Computación Cuántica en Finanzas 2026: Casos

<\!-- wp:group {"className":"tldr-box","backgroundColor":"pale-cyan-blue"} -->

<\!-- /wp:group -->

📅 Última actualización: febrero de 2026 · IA Cuántica Avanzada

Por qué el sector financiero lidera la adopción cuántica

No es casualidad que los bancos y fondos de inversión sean los primeros en adoptar computación cuántica. El sector financiero combina tres características que lo convierten en el candidato perfecto: problemas de optimización combinatoria masivos (construir la cartera óptima entre miles de activos con cientos de restricciones), una necesidad insaciable de velocidad (el que calcula más rápido gana dinero, literalmente) y presupuestos de tecnología enormes (JP Morgan gasta más de quince mil millones de dólares al año en tecnología).

Según The Quantum Insider, finanzas y defensa son los dos sectores que experimentarán el mayor impacto económico de la computación cuántica, con contribuciones anuales proyectadas de veinte mil millones de dólares para 2030 solo en finanzas. McKinsey estima que las aplicaciones cuánticas en finanzas podrían generar entre trescientos mil y setecientos mil millones de dólares en valor para 2035 si la tecnología madura según las hojas de ruta previstas.

Lo más relevante es que los bancos no están esperando a que la tecnología madure: están invirtiendo ahora en equipos cuánticos, pruebas de concepto y alianzas con empresas cuánticas para estar preparados cuando llegue la ventaja real. Es una carrera donde llegar segundo puede costar miles de millones. Para entender los fundamentos, consulta nuestra guía de IA cuántica.

El McKinsey Global Institute estimó en dos mil veinticuatro que el sector financiero puede capturar entre quince mil y veinticinco mil millones de dólares anuales en valor gracias a la computación cuántica antes de dos mil treinta y cinco. Esta cifra supera a cualquier otro sector excepto farmacéutico y de materiales avanzados, lo que sitúa a las finanzas como el principal motor de demanda de hardware y software cuántico a nivel mundial.

La razón es estructural: los mercados financieros operan con modelos matemáticos que encajan perfectamente con las capacidades cuánticas. La optimización combinatoria, la simulación estocástica y el álgebra lineal de alta dimensión son operaciones que un procesador cuántico puede acelerar exponencialmente frente a un clúster clásico. Además, la ventaja competitiva en finanzas se mide en milisegundos — un fondo que optimiza su cartera un uno por ciento mejor que su rival puede generar cientos de millones de beneficio adicional al año.

Otro factor clave es la disponibilidad de datos estructurados. A diferencia de otros sectores donde los datos son ruidosos o incompletos, los mercados generan series temporales limpias, precios de activos en tiempo real y matrices de correlación que alimentan directamente los algoritmos cuánticos. Esto reduce drásticamente la barrera de entrada para los primeros pilotos y pruebas de concepto en entornos reales.

Optimización de carteras: cómo QAOA y VQE mejoran a Markowitz

La teoría moderna de carteras de Harry Markowitz (que le valió el Nobel en 1990) propone encontrar la combinación de activos que maximiza el retorno esperado para un nivel de riesgo dado. En la práctica, esto se convierte en un problema de optimización cuadrática con restricciones que crece exponencialmente con el número de activos, factores de riesgo y restricciones regulatorias.

Con cien activos y restricciones simples, un optimizador clásico resuelve el problema en milisegundos. Pero con miles de activos, restricciones no lineales (límites de concentración sectorial, restricciones ESG, costes de transacción, restricciones de liquidez) y múltiples horizontes temporales, el espacio de soluciones explota y los métodos clásicos recurren a heurísticas que no garantizan encontrar el óptimo global.

Los algoritmos cuánticos QAOA (Quantum Approximate Optimization Algorithm) y VQE (Variational Quantum Eigensolver) abordan este problema mapeando la función de coste de la cartera a un hamiltoniano cuántico cuyo estado de mínima energía corresponde a la cartera óptima. La superposición cuántica permite explorar el espacio de soluciones de forma masivamente paralela, y la interferencia constructiva amplifica las soluciones cercanas al óptimo.

Multiverse Computing (San Sebastián) ha demostrado con BBVA reducciones significativas del tiempo de optimización manteniendo la calidad de la solución. JP Morgan y Goldman Sachs tienen equipos dedicados a quantum finance con publicaciones en revistas científicas. CaixaBank y Bankinter también han iniciado proyectos piloto.

El enfoque clásico de Markowitz calcula la frontera eficiente resolviendo un problema de optimización cuadrática que, con quinientos activos, genera una matriz de covarianza de doscientas cincuenta mil entradas. Aumentar a dos mil activos eleva el problema a cuatro millones de entradas, haciendo que los optimizadores clásicos converjan lentamente o se estanquen en mínimos locales. El algoritmo QAOA (Quantum Approximate Optimization Algorithm) reformula este problema como un hamiltoniano de Ising, aprovechando la superposición cuántica para explorar múltiples combinaciones de pesos simultáneamente.

Goldman Sachs publicó en dos mil veintitrés un estudio que demostró que VQE (Variational Quantum Eigensolver) podía resolver el problema de optimización de cartera con restricciones de cardinalidad — limitando el número de activos seleccionados — con una aceleración cuadrática sobre métodos de branch-and-bound clásicos. El código se ejecutó en un simulador de ciento veintiocho qubits y los resultados mostraron que, con hardware de bajo ruido, la ventaja cuántica sería alcanzable para carteras de más de doscientos activos.

En la práctica, los fondos cuantitativos como Two Sigma, Renaissance Technologies y Bridgewater ya están explorando prototipos que combinan optimización cuántica con restricciones regulatorias (ESG, concentración sectorial, liquidez mínima). El objetivo inmediato no es reemplazar los optimizadores clásicos por completo, sino usarlos como «refinadores de última milla» que mejoran un dos o tres por ciento la frontera eficiente ya calculada clásicamente — un margen que, a escala de miles de millones gestionados, se traduce en rendimientos significativamente superiores.

Detección de fraude con machine learning cuántico: kernels y QBM

La detección de fraude financiero es un problema de clasificación en datos extremadamente desbalanceados: las transacciones fraudulentas son una fracción minúscula del total, pero cada una que se escapa puede costar miles de euros. Los métodos clásicos de machine learning (random forests, redes neuronales, XGBoost) funcionan bien pero tienen limitaciones cuando los patrones de fraude evolucionan rápidamente o cuando los datos contienen correlaciones complejas no lineales que los kernels clásicos no capturan eficientemente.

Los kernels cuánticos ofrecen una ventaja potencial al mapear los datos a espacios de Hilbert de dimensionalidad exponencialmente alta, donde los patrones de fraude pueden separarse linealmente incluso cuando no son separables en el espacio original. Las máquinas de Boltzmann cuánticas (QBM) de D-Wave han mostrado resultados prometedores en la generación de distribuciones que modelan el comportamiento normal de las transacciones, facilitando la detección de anomalías.

HSBC, Barclays y Standard Chartered están experimentando con clasificadores cuánticos para detección de fraude. Los resultados preliminares muestran mejoras marginales en precisión pero significativas en la velocidad de adaptación a nuevos patrones de fraude, lo que es crítico en un entorno donde los esquemas fraudulentos evolucionan constantemente.

Los kernels cuánticos explotan el fenómeno conocido como «feature map cuántico»: cada transacción se codifica en un circuito paramétrico que la proyecta a un espacio de Hilbert de dimensión exponencial, donde las transacciones fraudulentas y legítimas se separan con mayor claridad que en cualquier espacio de features clásico. Un estudio de IBM Research y HSBC publicado en dos mil veinticuatro demostró que un clasificador basado en kernel cuántico con sólo diez qubits igualaba la precisión de un modelo gradient boosting entrenado con cientos de features, reduciendo la tasa de falsos positivos en un once por ciento.

Las Quantum Boltzmann Machines (QBM) llevan el concepto más lejos al modelar distribuciones de probabilidad complejas sobre patrones de comportamiento. En lugar de clasificar transacción a transacción, la QBM construye un modelo generativo del comportamiento «normal» de cada cliente y detecta anomalías como desviaciones estadísticas cuánticas. PayPal y Mastercard están explorando este enfoque con IonQ y Quantinuum respectivamente, centrándose en fraude de identidad sintética — el tipo de fraude de más rápido crecimiento, que costó dieciséis mil millones de dólares en dos mil veinticuatro a nivel mundial.

El principal reto sigue siendo la escala: los modelos actuales manejan datasets de miles de transacciones, cuando los bancos procesan millones diarios. La estrategia intermedia es usar el clasificador cuántico como segundo filtro sobre las alertas ya generadas por el sistema clásico, reduciendo los falsos positivos sin necesidad de procesar todo el flujo en hardware cuántico.

Pricing de derivados y opciones: simulación Monte Carlo cuántica

El pricing de derivados financieros complejos (opciones exóticas, CDOs, swaps de tipos de interés con múltiples subyacentes) requiere simulaciones Monte Carlo que evalúan miles o millones de escenarios posibles para estimar el valor esperado del instrumento. Estas simulaciones son computacionalmente costosas y representan una fracción significativa del gasto en computación de los bancos de inversión.

La estimación de amplitud cuántica (Quantum Amplitude Estimation, QAE) ofrece una aceleración cuadrática sobre Monte Carlo clásico: donde la simulación clásica necesita N muestras para alcanzar una precisión de uno dividido por raíz de N, el método cuántico alcanza la misma precisión con solo raíz de N evaluaciones. Para simulaciones que requieren un millón de muestras, esto significa que bastarían mil evaluaciones cuánticas.

Goldman Sachs fue uno de los primeros en publicar resultados de pricing cuántico de derivados, en colaboración con QC Ware. JP Morgan ha demostrado pricing de opciones europeas y asiáticas en hardware de IBM Quantum. El desafío actual es que los circuitos de QAE son profundos y requieren corrección de errores para superar a los métodos clásicos optimizados (que han sido refinados durante décadas).

La simulación Monte Carlo clásica para pricing de opciones exóticas con múltiples subyacentes requiere generar millones de trayectorias aleatorias para converger a un precio justo con confianza estadística. Un procesador cuántico aplica la técnica de Quantum Amplitude Estimation (QAE), una variante del algoritmo de Grover que alcanza la misma convergencia con la raíz cuadrada de las muestras — es decir, donde el método clásico necesita un millón de trayectorias, el cuántico necesita mil.

JP Morgan fue pionero en publicar implementaciones de QAE para pricing de opciones europeas y asiáticas, demostrando en dos mil veintitrés que un simulador de sesenta y cuatro qubits podía calcular el precio de una opción basket sobre cinco subyacentes con una precisión comparable al modelo clásico, pero con una aceleración teórica cuadrática. En dos mil veinticinco, Quantinuum y HSBC ampliaron el estudio a opciones barrera con ejercicio anticipado, el tipo más complejo y computacionalmente costoso en las mesas de derivados.

Para los traders de derivados, esta aceleración no es un lujo sino una necesidad competitiva. Cada vez que un banco no puede calcular el precio justo de un derivado complejo en tiempo real, corre el riesgo de aceptar operaciones con margen negativo o rechazar operaciones rentables. Goldman Sachs estimó que una aceleración de diez veces en pricing permitiría a su mesa de derivados capturar entre cien y trescientos millones de dólares adicionales en beneficio anual.

Análisis de riesgo cuántico: VaR y escenarios de estrés en minutos

El cálculo del Value at Risk (VaR) y los escenarios de estrés regulatorios (exigidos por Basilea III/IV) requieren evaluar la distribución de pérdidas de una cartera bajo miles de escenarios de mercado. Actualmente, los grandes bancos necesitan horas o incluso toda la noche para completar estos cálculos con sus clusters de servidores. Esta latencia limita la capacidad de los traders para ajustar posiciones en tiempo real basándose en el riesgo actualizado.

La computación cuántica promete reducir estos cálculos de horas a minutos, permitiendo un VaR cuasi en tiempo real. IBM y Moody’s han publicado trabajos conjuntos sobre evaluación de riesgo crediticio cuántico. La aceleración cuántica en análisis de riesgo no requiere ventaja cuántica «pura»: incluso una mejora del cincuenta por ciento en velocidad a igual calidad tiene un valor comercial enorme para bancos que gestionan billones en activos.

El cálculo del Value at Risk (VaR) con métodos de simulación histórica o Monte Carlo es uno de los procesos más pesados de cualquier banco: se ejecuta cada noche sobre toda la cartera de trading, generando el riesgo máximo esperado al noventa y nueve por ciento de confianza para el día siguiente. Los reguladores (Basilea III y IV) exigen además escenarios de estrés que multiplican la carga computacional por un factor de entre cinco y diez.

Con Quantum Amplitude Estimation, el mismo cálculo de VaR puede completarse con una aceleración cuadrática, lo que en la práctica significa pasar de cuatro horas de cálculo nocturno a menos de una hora — liberando la ventana de procesamiento para análisis adicionales. Pero la verdadera revolución es pasar del VaR nocturno al VaR intradía o incluso en tiempo real, algo imposible con infraestructura clásica para carteras de gran tamaño.

Credit Suisse (ahora UBS) y Barclays demostraron en dos mil veinticuatro que un cálculo de Expected Shortfall cuántico sobre una cartera simulada de quinientos activos con veinte factores de riesgo producía resultados consistentes con el cálculo clásico, abriendo la puerta a su certificación regulatoria. El paso siguiente, previsto para dos mil veintisiete o veintiocho, es ejecutar estos modelos en hardware cuántico tolerante a fallos y presentar los resultados a los supervisores como alternativa válida a los métodos tradicionales.

Tabla: aplicaciones cuánticas en finanzas por madurez y empresa

Madurez basada en publicaciones públicas y anuncios de las empresas. Febrero de 2026.

La siguiente tabla resume las principales aplicaciones cuánticas en el sector financiero, clasificadas por nivel de madurez tecnológica, empresas que lideran cada caso de uso, el algoritmo cuántico involucrado y el horizonte temporal estimado para alcanzar ventaja cuántica práctica sobre los métodos clásicos equivalentes.

BBVA, JP Morgan, Goldman Sachs: quién hace qué en finanzas cuánticas

JP Morgan Chase: Tiene el equipo de investigación cuántica más grande del sector financiero, con más de treinta investigadores dedicados. Ha publicado artículos sobre optimización de carteras, pricing de opciones y detección de anomalías. Colabora con IBM, Quantinuum y varias startups. Su plataforma interna permite a los quants experimentar con algoritmos cuánticos sobre datos reales.

Goldman Sachs: Pionero en pricing cuántico de derivados, en alianza con QC Ware y AWS Braket. Su enfoque es pragmático: buscan aplicaciones con valor comercial inmediato incluso con ventajas cuánticas modestas. Han publicado los análisis más detallados sobre cuántos qubits lógicos se necesitan para superar a Monte Carlo clásico en pricing de opciones.

BBVA: Líder europeo en adopción cuántica gracias a su alianza con Multiverse Computing. Ha demostrado optimización de carteras reales y análisis de riesgo crediticio con algoritmos cuánticos. Su enfoque combina investigación interna con colaboración estrecha con startups del ecosistema cuántico español y europeo.

Otros actores relevantes: HSBC (detección de fraude cuántica), Barclays (optimización y riesgo), Crédit Agricole (alianza con Pasqal), BNP Paribas (simulación financiera), Deutsche Börse (clearing cuántico) y Citigroup (investigación multi-área). En España, además de BBVA, CaixaBank y Bankinter tienen proyectos piloto con empresas cuánticas.

Multiverse Computing y la plataforma Singularity para banca

Merece un apartado especial porque Multiverse Computing es la startup cuántica española más relevante y su plataforma Singularity es el producto cuántico para finanzas más desarrollado de Europa. Fundada en San Sebastián por Enrique Lizaso y un equipo de físicos cuánticos y expertos financieros, Multiverse se ha posicionado como el puente entre la tecnología cuántica y las necesidades del sector financiero.

Singularity permite a los analistas financieros utilizar computación cuántica sin necesidad de conocimientos técnicos cuánticos. El usuario define el problema (optimizar una cartera, evaluar riesgo, detectar anomalías) a través de una interfaz accesible, y Singularity lo traduce automáticamente a circuitos cuánticos optimizados que se ejecutan en el hardware cuántico más adecuado disponible (IBM, D-Wave, simuladores). Los resultados se presentan en formato financiero estándar.

Los clientes de Multiverse incluyen BBVA, Crédit Agricole, Banco Sabadell y varias instituciones financieras europeas que no han hecho pública su participación. La empresa ha levantado más de cien millones de euros en financiación y su valoración la posiciona como unicornio potencial. Para inversores interesados en el ecosistema cuántico español, Multiverse es la empresa a vigilar más de cerca. Más información sobre oportunidades de inversión cuántica.

Limitaciones actuales: cuándo usarla y cuándo es mejor lo clásico

Es fundamental ser honestos sobre las limitaciones. En 2026, la computación cuántica no supera a los métodos clásicos optimizados en ninguna aplicación financiera a escala de producción. Los resultados publicados por bancos y startups son prometedores pero se basan en problemas simplificados con menos activos, restricciones y datos que los problemas reales de producción.

La razón es técnica: los circuitos cuánticos necesarios para superar a los mejores algoritmos clásicos en optimización financiera requieren miles de qubits lógicos con corrección de errores, y los procesadores actuales ofrecen cientos de qubits físicos con tasas de error demasiado altas para circuitos profundos. La ventaja cuántica en finanzas llegará cuando se cruce un umbral de hardware específico, que las hojas de ruta sitúan entre 2028 y 2032.

Mientras tanto, el valor de invertir en computación cuántica para los bancos es doble: acumular expertise interno (los profesionales cuánticos cualificados son escasos y la demanda crecerá explosivamente) y estar preparados para implementar soluciones cuánticas inmediatamente cuando el hardware lo permita. El banco que espere a 2030 para empezar a explorar estará cinco años por detrás de sus competidores.

Además de las limitaciones de hardware, existe un riesgo organizacional que pocos mencionan: la brecha de talento. Un banco que quiera implementar algoritmos cuánticos en producción necesita profesionales que entiendan simultáneamente finanzas cuantitativas, mecánica cuántica y programación de circuitos — un perfil que prácticamente no existe en el mercado laboral actual. Los programas de formación interna de JP Morgan, Goldman Sachs y BBVA son una respuesta, pero formar un equipo cuántico competente lleva entre dieciocho y treinta y seis meses.

Otro factor limitante es la integración con los sistemas legacy. Los bancos operan sobre infraestructuras de décadas de antigüedad (mainframes COBOL, bases de datos Oracle, sistemas de mensajería SWIFT) que no tienen una interfaz nativa con las APIs cuánticas de IBM, Amazon o Azure. El middleware de traducción entre el sistema clásico y el procesador cuántico introduce latencia y complejidad que pueden anular la ventaja cuántica teórica en entornos de producción real.

La recomendación de los expertos es clara: los bancos deben empezar con pruebas de concepto en entornos aislados (sandbox), medir la ventaja cuántica real frente a los mejores algoritmos clásicos optimizados (no frente a implementaciones naive), y escalar sólo cuando el ratio beneficio/coste sea favorable. Los que inviertan ahora en formación y experimentación tendrán una ventaja competitiva decisiva cuando el hardware madure.

Hoja de ruta: cuándo esperan los bancos ventaja cuántica real

Basándose en las publicaciones de los equipos de investigación cuántica de los principales bancos y en las hojas de ruta tecnológicas, la cronología esperada es la siguiente.

Entre 2026 y 2028: ventaja cuántica heurística en problemas de optimización de tamaño pequeño-medio (cientos de activos). Los bancos empezarán a usar resultados cuánticos como input para procesos de decisión, combinados con resultados clásicos. Multiverse y otros proveedores ofrecerán soluciones híbridas de producción.

Entre 2028 y 2030: ventaja cuántica demostrable en optimización de carteras a escala real y en pricing de derivados complejos. Los primeros servicios cuánticos cloud enterprise estarán disponibles con SLAs (acuerdos de nivel de servicio). Los departamentos de riesgo comenzarán a migrar cálculos de VaR a infraestructura cuántica.

Entre 2030 y 2035: ventaja cuántica generalizada en finanzas. Los bancos que no hayan adoptado computación cuántica tendrán una desventaja competitiva mensurable. Emergerán nuevos productos financieros que solo son viables con computación cuántica (derivados sobre cientos de subyacentes correlacionados, optimización de carteras en tiempo real con miles de activos).

Los analistas de Boston Consulting Group dividen la hoja de ruta en tres fases. La primera fase (dos mil veinticinco a dos mil veintisiete) se centra en la era NISQ avanzada, donde los bancos ejecutan pruebas de concepto con hasta mil qubits ruidosos y validan que los algoritmos cuánticos producen resultados superiores en problemas específicos como la optimización de carteras de treinta a cincuenta activos o el pricing de derivados sencillos.

La segunda fase (dos mil veintiocho a dos mil treinta y uno) corresponde a la llegada de los primeros procesadores tolerantes a fallos con entre mil y diez mil qubits lógicos. En esta etapa, Goldman Sachs espera ejecutar simulaciones Monte Carlo cuánticas en producción para su mesa de derivados, y JP Morgan planea migrar su cálculo de VaR nocturno a infraestructura híbrida cuántico-clásica. Los fondos cuantitativos empezarán a obtener alfa medible gracias a la optimización cuántica.

La tercera fase (dos mil treinta y dos en adelante) es la de ventaja cuántica generalizada, donde los procesadores de más de cien mil qubits lógicos permiten atacar problemas hoy intratables: optimización de carteras de miles de activos con restricciones complejas en tiempo real, simulación de riesgo sistémico para reguladores, y detección de fraude sobre todo el flujo de transacciones global sin muestreo. Los bancos que hayan invertido en las fases anteriores capturarán la mayor parte del valor.

Preguntas frecuentes sobre computación cuántica en finanzas

¿La computación cuántica reemplazará a los quants? No. Los quants que aprendan a utilizar herramientas cuánticas serán más valiosos, no menos. La computación cuántica es una herramienta adicional en el arsenal del quant, no un sustituto del juicio humano en mercados financieros. Los profesionales del sector cuántico combinan formación cuantitativa con expertise cuántico.

¿Puede un trader individual beneficiarse de la computación cuántica? No directamente en 2026. Los costes de acceso a hardware cuántico y la complejidad de los algoritmos hacen que sea una tecnología para instituciones. Sin embargo, los traders que entiendan las implicaciones cuánticas podrán anticipar cambios en el mercado cuando los grandes bancos empiecen a operar con ventaja cuántica.

¿La computación cuántica puede predecir los mercados? No mejor que los métodos clásicos para la predicción pura de precios (que es fundamentalmente limitada por la eficiencia del mercado y la aleatoriedad intrínseca). Donde sí aporta es en optimizar decisiones (qué comprar, cuánto, cuándo) dada una predicción, y en evaluar riesgo de forma más precisa y rápida.

¿Cuánto cuesta implementar computación cuántica en un banco? Un equipo mínimo de tres a cinco personas con acceso a plataformas cloud cuánticas cuesta entre quinientos mil y un millón de euros al año. Las alianzas con startups como Multiverse Computing pueden reducir los costes iniciales significativamente al proporcionar plataformas listas para usar.

¿Qué algoritmo cuántico es más prometedor para finanzas? QAOA para optimización de carteras y QAE para pricing de derivados son los dos con mayor potencial a corto-medio plazo. Los kernels cuánticos para detección de fraude son interesantes pero la ventaja sobre métodos clásicos aún no está clara a escala.

<\!-- wp:html -->

<\!-- /wp:html -->