Quantum Computing: i casi d’uso che stanno cambiando le imprese

Per risolvere determinate categorie di problemi, aumentare la potenza di calcolo non è più sufficiente. Simulazioni molecolari, ottimizzazione di sistemi complessi e analisi che coinvolgono enormi quantità di variabili mettono in evidenza i limiti del paradigma computazionale classico.

Da anni la ricerca individua nel quantum computing il paradigma più promettente per affrontare queste sfide. Rispetto agli albori, però, le aziende, gli investitori e i centri di ricerca non si limitano a valutarne il potenziale teorico, ma raccolgono evidenze concrete del suo valore applicativo, ne sperimentano l’impiego su problemi reali e investono attivamente nel suo sviluppo.

Il collo di bottiglia del calcolo classico

A livello globale, l’interesse nei confronti del quantum computing continua a crescere. Il motivo è chiaro: secondo il Quantum Readiness Report 2026 di QuEra, azienda statunitense specializzata nello sviluppo di computer quantistici basati sulla tecnologia degli atomi neutri, il 62% delle organizzazioni che gestisce carichi di lavoro pertinenti segnala limiti moderati o critici nel calcolo classico. In questo ecosistema di pionieri e addetti ai lavori, il 56% ha già avviato iniziative di esplorazione, valutazione o proof of concept, ma solo il 13% ha raggiunto la piena implementazione su scala.

A trainare le iniziative sono soprattutto le grandi realtà internazionali. Lo dimostrano centinaia di annunci pubblici (più di 300) e paper pubblicati nell’ultimo decennio, a testimonianza di un interesse non solo esplorativo. Le prospettive di crescita del settore hanno inoltre favorito la nascita di ecosistema di player specializzati non solo nel quantum computing in senso lato, ma in specifiche applicazioni verticali.

A livello operativo, le aziende si muovono in modi diversi: c’è chi partecipa a consorzi dedicati, chi punta su investimenti strategici in startup, chi ha attivato gruppi di ricerca interni e chi sta sviluppando use case concreti per costruire un vantaggio competitivo nel medio periodo.

Quantum computing use case: i quattro macro-ambiti applicativi

Non tutti i grandi problemi sono adatti al quantum computing. Tuttavia, i casi d’uso più promettenti rientrano in quattro macroaree nelle quali il calcolo quantistico offre un vantaggio concreto rispetto a quello classico: simulazione, ottimizzazione, intelligenza artificiale e Machine Learning, e algebra quantistica.

Simulazione quantistica: accelerazione della R&D in pharma e life science

È considerato l’ambito più promettente nel breve termine, tanto da rappresentare (in base ai dati QuEra) il 42% delle applicazioni pianificate dalle aziende. I dati indicano la simulazione, in particolare in ambiti come scienza dei materiali, chimica e drug discovery, come l’applicazione con il vantaggio quantistico più dimostrabile nel breve periodo. Ciò determina un’attenzione marcata soprattutto da parte dell’industria farmaceutica e delle scienze della vita.

A tal proposito Yuval Boger, Chief Commercial Officer di QuEra Computing, spiega che «I settori che incontrano i vincoli più severi del calcolo classico sono gli stessi in cui il vantaggio quantistico è teoricamente dimostrabile. Simulazione molecolare, ripiegamento delle proteine, chimica delle batterie: non sono casi d’uso speculativi ma problemi reali, attuali, in cui le approssimazioni del calcolo classico non bastano».

Concretamente, il valore della simulazione quantistica risiede nella possibilità di affrontare problemi estremamente difficili per i metodi classici, come la dinamica delle reazioni e i sistemi molecolari fortemente correlati. Gli algoritmi quantistici fault-tolerant potrebbero consentire simulazioni più accurate di questi sistemi e supportare anche il fine-tuning di modelli di machine learning utilizzati per prevedere le proprietà chimiche e dei materiali. Le applicazioni più promettenti includono la scoperta di nuovi farmaci, la superconduttività e la scienza dei materiali, nonché lo sviluppo di catalizzatori inorganici, con potenziali benefici per settori come aerospace, automotive ed energia.

Algoritmi di ottimizzazione quantistica per efficientare la logistica

In tutti i settori, le organizzazioni devono affrontare problemi decisionali complessi, in cui numerose variabili interdipendenti, vincoli operativi e condizioni di incertezza generano enormi spazi di possibili soluzioni.

• Nella logistica e nella gestione della supply chain, la pianificazione dei percorsi, la gestione delle scorte nei magazzini automatizzati, il dimensionamento delle flotte e la programmazione dei turni di consegna sono forme di ottimizzazione vincolata e scheduling che coinvolgono veicoli, punti di consegna, limiti di capacità e finestre temporali. 

• Nell’aerospazio e nella difesa, la progettazione delle traiettorie di volo, il coordinamento di flotte di droni o satelliti e la pianificazione di missioni complesse combinano ottimizzazione vincolata e pianificazione di scenari in condizioni di incertezza o informazioni incomplete. 

• Nella finanza, l’asset allocation è un problema di ottimizzazione di portafoglio che mira a bilanciare rischio e rendimento su molti asset correlati, tenendo conto di vincoli e scenari di mercato incerti. 

Queste applicazioni rappresentano casi d’uso promettenti per l’ottimizzazione quantistica, che punta a individuare soluzioni di alta qualità all’interno di spazi di possibilità ampi e complessi. Con la maturazione del quantum computing fault-tolerant, il suo potenziale vantaggio dovrebbe essere valutato non solo in termini di velocità, ma anche in base al rapporto tra qualità della soluzione e tempo necessario per ottenerla.

Quantum Machine Learning: la nuova frontiera per la data science

La terza grande area di applicazione nasce dalla convergenza tra quantum computing e data science. Più che nell’elaborazione di grandi volumi di dati non strutturati, il potenziale del quantum machine learning (QML) risiede soprattutto nei problemi “small-data, high-compute”, che coinvolgono dataset strutturati, pattern nascosti complessi e variabili fortemente correlate. L’approccio più realistico sarà probabilmente ibrido, con computer quantistici impiegati per eseguire attività computazionalmente intensive o per il fine-tuning di componenti selezionati di modelli di AI classica. Le potenziali applicazioni includono la previsione del comportamento molecolare e lo sviluppo di digital twin abilitati dal quantum computing.

Altri casi d’uso promettenti si concentrano sul riconoscimento di pattern nascosti in dati strutturati. Tra questi rientrano l’anomaly detection per la cybersecurity, la prevenzione delle frodi e la stabilità delle reti, oltre ad applicazioni predittive nella manutenzione degli apparati, nell’analisi dei dati medici e nella finanza. In questi contesti, il valore del QML non deriverebbe dal clustering dei dati su larga scala, ma dall’identificazione di relazioni difficili o computazionalmente costose da individuare con metodi classici.

Algebra quantistica abilitata dal quantum computing fault-tolerant

Una delle capacità più potenti del quantum computing risiede in primitive fault-tolerant come l’individuazione di periodi nascosti. Queste primitive costituiscono la base dell’“algebra quantistica”: l’uso di algoritmi quantistici per risolvere problemi algebrici computazionalmente difficili per i sistemi classici, offrendo al tempo stesso solide garanzie di performance. È importante sottolineare che queste capacità possono essere realizzate solo su computer quantistici fault-tolerant su scala di utilità, in grado di eseguire computazioni profonde e affidabili.

Un’applicazione fondamentale è la fattorizzazione di grandi numeri interi. Implementazioni fault-tolerant di algoritmi quantistici come l’algoritmo di Shor potrebbero svolgere questo compito in modo efficiente, mettendo in discussione l’ipotesi di difficoltà computazionale alla base di RSA, un sistema crittografico che ha avuto un ruolo centrale nella sicurezza dell’internet moderno.

Più in generale, primitive algebriche e di pattern finding correlate, basate su approcci fault-tolerant, potrebbero supportare attività di simulazione, ottimizzazione e machine learning che coinvolgono dati sia quantistici sia classici. Le potenziali applicazioni includono l’identificazione di caratteristiche ad alta dimensionalità in reti complesse, la caratterizzazione efficiente di sistemi di chimica quantistica e di materiali, e la risoluzione di equazioni differenziali alle derivate parziali utilizzate per modellare la fluidodinamica e altri processi fisici. In ciascun caso, il vantaggio atteso dipende dalla computazione profonda e corretta dagli errori resa possibile specificamente dai computer quantistici fault-tolerant.

Dalla teoria alla pratica: le applicazioni nei diversi settori

Non tutti i problemi necessitano del quantum computing. Il primo passo per qualsiasi organizzazione consiste quindi nell’identificare le sfide per cui gli approcci classici stanno raggiungendo i propri limiti, oppure che restano inesplorate perché considerate troppo difficili dal punto di vista computazionale. Ma quali sono i problemi così complessi da non essere presi in considerazione? Gli esempi settoriali che seguono offrono un punto di partenza per individuare queste opportunità ad alto valore e capire dove il quantum computing potrebbe fare una differenza significativa.

• Nel finance, oltre all’ottimizzazione dei portafogli di investimento, guadagna terreno la fraud detection poiché il quantum è in grado di analizzare correlazioni complesse tra milioni di transazioni simultanee, individuando pattern fraudolenti che gli algoritmi classici faticano a cogliere in tempo utile. 

• Nell’healthcare, accanto al grande use case della scoperta di nuovi farmaci si affaccia il supporto alle iniziative di predictive health, con modelli capaci di anticipare l’insorgenza di patologie e personalizzare i percorsi di cura su dati clinici sempre più stratificati.  

• Le telco puntano su network design e monitoring, per progettare e gestire infrastrutture di rete più efficienti e resilienti su scala crescente. 

• L’automotive, al di là del design delle batterie, è interessato alla gestione del traffico in tempo reale, uno dei grandi banchi di prova delle smart city, dove coordinare dinamicamente flussi veicolari complessi significa meno congestione e tempi di percorrenza ridotti.  

• Nel settore aerospaziale, il quantum computing trova applicazione soprattutto su due fronti principali: da un lato la gestione del traffico di droni, che richiede il coordinamento in tempo reale di flotte sempre più numerose e complesse; dall’altro la manutenzione predittiva degli aeromobili, dove individuare con anticipo i segnali di un possibile guasto consente di migliorare affidabilità e sicurezza.