Non è possibile prevedere il futuro dell'informatica quantistica, quali nuovi algoritmi si realizzeranno o quanto velocemente si raggiungeranno i traguardi ma quando ciò avverrà l’impatto in molti settori sarà di portata enorme.

Ad esempio, un computer quantistico potrebbe simulare nuove strutture e utilizzarle per realizzare nuovi materiali con effetti a catena in ogni altro settore.

C'è stato un gran clamore negli ultimi anni sul calcolo quantistico, sulle sue capacità, sullo stato attuale del campo e su quanto veloce e vasta sarà la rivoluzione, ma la commercializzazione dell'informatica quantistica è solo all'inizio.

L’intelligenza artificiale, perché abbia almeno una parvenza d’intelligenza vera, la velocità gioca un ruolo fondamentale. Manipolare informazioni è un problema, anche se la quantità è grande, ma se c’è tempo alla soluzione si arriva.

La difficoltà è manipolare quella stessa quantità di dati in un tempo sufficientemente breve per poter reagire e rispondere in maniera adeguata all’esigenza che si presenta, ovvero quello che fa il nostro cervello.

Riuscire a dare delle risposte veloci a situazioni molto complicate può portare il computer quantistico a comportarsi come una vera intelligenza, simile, ma non necessariamente uguale, a un’intelligenza umana.

Con i computer quantistici si potranno affrontare i problemi in modi completamente nuovi sfruttando l'entanglement, la sovrapposizione e l'interferenza per modellare i processi fisici della natura, eseguire molte più simulazioni di scenari, ottenere migliori soluzioni di ottimizzazione, trovare migliori modelli all'interno dei processi di Artificial Intelligence/Machine Learning. Nel campo medico e in quello chimico simulare nuove molecole oppure sviluppare nuovi farmaci.

Nei processi naturali in nuove tipologie di reazioni. Per batterie elettriche che possano permettere di dare maggiore autonomia ai veicoli elettrici e quindi aiutare anche in ambito ambientale; per l’agricoltura andando a identificare dei prodotti che siano più compatibili con la sostenibilità.

Nei scenari economici per predire la rischiosità di interventi.

Nei scenari di ottimizzazione della logistica per ottimizzare i percorsi delle consegne che sono estremamente onerosi anche per i più potenti computer attuali.

Nell'Intelligenza Artificiale per migliorare alcuni degli algoritmi che sono alla base della stessa per farli lavorare meglio. Già oggi abbiamo grandi vantaggi sugli algoritmi di categorizzazione di alcune tipologie di eventi, comportamenti, patologie.

La Lockheed Martin (impresa statunitense attiva nei settori dell'ingegneria aerospaziale e della difesa) ha acquistato un computer quantistico D-Wave.

La Northrop Grumman (società conglomerata statunitense nel campo aerospaziale e della difesa) ebbe per molti anni un gruppo di ricerca quantistica.

La NASA (agenzia governativa civile responsabile del programma spaziale e della ricerca aerospaziale degli Stati Uniti d'America) sta esaminando la tecnologia dei sensori quantistici e l'apprendimento del trasferimento basato sulla fisica.

A quali tipi di problemi sono interessate le aziende aerospaziali? Airbus (costruttore multinazionale europeo di aeromobili) è convinto che il quantum computing possa avere un enorme impatto sulla fisica del volo: nel 2019 hanno lanciato una competizione di quantum computing per affrontare problemi come l'ottimizzazione della salita degli aerei (aircraft climb, operazione di aumento dell'altitudine di un aereo), il design della scatola alare (wing box design, struttura portante del carico primaria del wing) e fluidodinamica (ogni mezzo terrestre si muove all'interno di un fluido: l'aria).

Le società finanziarie sono le prime ad adottare (early adopters) e abbracciano sempre le nuove tecnologie. La JP Morgan ha assunto alcuni dei migliori innovatori e fisici per lavorare su problemi di calcolo quantistico per applicazioni finanziarie.

Anche dispositivi disturbati su scala intermedia con solo un centinaio di qubit potrebbero essere utili per questo tipo di problemi.

Le banche internazionali stanno anche esplorando utilizzando generatori di numeri casuali quantistici per creare numeri veramente casuali per infrastrutture a chiave pubblica o utilizzando la crittografia a chiave quantistica per rendere i loro dati ancora più sicuri.

Come accade con l’apprendimento automatico (Machine Learning) quantistico, è possibile mescolare le tecnologie quantistiche con il Machine Learning classico: il campo di esplorazione è aperto e vasto.