O Gartner afirmou que nenhuma carga de trabalho de Inteligência Artificial (IA) empresarial em escala deve rodar em hardware quântico até 2028 e que a IA acelerada clássica continuará dominando todos os benchmarks de produção nesse período.

Segundo Chirag Dekate, vice-presidente analista da consultoria, quando fornecedores dizem oferecer "IA quântica", geralmente se referem a técnicas híbridas ou inspiradas na computação quântica, e não a soluções quânticas nativas em escala empresarial. Ele afirmou que a computação quântica verdadeira ainda não está pronta para cargas de trabalho de IA em produção e que dificilmente estará até o fim da década, destacando que não há resultados revisados por pares que comprovem vantagem quântica nesse tipo de aplicação.

De acordo com o Gartner, o termo "Inteligência Artificial quântica" refere-se a técnicas de IA ou de machine learning que dependem da execução em hardware quântico para obter alguma vantagem em termos de desempenho, custo ou capacidade em relação à computação clássica. Dekate acrescentou que alcançar a computação quântica tolerante a falhas, na escala necessária para gerar ganhos mensuráveis de desempenho ou de custo em IA, depende de avanços simultâneos em quatro frentes: hardware, correção de erros, middleware e algoritmos.

A consultoria também distinguiu a IA quântica de três categorias frequentemente confundidas com ela. A primeira é a IA clássica, formada por modelos como deep learning, transformers e aprendizado por reforço, executados inteiramente em CPUs, GPUs ou TPUs e que já geram retorno mensurável para as empresas. A segunda é a IA inspirada em computação quântica, que reúne algoritmos clássicos baseados em conceitos da mecânica quântica — como annealing, redes tensoriais e codificação de amplitude — que rodam em hardware convencional e já entregam valor em otimização, simulação e amostragem, sem depender de hardware quântico. A terceira categoria é a de métodos híbridos quântico-clássicos, fluxos de trabalho ainda experimentais em que pequenos circuitos quânticos operam em conjunto com sistemas de IA clássica ou de computação de alto desempenho (HPC), usados hoje em pesquisas e projetos-piloto conduzidos por fornecedores, e não em ambientes de produção.

O tema, junto com outras discussões sobre IA, estratégia de negócios e liderança tecnológica, deve ser abordado na Conferência Gartner CIO & IT Executive, marcada para os dias 21 a 23 de setembro em São Paulo.

O Gartner alertou que o discurso dos fornecedores sobre a convergência entre Inteligência Artificial (IA) e computação quântica vem se intensificando, e que conselhos administrativos pressionados a "não ficar de fora" da tecnologia poderiam ser tentados a desviar orçamento de IA para atividades de pesquisa e desenvolvimento (P&D) sem perspectiva de retorno antes de 2030. Segundo a consultoria, a computação quântica tolerante a falhas deve permanecer na fase de P&D para IA, sem escala suficiente de qubits lógicos para sustentar, até o fim da década, algoritmos de ponta a ponta economicamente viáveis.

A consultoria destacou que a P&D quântica e a infraestrutura de produção de IA seguem horizontes de tempo, economias de escala e necessidades de governança incompatíveis entre si. Enquanto a IA generativa costuma gerar retorno mensurável em prazos de 12 a 18 meses, em métricas como tempo de resposta, precisão e automação, a IA quântica ainda não produziu retorno mensurável em nenhuma carga de trabalho de produção, e isso não deve mudar no curto prazo.

Chirag Dekate afirmou que misturar os dois orçamentos distorce a responsabilidade de cada um e permite que a opcionalidade quântica ocupe espaço destinado à capacidade de IA em produção. Ele observou que os CIOs seguem priorizando IA generativa, IA agêntica, segurança cibernética e nuvem como principais categorias de investimento, enquanto a computação quântica não figura entre as prioridades e recebe aportes bem inferiores, sem cobrança de retorno imediato.

Diante desse cenário, o Gartner recomendou que as organizações adotem três posturas. A primeira é priorizar métodos clássicos inspirados na computação quântica na infraestrutura de IA já existente, aplicando-os a áreas como otimização, IA generativa, álgebra linear, análise de grafos e aprendizado por reforço, sem depender de hardware quântico. A segunda é estabelecer critérios claros de encerramento para projetos-piloto quânticos, com métricas de sucesso e benchmarks clássicos definidos desde o início, evitando que experimentos sem prazo consumam orçamento sem gerar valor mensurável. A terceira é acompanhar os indicadores de progresso quântico que realmente importam — não a contagem física de qubits, mas a disponibilidade de qubits lógicos com taxas de erro aceitáveis —, já que avanços em correção de erros, calibração assistida por IA e controle quântico seriam mais relevantes para o valor empresarial do que anúncios sobre processadores maiores.