La computación cuántica promete resolver problemas imposibles para los ordenadores clásicos, pero no todos los ordenadores cuánticos son iguales. Existen dos categorías principales: de uso especializado y de uso general. Sin embargo, la falta de claridad en la comunicación de sus capacidades puede generar confusión. Un caso notable es el ordenador cuántico Jiuzhang, desarrollado por la Universidad de Ciencia y Tecnología de China (USTC), cuya cobertura mediática a veces exagera o simplifica su potencial, dando la impresión de que es una solución universal cuando en realidad es un sistema especializado. Este artículo explica las diferencias entre ambos tipos de ordenadores cuánticos, detalla el caso de Jiuzhang y subraya la importancia de un enfoque claro para evitar información engañosa.
Ordenadores cuánticos de uso especializado
Definición
Un ordenador cuántico de uso especializado está diseñado para resolver un problema específico o un conjunto limitado de problemas, aprovechando las propiedades cuánticas como la superposición y el entrelazamiento para lograr un rendimiento superior en tareas concretas.
Características
Tarea específica: Está optimizado para una aplicación particular, como el muestreo de bosones gaussianos (GBS) o el muestreo de circuitos aleatorios.
Limitaciones: No puede ejecutar algoritmos cuánticos generales ni resolver problemas diversos.
Ventaja: Puede superar a los superordenadores clásicos en tareas específicas, demostrando ventaja cuántica (quantum advantage).
Jiuzhang es un ordenador cuántico fotónico que utiliza láseres, espejos, prismas y detectores de fotones para realizar el muestreo de bosones gaussianos (GBS). En 2020, resolvió un problema de GBS con 76 fotones en 200 segundos, una tarea que habría tomado ~600 millones de años a un superordenador clásico (según el artículo publicado en Science, DOI: 10.1126/science.abe8770). En 2023, Jiuzhang 3.0 alcanzó 255 fotones, resolviendo un problema en 1.27 microsegundos, comparado con ~600 años para el superordenador Frontier (Physical Review Letters, 2023).
Por qué es especializado: Jiuzhang está diseñado específicamente para GBS, un problema que calcula distribuciones de probabilidad de fotones en un circuito óptico. No puede ejecutar algoritmos como el de Shor (para criptografía) o simulaciones químicas completas, que requieren un sistema universal.
Riesgo de confusión: Notas periodísticas han afirmado que Jiuzhang resuelve problemas en «4 minutos» que tomarían «miles de millones de años» a superordenadores, lo que es cierto para GBS, pero puede dar la impresión errónea de que Jiuzhang es un ordenador universal capaz de cualquier tarea. Sin aclarar que su ventaja se limita a una tarea específica, se genera una expectativa inflada sobre sus aplicaciones prácticas.
Ordenadores cuánticos de uso general
Definición
Un ordenador cuántico de uso general (o universal) puede ejecutar cualquier algoritmo cuántico, adaptándose a una amplia gama de problemas, desde criptografía hasta simulaciones químicas o inteligencia artificial, siempre que cuente con suficientes qubits y corrección de errores.
Características
Versatilidad: Puede implementar algoritmos diversos, como los de Shor, Grover o simulaciones de sistemas físicos.
Requerimientos: Necesita miles o millones de qubits con corrección de errores para ser práctico, ya que los qubits son propensos a errores (ruido).
Estado actual: Hasta julio de 2025, no existen ordenadores cuánticos universales plenamente funcionales. Sistemas como Zuchongzhi 3.0 (China, 105 qubits superconductor) o los de IBM (hasta 433 qubits) están más cerca de este objetivo, pero aún enfrentan limitaciones.
Ejemplos de aplicaciones: Factorización de números grandes (romper criptografía), optimización compleja, simulaciones moleculares para diseño de fármacos.
Diferencias clave
Aspecto
Uso especializado (ej. Jiuzhang)
Uso general
Propósito
Resuelve tareas específicas (ej. GBS).
Resuelve cualquier problema cuántico.
Flexibilidad
Limitado a un problema concreto.
Versátil para múltiples aplicaciones.
Estado actual
Operativo (Jiuzhang, Sycamore).
En desarrollo, no alcanzado a gran escala.
Aplicaciones
Demostraciones teóricas, simulaciones limitadas.
Criptografía, química, optimización.
Escalabilidad
Optimizado para su tarea, no generalizable.
Requiere millones de qubits con corrección de error.
El caso de Jiuzhang y la importancia de la claridad
El ordenador cuántico Jiuzhang ha sido un hito en la computación cuántica, pero su cobertura mediática ilustra cómo una comunicación imprecisa puede generar confusión. Por ejemplo, titulares que destacan que Jiuzhang supera a superordenadores en «miles de millones de años» son técnicamente correctos para el GBS, pero no aclaran que:
El GBS es una tarea de demostración con aplicaciones prácticas limitadas.
Jiuzhang no puede realizar tareas generales como descifrar códigos o simular sistemas químicos completos.
Su ventaja cuántica no implica que sea superior en todos los contextos.
Por ejemplo, una nota podría decir: «Jiuzhang resuelve en 4 minutos un problema que tomaría miles de millones de años», lo cual es cierto según el artículo de Science (2020). Sin embargo, sin explicar que esto aplica solo al GBS, el lector podría asumir que Jiuzhang es un ordenador universal, lo que no es cierto. Esta falta de contexto puede inflar las expectativas sobre su impacto inmediato.
Aplicaciones y limitaciones de Jiuzhang
Aplicaciones teóricas: El GBS podría usarse en química cuántica (simulación de moléculas) o en problemas de optimización, pero estas aplicaciones están en etapas experimentales.
Limitaciones: Jiuzhang no es un sistema universal y no puede ejecutar algoritmos cuánticos genéricos. Su arquitectura fotónica es ideal para GBS, pero menos flexible para otras tareas.
Avances recientes
Hasta julio de 2025, Jiuzhang 3.0 (2023) alcanzó 255 fotones, consolidando su liderazgo en computación cuántica fotónica. China también avanza en sistemas más cercanos al uso general, como Zuchongzhi 3.0 (105 qubits superconductor) y Tianyan-504 (504 qubits), pero estos aún no son universales debido a limitaciones en la corrección de errores.
Conclusión
La distinción entre ordenadores cuánticos de uso especializado y de uso general es crucial para entender su potencial y limitaciones. Jiuzhang es un ejemplo destacado de un sistema especializado, sobresaliente en el muestreo de bosones gaussianos, pero no es un ordenador universal. La comunicación clara y precisa es esencial para evitar malentendidos, especialmente en titulares sensacionalistas que pueden exagerar las capacidades de sistemas como Jiuzhang. Al informar sobre avances cuánticos, es fundamental destacar el propósito específico de cada sistema y su estado actual en la carrera hacia la computación cuántica universal.
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