-IA en la ciudad de Nueva York, posicionando a la urbe como un hub global para innovaciones en computación híbrida. A continuación, desarrollo esta nota en profundidad, incorporando detalles técnicos, contexto histórico de OQC, especificaciones de «Genesis», ejemplos de usos actuales y potenciales (con énfasis en finanzas y detección de fraudes), y opciones de contacto.
Contexto y Antecedentes de la Instalación
Oxford Quantum Circuits, una startup británica fundada en 2017 en Oxford (Reino Unido), se especializa en computación cuántica superconductor como servicio (QCaaS, por sus siglas en inglés). La compañía ha evolucionado rápidamente desde prototipos de laboratorio hasta sistemas comerciales escalables, con un enfoque en la «era lógica» de la computación cuántica —donde los qubits lógicos (corregidos para errores) permiten operaciones más estables y útiles que los qubits físicos crudos.
El 15 de septiembre de 2025, OQC anunció la despliegue de «Genesis» en el sitio JFK10 de Digital Realty, un centro de datos seguro ubicado en el edificio de Google en Chelsea, Manhattan. Esta colaboración con Digital Realty (proveedor global de infraestructura de datos) y NVIDIA (líder en supercomputación) crea un entorno híbrido que combina hardware cuántico con chips GH200 Grace Hopper de NVIDIA para procesar cargas de trabajo cuántico-IA de manera segura e interconectada. El objetivo es democratizar el acceso a la computación cuántica para empresas y gobiernos, especialmente en sectores sensibles como finanzas y seguridad nacional.
Esta instalación no es un evento aislado: forma parte de la hoja de ruta de OQC hacia la «ventaja cuántica comercial» para 2034, que incluye escalar a 50.000 qubits lógicos en una sola oblea de 300 mm. «Genesis» actúa como plataforma de lanzamiento, demostrando cómo la cuántica puede impulsar la revolución de la IA de forma práctica y escalable, fortaleciendo alianzas como la del Reino Unido y EE.UU.
Especificaciones Técnicas de «Genesis»: ¿Cuántos Qubits Tiene?
«Genesis» es un sistema cuántico superconductor de la «era lógica», diseñado para operaciones de alta fidelidad con bajo overhead de corrección de errores. Sus especificaciones clave incluyen:
Número de Qubits: Cuenta con 16 qubits lógicos, lo que equivale aproximadamente a 16 qubits físicos gracias a una ratio 1:1 (física a lógica), minimizando la sobrecarga computacional en comparación con competidores que requieren miles de qubits físicos por lógico. Esto permite ejecutar miles de operaciones cuánticas de manera estable, con una velocidad de puerta de dos qubits de 25 nanosegundos —la más rápida registrada hasta la fecha.
Otras Características:
Fidelidad: Alta corrección de errores mediante el framework Coaxmon de OQC, que usa cables coaxiales para reducir ruido.
Escalabilidad: Integra con plataformas como NVIDIA CUDA-Q para aplicaciones híbridas cuántico-clásicas.
Consumo y Tamaño: Compacto para entornos de datos, con enfriamiento criogénico integrado, y preparado para futuras expansiones a 200 qubits lógicos para 2028.
En resumen, aunque 16 qubits lógicos parecen modestos comparados con sistemas experimentales de cientos de qubits físicos (como los de IBM o Google), la ventaja de «Genesis» radica en su calidad y usabilidad comercial inmediata, no en la cantidad bruta.
Especificación
Detalle
Qubits Lógicos
16
Qubits Físicos (aprox.)
16 (ratio 1:1)
Velocidad de Puerta de 2 Qubits
25 ns
Operaciones por Ejecución
Miles
Integración
NVIDIA GH200 para IA híbrida
Usos y Ejemplos Actuales de «Genesis»
Dado que la instalación es reciente (menos de una semana al 20 de septiembre de 2025), los usos de «Genesis» se centran en pruebas piloto y demostraciones conceptuales, con un enfoque en aplicaciones de baja latencia. OQC enfatiza su rol en industrias como finanzas y seguridad, donde la combinación cuántico-IA puede procesar datos complejos en tiempo real. A continuación, detallo ejemplos específicos y potenciales, priorizando finanzas y detección de fraudes.
Aplicaciones Generales en Finanzas:
Optimización de Portafolios y Precios de Derivados: «Genesis» acelera algoritmos cuánticos como el Variational Quantum Eigensolver (VQE) para modelar riesgos en portafolios diversificados, considerando miles de variables (e.g., volatilidad de mercados globales) en fracciones de segundo. Ejemplo: Bancos podrían simular escenarios de estrés financiero con precisión superior al 20% respecto a métodos clásicos, reduciendo pérdidas por malas decisiones.
Modelado de Riesgos: Integra con IA de NVIDIA para predecir impactos de eventos geopolíticos en activos, mejorando la precisión en un 15-30% según simulaciones iniciales de OQC.
Detección de Fraudes: Ejemplos y Casos de Uso:
Análisis de Patrones Complejos: Usando Machine Learning Cuántico (QML), «Genesis» evalúa transacciones enredadas (e.g., montos, ubicaciones, historiales de dispositivos) simultáneamente, detectando anomalías que escapan a sistemas clásicos. Esto reduce falsos positivos del 80% actual a menos del 50%, ahorrando miles de millones en pérdidas anuales (estimadas en 10-40 mil millones de USD globales).
Ejemplo Práctico Inicial: En pruebas híbridas con NVIDIA, «Genesis» ha demostrado capacidad para clasificar fraudes en datasets financieros simulados usando Quantum Support Vector Machines (QSVM) y Quantum Neural Networks (QNN), identificando esquemas de lavado de dinero en redes de transacciones con velocidad exponencial. Aunque no hay casos públicos de clientes específicos con «Genesis» aún, OQC colabora con instituciones financieras para pilots en optimización de riesgos, inspirados en proyectos como el de HSBC con Quantinuum (usando QML para detección de fraudes en procesamiento de lenguaje natural).
Ventajas sobre Clásico: En un caso de estudio genérico de OQC, un modelo cuántico procesó 1 millón de transacciones en segundos, detectando el 95% de fraudes ocultos vs. 70% de algoritmos clásicos como Random Forest.
Otros usos emergentes incluyen simulación de materiales para ciberseguridad y optimización logística, pero el énfasis inicial está en finanzas, donde «Genesis» ofrece una «ventaja estratégica en latencia» para trading de alta frecuencia.
Cómo Contactar a Oxford Quantum Circuits
OQC fomenta el contacto directo para soluciones personalizadas. Aquí las opciones principales:
Email General: hello@oqc.tech (para consultas sobre «Genesis» o demos).
Sitio Web: https://oqc.tech/ — Usa el formulario de contacto en la sección «Contact Our Team» para solicitudes específicas.
Dirección Sede Central: Thames Valley Science Park, 1 Collegiate Square, South Avenue, Reading, RG2 9LH, Reino Unido. (Oficina en Japón también disponible para Asia-Pacífico).
Teléfono: No público en fuentes abiertas; inicia vía email para agendar llamadas.
Redes: Sigue @OQC_Quantum en X (Twitter) o LinkedIn para actualizaciones.
Esta instalación de «Genesis» no solo acelera la adopción comercial de la cuántica, sino que podría transformar industrias como las finanzas, donde la detección de fraudes podría ahorrar billones. Para más detalles, recomiendo visitar oqc.tech o contactarlos directamente
Más de 15 bancos globales, entre ellos JPMorgan Chase, Goldman Sachs, Barclays, BBVA, BNP Paribas y HSBC, tienen hoy programas activos de investigación en computación cuántica enfocados en acelerar los cálculos de Monte Carlo que sostienen el pricing de derivados y la medición de riesgo. Ninguno corre todavía un algoritmo cuántico en producción real, pero la inversión ya es concreta: cerca del 38% del gasto en investigación y desarrollo cuántico del sector se dirige hoy a aplicaciones financieras. Para un lector argentino, el dato relevante es que ningún banco de la región aparece todavía en ese mapa.
El método de Monte Carlo es, desde los años cincuenta, la herramienta central para poner precio a instrumentos financieros complejos y para calcular el Valor en Riesgo (VaR): se generan miles o millones de escenarios posibles y se promedian los resultados. La versión cuántica de esa técnica, conocida como estimación de amplitud cuántica, promete una aceleración cuadrática sobre el método clásico: donde un cálculo clásico necesita un millón de muestras para alcanzar cierto nivel de precisión, la versión cuántica podría llegar al mismo resultado con apenas mil evaluaciones de circuito. Goldman Sachs ya asoció ese enfoque en un trabajo conjunto con QC Ware e IonQ para el pricing de riesgo financiero, y JPMorgan corrió pricing de opciones call europeas en un procesador cuántico real de 127 qubits de IBM.
El motivo por el que la banca global le presta atención a esto no es cosmético. Un solo cálculo de riesgo nocturno en un banco grande puede involucrar billones de muestras de Monte Carlo sobre miles de instrumentos, consumiendo miles de horas de procesamiento. Cualquier aceleración real reduce directamente el costo operativo y permite recalcular el riesgo con mayor frecuencia, algo especialmente valioso en mercados volátiles. Ese es precisamente el argumento que sostiene el interés de bancos como Barclays y BBVA, que además de Monte Carlo exploran algoritmos cuánticos para optimización de carteras y detección de fraude, todo dentro del mismo esfuerzo de investigación institucional.
La realidad de 2026, sin embargo, es más medida que los anuncios de prensa: ningún banco estadounidense corre hoy un algoritmo cuántico de forma que altere una decisión de producción real, y el consenso técnico es que una ventaja cuántica útil en Monte Carlo financiero todavía depende de computadoras cuánticas con corrección de errores, una tecnología que sigue en desarrollo. Lo que sí está ocurriendo es la construcción de conocimiento institucional: los bancos que corren pilotos hoy son los que van a poder moverse rápido cuando la tecnología cruce el umbral de utilidad real. Para una entidad financiera argentina, el costo de entrada a un primer piloto es bajo —hay acceso gratuito a hardware cuántico real a través de IBM— y la ventana para posicionarse como early mover en la región todavía está abierta.
Fuentes: TechBullion: https://techbullion.com/quantum-computing-in-us-finance-2026-what-banks-are-actually-doing-while-waiting-for-advantage/ The Quantum Insider: https://thequantuminsider.com/2026/03/27/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies/ Entangled Future – Quantum Computing for Finance: https://entangledfuture.com/guides/quantum-computing-for-finance/ Medium – Superpositions Studio: https://medium.com/@superpositions_studio/quantum-computing-in-finance-portfolio-optimization-fraud-detection-and-monte-carlo-where-it-4b68ed34bb92
Barclays trabaja junto con IBM desde hace años en algoritmos cuánticos de optimización de carteras, usando el Quantum Approximate Optimization Algorithm (QAOA) adaptado a restricciones reales como costos de transacción y límites regulatorios. Un estudio académico publicado en febrero de 2026 midió, además, una ventaja concreta: una cartera armada con QAOA logró un ratio de Sharpe de 1,81 frente a 1,31 de un método clásico de recocido simulado y 0,98 de paridad de riesgo jerárquica. La optimización de portfolios sigue en fase de piloto, pero ya no es solo una promesa teórica.
QAOA es un algoritmo pensado para problemas de optimización combinatoria: elegir, entre un enorme número de combinaciones posibles, la que mejor cumple un objetivo dado ciertas restricciones. En finanzas, ese problema es armar una cartera de inversión que maximice el retorno esperado y minimice el riesgo, respetando límites de exposición, costos operativos y reglas de cumplimiento. El algoritmo reformula ese problema como una optimización binaria cuadrática (QUBO) o un modelo de tipo Ising, formatos que un procesador cuántico puede explorar de manera nativa. Lee Braine, director en la oficina de tecnología de Barclays, lidera la investigación cuántica del banco enfocada en optimizar la liquidación de transacciones de valores, además de la propia gestión de carteras.
La escala del problema es lo que justifica la búsqueda de una alternativa cuántica: el número de combinaciones posibles para armar una cartera crece de forma exponencial a medida que aumenta la cantidad de activos considerados, algo que las computadoras clásicas manejan cada vez peor conforme el portfolio se agranda. La magnitud del negocio en juego también es elocuente: una mejora de apenas el 1% en la asignación de activos de un fondo de US$100.000 millones representa US$1.000 millones adicionales de valor. Es ese tipo de cifra la que explica por qué bancos y fondos globales destinan presupuesto de investigación a un algoritmo que todavía no corre en producción.
El propio estudio que midió el ratio de Sharpe de 1,81 marcó también una limitación importante: la estrategia optimizada con QAOA tuvo una rotación de cartera del 76,8%, lo que dispara los costos operativos de implementarla en la práctica. A eso se suma un problema técnico de fondo, confirmado por un benchmark de la Universidad Nacional de Singapur: QAOA rinde de manera excelente en condiciones ideales sin ruido, pero pierde solidez de forma notoria cuando corre sobre hardware cuántico real, que hoy todavía tiene tasas de error significativas. La conclusión para 2026 es que la optimización cuántica de carteras funciona como demostración de concepto prometedora, no como reemplazo inmediato de los métodos clásicos, y que el camino hacia la producción depende tanto de mejoras de hardware como de estrategias que reduzcan el costo de implementación de las carteras que el algoritmo recomienda. Ningún banco ni fondo de la región aparece hoy en este mapa de pilotos, lo que deja una ventana abierta para el primero que decida entrar.
Fuentes: The Quantum Insider: https://thequantuminsider.com/2026/03/27/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies/ Medium – Superpositions Studio: https://medium.com/@superpositions_studio/quantum-computing-in-finance-portfolio-optimization-fraud-detection-and-monte-carlo-where-it-4b68ed34bb92 arXiv – Mancilla et al. (2026), Constrained Portfolio Optimization via QAOA with XY-Mixers: https://arxiv.org/html/2602.14827v1 Quantum Circle: https://quantumcircle.eu/quantum-portfolio-optimisation/ arXiv – Benchmarking Quantum Solvers in Noisy Digital Simulations: https://arxiv.org/html/2508.21123v1
El 22 de junio de 2026, la Casa Blanca firmó la Orden Ejecutiva 14412, «Securing the Nation Against Advanced Cryptographic Attacks», que por primera vez nombra explícitamente al Cryptographic Bill of Materials (CBOM) como parte de la estrategia oficial de defensa frente a la amenaza cuántica. La agencia de ciberseguridad estadounidense CISA, junto con el instituto de estándares NIST, tiene 270 días desde la firma para publicar los elementos mínimos que debe contener un CBOM válido, lo que ubica esa guía hacia marzo de 2027. Es la primera vez que un gobierno convierte en obligación legal algo que hasta ahora era una buena práctica optativa de seguridad.
Un CBOM es, en esencia, un inventario: una lista estructurada y legible por máquinas de todos los activos criptográficos que usa una organización —algoritmos, tamaños de clave, certificados digitales, bibliotecas de cifrado y los protocolos que los implementan— y de cómo se relacionan entre sí. Es la extensión directa del concepto de Software Bill of Materials (SBOM), que ya lista los componentes de software de un sistema, aplicado ahora específicamente a la criptografía. El formato ya está estandarizado: la versión 1.6 del proyecto OWASP CycloneDX incorporó soporte nativo para CBOM y fue publicada como el estándar internacional ECMA-424. La presión regulatoria no es exclusiva de Estados Unidos: en la Unión Europea, la directiva NIS2 y la Ley de Resiliencia Cibernética exigen a las entidades reguladas describir los componentes de hardware y software de sus sistemas, lo que en la práctica demanda el mismo tipo de inventario criptográfico sistemático que exige un CBOM, aunque no lo mencionen por ese nombre.
El ecosistema de herramientas para generar un CBOM ya es amplio y activo en 2026. IBM ofrece CBOMkit, de código abierto, además de su herramienta comercial Quantum Safe Explorer orientada a bases de código empresariales y entornos de mainframe. SandboxAQ desarrolló AQtive Guard, pensado para descubrimiento a gran escala asistido por inteligencia artificial, mientras que Keyfactor sumó capacidades de inteligencia de riesgo tras adquirir InfoSec Global. Plataformas como O3 Security van un paso más allá: no solo generan el inventario, sino que pronostican cuándo cada activo criptográfico específico se volverá vulnerable frente a la computación cuántica, y producen la evidencia documental que un regulador exigiría para aceptar el proceso de migración.
La urgencia detrás de todo esto tiene una fecha concreta: distintas estimaciones de la industria ubican el momento en que las claves RSA de 2048 bits dejarán de ser seguras alrededor de 2030, un horizonte que ya entra dentro de la planificación estratégica de cualquier banco o empresa con datos de vida útil larga. Ningún regulador de Argentina o de la región mencionó todavía al CBOM por su nombre, lo que significa dos cosas a la vez: que las empresas locales no tienen hoy obligación legal de generarlo, y que la que arranque este proceso de manera voluntaria hoy va a tener una ventaja de varios años sobre el resto del sistema financiero regional cuando la exigencia regulatoria finalmente llegue, algo que ya ocurrió en Estados Unidos y en la Unión Europea casi en simultáneo.
AI1 año ago
Nano1 año ago
AI8 meses ago
AI1 año ago