IA y computación cuántica: la convergencia tecnológica que comienza a redefinir la industria
La inteligencia artificial ya forma parte de múltiples procesos productivos, científicos y empresariales. La computación cuántica, en cambio, todavía transita una etapa experimental, pero sus avances comienzan a plantear nuevas posibilidades para resolver problemas que exceden las capacidades de la computación clásica. En ese escenario aparece una pregunta cada vez más relevante: ¿qué sucede cuando ambas tecnologías comienzan a trabajar juntas?
Ese es uno de los interrogantes que aborda la nueva Diplomatura en IA + Computación Cuántica con enfoque en Aplicaciones de la Universidad Abierta Interamericana, que se desarrollará entre el 7 de septiembre y el 30 de noviembre de 2026.
Para Matías Bilkis, responsable de la propuesta, la relación entre ambas tecnologías funciona en más de una dirección. Por un lado, los circuitos cuánticos parametrizados pueden incorporarse dentro de procesos de entrenamiento propios del Quantum Machine Learning (QML). Pero también ocurre el fenómeno inverso: la inteligencia artificial clásica puede ayudar a mejorar el funcionamiento de las tecnologías cuánticas: “La sinergia va en las dos direcciones”, explica Bilkis. Como ejemplo menciona AlphaQubit, desarrollado por Google DeepMind, un sistema basado en redes neuronales utilizado para la decodificación de errores en computación cuántica.
Sin embargo, el especialista advierte que comprender estas tecnologías requiere mucho más que utilizar herramientas. “Sin entender cuántica, el modelo es una caja negra que no vas a poder diagnosticar cuando falle”, señala.
Aunque buena parte del desarrollo todavía se encuentra en etapas experimentales, ya pueden identificarse áreas en las que la convergencia entre IA y computación cuántica podría generar aplicaciones relevantes.
Bilkis identifica cuatro líneas particularmente importantes: optimización combinatoria, modelos generativos, reinforcement learning y simulación de química y materiales. La última aparece como una de las áreas con mayor potencial, debido a que se trata de problemas que poseen una estructura genuinamente cuántica.
En términos sectoriales, las primeras aplicaciones podrían aparecer en logística, finanzas y energía, principalmente vinculadas con problemas de optimización. En salud, el impacto podría producirse de manera más indirecta, a partir de la simulación de química y materiales para el descubrimiento de nuevos fármacos. “Seguridad es otro tema: el impacto cuántico real ahí pasa por criptografía post-cuántica, no por QML”, aclara.
Frente a las expectativas que suelen acompañar a las tecnologías emergentes, Bilkis pone el foco en la necesidad de distinguir las posibilidades futuras de las capacidades actuales. “Experimental, sin dudas”, responde al ser consultado sobre el estado actual de la computación cuántica.
La industria atraviesa lo que se conoce como era NISQ, caracterizada por dispositivos con un número limitado de qubits y elevados niveles de ruido. Si bien existen avances significativos en materia de corrección de errores, todavía queda camino por recorrer tanto en hardware como en software. Por eso, para el especialista, “NISQ es un puente, no el destino”.
Esta perspectiva también modifica la manera de pensar la relación entre IA y computación cuántica. Según Bilkis, no se trata simplemente de buscar que una tecnología “le gane” a la otra: “El listón es altísimo: el deep learning clásico funciona espectacular porque tiene décadas de hardware optimizado y toneladas de datos detrás. ‘Ganarle’ a eso no es la pregunta correcta”, plantea.
El verdadero potencial podría encontrarse en aquellos problemas donde los datos o la estructura del problema sean genuinamente cuánticos.
En un campo que todavía está en desarrollo, la formación adquiere un papel estratégico. Para Bilkis, quienes quieran trabajar en este ámbito deberían comenzar por construir fundamentos sólidos de computación cuántica y aprender posteriormente a llevar esos conocimientos al código.
Pero también destaca otra competencia: la capacidad de analizar críticamente un ecosistema tecnológico que cambia permanentemente: “Lo que más rinde a mediano plazo es aprender y estudiar con criterio, mapear el ecosistema —que por definición es dinámico— y poder consolidar preguntas con una base científico-técnica fuerte”, sostiene.
La nueva diplomatura apunta precisamente a esa combinación entre fundamentos y aplicación. Su programa incluye desde el contexto de las tecnologías emergentes y los fundamentos de computación cuántica hasta el desarrollo de software con herramientas como Qiskit, PennyLane y CUDA-Q, arquitecturas híbridas, Quantum Machine Learning, casos reales y vigilancia tecnológica. El recorrido culminará con un Trabajo Final Integrador, orientado al desarrollo de una solución aplicada a un problema real.
Para Bilkis, formar profesionales en este momento no implica asumir que todas las promesas de la computación cuántica se concretarán inmediatamente. Implica, en cambio, preparar personas capaces de comprender el campo y tomar decisiones fundamentadas: “En un campo tan temprano y con expectativas tan ruidosas, formar gente que entienda de qué va —sin comerse el hype ni descartarlo de movida— ya es parte del impacto”, afirma. Y esa mirada puede resultar determinante para empresas, investigadores y profesionales que deberán decidir cuándo, cómo y para qué incorporar estas tecnologías.
La propuesta busca abordar la computación cuántica no como una tecnología aislada, sino en diálogo con la inteligencia artificial y con problemas concretos de distintos sectores. El objetivo es que los participantes puedan comprender sus fundamentos, explorar herramientas de desarrollo y analizar aplicaciones reales, construyendo una mirada crítica sobre una de las áreas tecnológicas que podría marcar los próximos años.
