Una idea que todos conocen, pero casi nadie entiende
La computación cuántica se ha convertido en una de esas ideas que todo el mundo reconoce, pero que pocos saben explicar con precisión. Se menciona como la próxima gran revolución tecnológica, como una herramienta capaz de resolver problemas imposibles para los ordenadores actuales, como el siguiente paso inevitable en la evolución de la informática. Y, sin embargo, cuanto más se habla de ella, más se diluye su significado.
El problema no es la falta de información, sino la forma en la que se interpreta. Se presenta como una mejora de lo existente —un ordenador más rápido, más potente— cuando en realidad no encaja dentro de esa lógica. No es una evolución lineal de la computación clásica, sino un cambio en la forma de abordar ciertos problemas. Y tratar de entenderla como una versión superior de lo que ya conocemos no solo es incorrecto, sino que impide ver dónde reside realmente su valor.
Según el National Institute of Standards and Technology (NIST, 2023), los sistemas cuánticos no están diseñados para tareas generales, sino para problemas donde la complejidad crece de forma exponencial. No sustituyen al ordenador clásico; operan en un espacio distinto. Y es precisamente ahí donde empieza a tomar forma su verdadero impacto.
Cuando el problema deja de ser calculable
Un ordenador clásico funciona sobre una estructura determinista: bits que representan valores concretos, operaciones secuenciales y resultados definidos. La computación cuántica introduce un cambio más profundo. El qubit no representa un estado fijo, sino una distribución de probabilidades que evoluciona hasta el momento de la medición. No es que el sistema “pruebe todas las soluciones a la vez”, como suele simplificarse, sino que permite describir problemas donde el número de estados posibles hace inviable cualquier enfoque tradicional.
Esto no convierte a la computación cuántica en una herramienta universal. Al contrario, delimita con precisión su utilidad. No tiene sentido utilizarla para tareas cotidianas como procesar texto o ejecutar software convencional. En esos contextos, la computación clásica ya es extremadamente eficiente. La ventaja cuántica aparece únicamente cuando el problema deja de ser manejable mediante estructuras deterministas: simulaciones moleculares, optimización de sistemas complejos o modelado de interacciones con múltiples variables dependientes.
Como señala Preskill (2018) al definir la era NISQ (Noisy Intermediate-Scale Quantum), los dispositivos actuales son todavía limitados, ruidosos y altamente especializados. No estamos ante una tecnología madura ni generalista, sino ante una herramienta en desarrollo cuya potencia reside precisamente en su especificidad. No cambia todo; cambia aquello que ya era difícil de resolver.
Decidir mejor cuando todo se vuelve complejo
Esa especialización, lejos de ser una limitación, es lo que explica su interés empresarial. Las organizaciones no necesitan mejorar todos sus procesos, sino aquellos donde la complejidad condiciona el resultado. Y es en ese punto donde la computación cuántica empieza a adquirir sentido práctico.
El informe McKinsey Quantum Technology Monitor (2025) sitúa el mayor impacto potencial en sectores donde las decisiones dependen de sistemas altamente interdependientes: energía, farmacéutica, finanzas y logística. El valor estimado oscila entre 0,9 y 2 billones de dólares para 2035, no como consecuencia de una mejora general de la productividad, sino como resultado de decisiones más precisas en entornos complejos.
Un ejemplo concreto se encuentra en la optimización del tráfico urbano. Un estudio reciente basado en modelos híbridos de quantum annealing mostró reducciones de congestión de hasta un 25%, con resultados cercanos a los mejores algoritmos clásicos (Arranz et al., 2025, arXiv). No se trata de una ventaja absoluta, sino contextual. Pero en escenarios donde cada variable afecta a cientos de otras, incluso pequeñas mejoras pueden tener consecuencias estructurales.
La computación cuántica no produce más; reduce la incertidumbre en decisiones que ya eran críticas. Y en ese margen es donde se construye su valor.
Toda revolución empieza siendo irrelevante
Las primeras computadoras eran máquinas enormes, costosas y de utilidad limitada. Durante años, su impacto fue marginal fuera de entornos muy concretos. Y, sin embargo, acabaron convirtiéndose en la base invisible de casi toda la infraestructura moderna.
La computación cuántica se encuentra en una fase comparable. Los sistemas actuales son inestables, difíciles de escalar y dependientes de entornos controlados. Pero eso no impide que su desarrollo avance. Empresas como IBM ya plantean arquitecturas híbridas que combinan computación clásica y cuántica, con hojas de ruta orientadas a sistemas tolerantes a fallos (IBM Quantum Roadmap, 2025).
Mientras tanto, algunos sectores comienzan a adaptarse incluso antes de que la tecnología esté completamente madura. La criptografía es el ejemplo más claro. En 2024, el NIST publicó los primeros estándares de criptografía post-cuántica, anticipando un escenario donde los sistemas actuales de cifrado podrían volverse vulnerables.
El cambio no es inmediato, pero ya está condicionando decisiones presentes. Y eso es, en sí mismo, una señal de transición
Cuando la inteligencia artificial deja de ser determinista
Más capacidad no implica más comprensión
La intersección entre inteligencia artificial y computación cuántica amplifica esta idea, pero también introduce nuevos niveles de incertidumbre. En la práctica, el desarrollo actual se centra en áreas como la optimización del entrenamiento, la búsqueda en espacios complejos o los modelos híbridos. No existe, por ahora, evidencia sólida de que la computación cuántica supere de forma sistemática a los métodos clásicos en aprendizaje automático.
Una revisión publicada en npj Digital Medicine (Wilkinson et al., 2025) analizó miles de estudios sobre quantum machine learning y concluyó que la mayoría carecen de validación en entornos reales. Los resultados son prometedores, pero todavía inconsistentes. La tecnología no ha demostrado una ventaja generalizada, sino casos específicos donde
podría aportar valor.
Sin embargo, centrarse únicamente en el rendimiento puede ser una forma de perder de vista lo esencial. El cambio no está solo en cuánto mejora un modelo, sino en cómo se construye y cómo representa el problema.
La probabilidad como estructura y la complejidad que no podemos simplificar
La computación clásica trabaja bajo una lógica determinista: incluso cuando introduce probabilidad, lo hace como una aproximación o como una forma de gestionar incertidumbre externa. La computación cuántica, en cambio, opera en un marco donde la incertidumbre no es un defecto del sistema, sino una propiedad inherente.
Los estados no son únicos ni fijos, sino distribuciones que evolucionan hasta el momento de la medición. Esto no implica que el sistema sea caótico, sino que su comportamiento no puede describirse mediante una única trayectoria definida. La probabilidad deja de ser una herramienta para convertirse en la estructura misma del sistema, y ese cambio, aunque técnico en apariencia, tiene implicaciones más profundas de lo que parece.
Es en este punto donde aparece una analogía inevitable con el cerebro humano. No porque el cerebro funcione de manera cuántica —una idea que sigue siendo especulativa y sin evidencia concluyente—, sino porque ambos sistemas comparten una característica fundamental: su resistencia a ser simplificados.
El cerebro no es una máquina lineal. Es un sistema dinámico, altamente interconectado, donde múltiples procesos ocurren de forma simultánea y donde el contexto altera constantemente el resultado. No responde a reglas simples ni a una lógica fácilmente reducible. La computación cuántica, en su propia naturaleza, también escapa a esa simplificación.
Y ahí es donde surge la intuición: no en la equivalencia, sino en la similitud estructural de la complejidad.
Simular, entender y el límite que no es técnico
Sin embargo, esa similitud abre una frontera que conviene tratar con cautela.
Una revisión en Neuroscience & Biobehavioral Reviews (Seth et al., 2025) muestra que no existe consenso científico sobre qué es la consciencia ni cómo emerge. Existen múltiples teorías —desde la Integrated Information Theory hasta el Global Workspace Model—, pero ninguna ha logrado establecer una explicación completa y verificable.
Esto introduce una distinción clave que suele pasarse por alto: podemos simular un sistema sin comprenderlo. Podemos reproducir patrones de comportamiento, generar respuestas coherentes o incluso imitar procesos complejos sin tener acceso a los mecanismos internos que los originan. La simulación es una aproximación funcional, no necesariamente una explicación, y esto resulta especialmente relevante cuando hablamos del cerebro.
Si no entendemos el sistema original, ¿qué significa realmente replicarlo? ¿Es suficiente con reproducir su comportamiento externo para afirmar que lo hemos simulado, o la consciencia implica algo que no puede reducirse a una estructura computacional, por compleja que sea? ¿Podría un sistema avanzado —clásico o cuántico— generar una forma de experiencia interna, o simplemente estaríamos proyectando significado sobre una simulación cada vez más precisa?
Por ahora, no hay respuestas claras. Y quizá eso no sea una limitación tecnológica, sino una frontera conceptual.
La computación cuántica puede ofrecernos nuevas herramientas para modelar sistemas complejos. Puede ampliar nuestra capacidad de representar incertidumbre, explorar combinaciones y optimizar estructuras que hoy resultan inabarcables. Pero no elimina el problema fundamental.
El límite no está en lo que las máquinas pueden calcular, sino en lo que nosotros somos capaces de entender sobre lo que calculan. Y en ese sentido, la frontera que abre la computación cuántica no es solo tecnológica.
Es, inevitablemente, humana.
Autor: Pablo García
