D-Wave, la compañía pionera en computación cuántica de recocido (quantum annealing), presentó en agosto un diseño de corrección de errores que, según sus propias simulaciones, puede reducir la tasa de error lógico hasta en un factor de diez por cada incremento adicional de corrección aplicado, un valor que la empresa denomina «lambda de 10». El resultado se apoya en un artículo publicado en la revista Nature y forma parte de una apuesta de 550 millones de dólares que la compañía viene realizando en su hoja de ruta hacia la tolerancia a fallos.

Trevor Lanting, director de desarrollo de D-Wave, explicó a la prensa especializada que la cifra de lambda 10 surge de simulaciones a escala basadas en el desempeño de compuertas ya demostrado en el artículo de Nature, y que determinar experimentalmente ese valor de lambda todavía forma parte de la hoja de ruta pendiente hacia la tolerancia a fallos. La fidelidad reportada como titular del anuncio es, además, «post-seleccionada»: los investigadores descartan las corridas en las que se detectó un error, una práctica habitual quirúrgica con qubits de tipo erasure pero que probablemente no reflejará el funcionamiento final de una computadora completamente corregida.

El anuncio se inscribe en la disputa competitiva más amplia por definir qué arquitectura de qubit —superconductora, de iones atrapados, fotónica o de recocido cuántico como la de D-Wave— logrará primero escalar la corrección de errores a un costo manejable. Mientras compañías como IBM y Google avanzan con arquitecturas de compuertas basadas en códigos de superficie, D-Wave defiende que su enfoque de recocido puede llegar a una reducción de costos de corrección de errores más rápida gracias a la simplicidad relativa de su hardware físico.

La cautela de los propios ejecutivos de D-Wave sobre la brecha entre simulación y demostración experimental es un recordatorio de que buena parte de los anuncios de corrección de errores cuánticos todavía combinan resultados reales con proyecciones optimistas. Para inversores y clientes potenciales del sector financiero o de materiales que siguen de cerca el progreso cuántico, la lección de fondo es que el camino hacia una ventaja cuántica comercialmente relevante seguirá midiéndose en años, no en meses, incluso cuando los titulares de prensa sugieran saltos inminentes.

Fuentes: Forbes: https://www.forbes.com/sites/johnkoetsier/2026/08/07/d-waves-550m-quantum-computing-bet-makes-error-correction-10x-cheaper/

IonQ anunció el 27 de agosto haber demostrado una canalización de decodificación de corrección de errores cuánticos (QEC) en tiempo real capaz de operar a escala de MegaQuOp utilizando un único procesador Apple M4 Max, un chip disponible comercialmente y no diseñado específicamente para computación cuántica. La solución, completamente basada en software clásico, procesó datos correspondientes a hasta 408 qubits lógicos y más de un millón de compuertas T con una demora computacional mínima.

El resultado busca resolver uno de los cuellos de botella menos visibles pero más determinantes de la computación cuántica tolerante a fallos: la decodificación clásica que corrige los errores generados por el hardware cuántico debe ejecutarse a la misma velocidad que la propia computadora cuántica, o de lo contrario se convierte en el factor que limita todo el sistema. Al validar que un procesador de consumo masivo puede sostener ese ritmo a la escala que IonQ proyecta necesitar, la compañía descarta que la decodificación clásica sea el obstáculo que frene su hoja de ruta hacia sistemas cuánticos de utilidad práctica.

El anuncio se suma a una seguidilla de avances en corrección de errores durante agosto: Quantum X Labs reportó que su decodificador basado en inteligencia artificial superó los puntos de referencia de PyMatching de Google sobre el conjunto de datos de códigos de superficie de hardware cuántico real, apoyándose en la plataforma CUDA-Q de NVIDIA. Estos desarrollos en paralelo muestran que distintos actores de la industria están atacando el mismo problema —decodificar errores más rápido y con mayor precisión— desde ángulos de hardware y software diferentes, en una carrera donde ningún enfoque se impuso todavía como estándar.

Para la industria cuántica en su conjunto, que lleva años prometiendo sistemas tolerantes a fallos sin ofrecer certezas sobre los plazos, este tipo de validaciones incrementales importa porque reduce, pieza por pieza, la lista de incógnitas técnicas abiertas antes de que una computadora cuántica pueda ejecutar cálculos útiles de forma sostenida. La pregunta que sigue sin respuesta es cuándo esos avances de laboratorio se traducirán en máquinas capaces de resolver problemas que hoy resultan intratables para la computación clásica, y qué industrias —farmacéutica, financiera o de materiales— serán las primeras en capturar ese beneficio real.

Fuentes: Quantum Computing Report: https://quantumcomputingreport.com/news/ GlobeNewswire: https://www.globenewswire.com/news-release/2026/08/21/3349064/0/en/quantum-x-labs-announces-additional-advancement-in-quantum-error-correction-using-nvidia-cuda-q-with-new-results-on-google-s-dataset.html

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