L’intelligenza artificiale quantistica sta uscendo dalla fase puramente teorica ed appare sul metaforico radar delle aziende che guardano alle tecnologie emergenti come possibile leva di innovazione. Certo, il calcolo quantistico è ancora considerato da molte imprese un ambito quantomeno in evoluzione, ma l’interesse delle organizzazioni verso applicazioni concrete è già evidente. A fotografare questa situazione è una ricerca condotta da SAS con l’obiettivo di comprendere aspettative e ostacoli nell’adozione dell’AI quantistica.

In primo luogo, l’indagine di SAS evidenzia come il dibattito attorno al quantum computing stia cambiando. Nel 2025 il principale ostacolo individuato dalle aziende era rappresentato dal costo elevato dell’implementazione, nel 2026 la preoccupazione maggiore riguarda invece la difficoltà di identificare applicazioni pratiche e casi d’uso in grado di produrre benefici tangibili. Il tema economico resta rilevante, ma viene superato dall’esigenza di comprendere in che modo le nuove tecnologie possano essere impiegate per risolvere problemi reali.

Tra le altre criticità segnalate dagli intervistati emergono la carenza di competenze specialistiche, una conoscenza ancora limitata della materia, la disponibilità ridotta di soluzioni dedicate, l’assenza di riferimenti normativi. Nel loro insieme, questi elementi delineano un mercato interessato alle potenzialità del quantum ma ancora alla ricerca di strumenti e approcci che consentano di valutarne concretamente il valore.

Secondo SAS, il futuro dell’elaborazione dei dati non sarà caratterizzato da una contrapposizione tra informatica tradizionale e informatica quantistica. L’azienda traguarda piuttosto una complementarità tra le due tecnologie: il calcolo classico continua a svolgere il ruolo di infrastruttura consolidata per la maggior parte delle attività, mentre il quantum affronta specifici problemi particolarmente complessi. L’intelligenza artificiale quantistica si colloca in questa prospettiva. L’idea di fondo è eseguire algoritmi di machine learning sfruttando hardware quantistico già disponibile, combinando le capacità delle architetture tradizionali con quelle dei sistemi quantistici. Secondo SAS, questo approccio potrebbe accelerare l’esecuzione di alcune elaborazioni, permettendo di affrontare problemi oggi difficilmente risolvibili e migliorare l’efficienza dell’addestramento dei modelli.

Lato imprese, l’obiettivo oggi non è necessariamente implementare subito soluzioni operative di quantum computing e AI quantistica, ma acquisire esperienza e sviluppare competenze interne che possano dare un vantaggio competitivo quando la tecnologia raggiungerà livelli più elevati di maturità. Per questo nasce SAS Quantum Lab, un ambiente destinato ai clienti della piattaforma SAS Viya e progettato per favorire la sperimentazione dell’intelligenza artificiale quantistica.

L’obiettivo dichiarato del SAS Quantum Lab è consentire alle organizzazioni di testare idee e valutare casi d’uso senza affrontare immediatamente investimenti elevati. Tra le funzionalità previste figura la possibilità di confrontare i risultati ottenuti attraverso approcci tradizionali, quantistici e ibridi applicati agli stessi problemi di business. Questo tipo di analisi potrebbe aiutare le aziende a comprendere quali scenari risultano maggiormente adatti all’utilizzo delle tecnologie quantistiche e quali, invece, continuano a beneficiare principalmente delle infrastrutture convenzionali.

La ricerca SAS offre anche uno sguardo sulle aspettative delle organizzazioni riguardo alle possibili applicazioni future del quantum. Nel settore finanziario emerge l’interesse verso sistemi di rilevazione delle frodi più accurati e capaci di individuare schemi complessi all’interno delle transazioni. Nel comparto delle telecomunicazioni viene indicata la possibilità di ottimizzare in tempo reale l’instradamento del traffico nelle reti 5G. Altri ambiti citati riguardano la ricerca farmaceutica e la simulazione molecolare, dove una maggiore capacità di elaborazione potrebbe accelerare l’identificazione di nuovi candidati terapeutici. Anche la logistica e la gestione della supply chain figurano tra le aree considerate promettenti, grazie alla possibilità di affrontare problemi di ottimizzazione particolarmente complessi.

L’interesse si estende inoltre alle applicazioni di machine learning e analisi predittiva, comprese quelle orientate allo studio del comportamento dei clienti. Alcuni partecipanti alla ricerca indicano infine l’addestramento e l’ottimizzazione dei grandi modelli linguistici come uno dei possibili campi in cui le tecnologie quantistiche potrebbero contribuire a ridurre tempi e risorse necessarie per lo sviluppo delle applicazioni di intelligenza artificiale generativa.