Finanzas y seguros
Las finanzas fueron de las primeras en explorar la cuántica, y de las más ruidosas. Tres usos típicos: optimizar carteras, medir riesgo y detectar fraude. La honestidad primero: en los tres, hoy, no hay ventaja demostrada — los métodos clásicos siguen ganando.
Computación
Investigación Optimización de portafolio
Armar una cartera —elegir en qué activos poner el dinero para el mejor retorno al menor riesgo— se vuelve combinatorio con reglas reales. La promesa cuántica es resolverlo mejor, pero hoy no lo hace: los mejores algoritmos clásicos resuelven carteras de mil activos en segundos, y en pruebas independientes serias lo cuántico empata o pierde. Bancos como Vanguard y JPMorgan hacen pilotos reales, pero son demostraciones de factibilidad, no ventaja.
OptimizaciónQAOASin ventaja
Computación
Investigación Riesgo y pricing (Monte Carlo cuántico)
Bancos y aseguradoras corren millones de simulaciones Monte Carlo para poner precio a derivados y medir cuánto pueden perder. Un algoritmo cuántico —la estimación de amplitud— promete la misma precisión con la raíz cuadrada del esfuerzo, un speedup demostrado como teorema. La trampa: solo sirve en máquinas con corrección de errores que aún no existen; los propios estudios de Goldman Sachs y JPMorgan lo ubican a una década o más.
Amplitude estimationMonte CarloTolerancia a fallos
Computación
Investigación Detección de fraude y anomalías
El fraude mueve decenas de miles de millones al año, y hoy quien mejor lo combate es la IA clásica. Bancos y redes de tarjetas prueban “machine learning cuántico” para detectar anomalías, pero no hay ninguna demostración de que supere a la IA clásica en datos de fraude reales: los experimentos corren en simuladores o con datos muy recortados. Investigación legítima, no una tecnología que ya funcione mejor.
QMLAnomalíasSin ventaja
