Quantum computing nelle aziende: cinque casi di utilizzo

Trenta minuti per programmare la sequenza produttiva di mille furgoni Ford Transit sono diventati meno di cinque. In Giappone, NTT DOCOMO ha ridotto del 65,3% il picco giornaliero di alcuni messaggi di registrazione dei cellulari in una porzione della rete. Nel mercato obbligazionario, HSBC ha ottenuto fino al 34% di miglioramento nelle previsioni di esecuzione di un’operazione. Würth ha provato a ridurre gli sprechi negli imballaggi. Dietro questi risultati ci sono sistemi che integrano processori quantistici con il calcolo tradizionale.

Japan Tobacco invece ha utilizzato un processore quantistico per generare strutture molecolari candidate alla ricerca farmaceutica.

Queste cinque storie, che abbiamo selezionato per significatività, mostrano che il quantum computing comincia a incidere sul business, sebbene in forme ancora preliminari.

Cinque casi di quantum computing: che cosa è stato dimostrato

Fonti: Ford Otosan/D-Wave (2025), NTT DOCOMO/D-Wave (2026), Telefónica/Würth (2026), HSBC/IBM (2025), Scientific Reports (2026). Cifre riferite a test e indicatori differenti; stato al 29 ottobre 2026.

Perché le imprese iniziano dai problemi di ottimizzazione

L’efficienza è il vantaggio più immediato.

Una fabbrica deve scegliere l’ordine di migliaia di lavorazioni, un operatore mobile deve organizzare centinaia di antenne, un magazzino deve decidere come riempire scatole di dimensioni diverse. In tutti e tre i casi, aumentano rapidamente le combinazioni possibili, perché ogni scelta deve rispettare vincoli di spazio, personale, tempi, compatibilità o continuità del servizio. I computer tradizionali affrontano questi problemi con algoritmi matematici sofisticati, ma alcuni scenari richiedono compromessi tra rapidità di risposta e qualità della soluzione.

È su questa difficoltà che si concentra il quantum annealing. Il problema viene tradotto in una configurazione in cui ogni scelta incompatibile ha un costo, rappresentato come un livello di energia. Un processore quantistico specializzato cerca configurazioni a energia ridotta, che corrispondono a soluzioni con meno penalità. Il risultato è in genere un lavoro ibrido: il software classico prepara i dati, impone i vincoli, suddivide il problema e utilizza o verifica le risposte del dispositivo quantistico.

Accanto all’annealing ci sono i computer quantistici a gate, come quelli di IBM, che elaborano i qubit attraverso sequenze di operazioni e misurazioni. Esistono infine algoritmi quantum-inspired, eseguiti interamente su computer classici.

Ford Otosan: cinque minuti per riorganizzare mille veicoli

La Ford Transit è disponibile in oltre 1.500 varianti. Nello stabilimento turco di Ford Otosan, società partecipata da Ford e Koç Holding, bisogna decidere l’ordine in cui i mezzi attraverseranno le lavorazioni. Produrre due furgoni simili uno dopo l’altro può ridurre i cambi di configurazione, ma la sequenza deve anche distribuire il carico di lavoro tra i turni e rispettare i limiti delle linee. Ogni modifica di un ordine o ritardo nella disponibilità dei componenti può costringere a ricalcolare il piano.

Con una soluzione ibrida di D-Wave annunciata in produzione il 31 marzo 2025, Ford Otosan ha ridotto, secondo i partner, il tempo di pianificazione di mille veicoli da 30 a meno di cinque minuti. Il servizio cloud Leap integra l’annealing quantistico nel processo di ottimizzazione. La conseguenza industriale più immediata è una maggiore capacità di adattare la sequenza quando cambiano ordini, forniture e vincoli di fabbrica.

La stessa documentazione pubblicata da Ford Otosan consente una lettura più precisa del risultato. Su un campione di mille veicoli, il solutore ibrido impiega 3,3 minuti, contro i 10 di un algoritmo classico proprietario. I due sistemi restituiscono però un diverso numero indicativo di cambi di specifica, rispettivamente oltre 300 e oltre 280. Nella pianificazione industriale contano insieme tempi di calcolo, qualità della sequenza e capacità di rispettare i vincoli. Ford dichiara di aver scelto il sistema ibrido soprattutto per la rapidità con cui può ripianificare e per la possibilità di ampliare il problema. La stessa esigenza di ridisegnare rapidamente una configurazione complessa ricompare nelle reti mobili, dove ogni spostamento degli utenti modifica il carico di segnalazione.

NTT DOCOMO: meno messaggi inutili nelle reti mobili

Un cellulare continua a scambiare segnali con la rete anche quando il proprietario non lo sta usando. Il telefono comunica gli spostamenti fra certe aree geografiche; la rete, quando deve raggiungerlo, invia altri messaggi per localizzarlo. Ridurre le registrazioni eccessive può aumentare i messaggi necessari alla ricerca del dispositivo, e viceversa. Per un operatore che gestisce centinaia di migliaia di stazioni radio, individuare la suddivisione più efficiente diventa un grande problema di ottimizzazione.

NTT DOCOMO ha annunciato nell’agosto 2026 una seconda applicazione produttiva basata sulla piattaforma D-Wave, dopo una prima implementazione nel 2024. Un caso tecnico pubblicato il 14 ottobre descrive l’ottimizzazione di 333 stazioni radio: il picco giornaliero dei segnali di registrazione della posizione è diminuito del 65,3%, mentre i segnali di paging, usati dalla rete per cercare i terminali, si sono ridotti del 7%. Il calcolo della nuova configurazione ha richiesto circa cinque minuti.

D-Wave riferisce che il sistema è stato successivamente adottato nelle operazioni della rete nazionale di DOCOMO. Le due percentuali pubblicate riguardano il segmento di 333 stazioni analizzato; l’estensione nazionale documenta l’adozione del sistema, mentre gli effetti quantitativi indicati si riferiscono a quel test. Il beneficio già rilevante per il business è la possibilità di automatizzare modifiche di rete complesse, mantenendo sotto controllo due categorie di traffico che si influenzano reciprocamente.

Würth e Telefónica: meno scatole e meno spazio sui camion

DOCOMO raggruppa antenne per ridurre i messaggi superflui; un magazzino deve raggruppare merci per ridurre gli imballaggi superflui. Per spedire un ordine contenente viti, utensili, guanti o materiali di forma diversa, il sistema deve scegliere il numero e le dimensioni delle scatole e decidere come collocare gli oggetti. Un imballaggio poco efficiente moltiplica i colli, consuma cartone e occupa spazio nei mezzi di trasporto. Il problema è noto come 3D bin packing.

Nel centro logistico di Würth España ad Agoncillo, in Spagna, Telefónica, Tecnalia e QCentroid hanno sviluppato un pilota su oltre 6.000 ordini reali. Secondo il comunicato Telefónica del 23 luglio 2026, la soluzione ha migliorato la scelta dell’imballaggio per il 14% degli ordini esaminati: ne sono derivati circa il 3% di scatole in meno, il 7% di volume trasportato in meno e una riduzione superiore al 6% del cartone utilizzato. Sono risultati del progetto pilota, non risparmi annuali già accertati sull’intera logistica del gruppo.

Telefónica ha mostrato prove del problema di imballaggio sul computer quantistico D-Wave Advantage2 e su un Digital Annealer Fujitsu, quest’ultimo basato su hardware tradizionale. Il progetto combina inoltre AI e algoritmi classici. I risparmi misurati riguardano la soluzione sperimentale nel suo complesso: le fonti diffuse non isolano la quota di beneficio dovuta al processore quantistico rispetto agli altri componenti.

HSBC: il quantum computing aiuta a prevedere gli scambi di obbligazioni

Nella logistica il sistema cerca una disposizione migliore per oggetti fisici. Nel mercato obbligazionario il problema diventa prevedere un comportamento: la possibilità che un cliente concluda un’operazione a un certo prezzo. Quando un cliente chiede a una banca il prezzo di un’obbligazione societaria, il sistema deve valutare rapidamente il mercato e stimare la probabilità che il cliente accetti la quotazione. Una stima più accurata può aiutare a formulare prezzi e gestire il rischio, soprattutto in un mercato in cui molte transazioni avvengono direttamente fra operatori.

In una sperimentazione annunciata da HSBC il 25 settembre 2025, condotta con IBM su dati reali del mercato europeo delle obbligazioni societarie, modelli ibridi che impiegano processori quantistici IBM Heron hanno migliorato fino al 34% la capacità di prevedere quali richieste di negoziazione sarebbero state soddisfatte, rispetto ai metodi classici di riferimento utilizzati nello studio. Il confronto è stato eseguito con hardware quantistico fisico, non soltanto con una simulazione software.

Il lavoro di HSBC riguarda processori a gate, tecnologicamente diversi dall’annealing utilizzato da Ford e DOCOMO. In questo esperimento la parte quantistica contribuisce all’elaborazione delle informazioni inserite in un modello predittivo classico. Il 34% misura il miglioramento di una prestazione predittiva sperimentale, non un aumento degli utili, delle operazioni concluse o del rendimento finanziario della banca. Gli stessi ricercatori riconoscono la necessità di verificare i risultati in condizioni di mercato differenti. Un’altra applicazione, sperimentata dalla ricerca farmaceutica, impiega algoritmi quantistici per aiutare modelli che generano nuove soluzioni, invece di limitarsi a prevedere il risultato di una decisione.

Japan Tobacco: il quantum e l’AI cercano molecole più promettenti

Per i farmaci, la difficoltà è esplorare un numero enorme di possibili strutture chimiche. I modelli generativi possono proporre nuove molecole partendo da rappresentazioni testuali della loro struttura; una parte delle proposte, però, non descrive neppure una molecola chimicamente valida, mentre altre possiedono caratteristiche poco adatte allo sviluppo di un medicinale. Ridurre queste proposte inutilizzabili significherebbe concentrare le verifiche di laboratorio su candidati più interessanti.

La divisione farmaceutica di Japan Tobacco ha annunciato con D-Wave un proof of concept nel marzo 2025 che combina AI generativa e annealing quantistico. I risultati sono stati sviluppati in uno studio pubblicato su Scientific Reports il 9 luglio 2026, poi aggiornato alla versione definitiva in ottobre. Il modello impiega un processore D-Wave per campionare rappresentazioni matematiche utilizzate dalla rete generativa; le strutture chimiche sono poi valutate con criteri computazionali.

Per una delle architetture analizzate, il 97% delle strutture generate dal modello quantistico risultava formalmente valido, contro il 73% della versione classica di confronto. Gli autori rilevano anche un miglioramento degli indici computazionali che stimano la somiglianza delle molecole con composti utilizzabili come farmaci.

Il computer quantistico, in questo caso, non sta simulando direttamente l’efficacia biologica di un farmaco: aiuta un sistema generativo a esplorare lo spazio di possibili strutture. La validità di una rappresentazione molecolare è soltanto il primo filtro. Per stabilire se una sostanza possa diventare un medicinale servono sintesi, prove sperimentali, valutazioni di sicurezza e studi clinici. Il risultato segna quindi un progresso nella ricerca computazionale, non l’arrivo di un farmaco scoperto dal quantum.

Quanto è maturo il mercato del quantum computing per le aziende

L’uso operativo di Ford e DOCOMO, i test logistici di Würth e gli esperimenti di HSBC e Japan Tobacco raccontano un mercato con velocità di maturazione differenti. Le applicazioni di ottimizzazione si prestano già a integrare processori specializzati dentro workflow esistenti. Altri impieghi, come l’apprendimento automatico e la progettazione molecolare, hanno bisogno di risultati riproducibili su problemi più numerosi e complessi prima di poter sostenere vantaggi economici su larga scala.

Il Quantum Technology Monitor 2026 di McKinsey segnala oltre 300 organizzazioni impegnate in collaborazioni con fornitori di tecnologie quantistiche. È un indicatore di interesse e investimento, non il numero delle aziende che hanno già messo un computer quantistico nei processi produttivi. Un’analisi McKinsey del 20 ottobre 2026 descrive l’emergere di applicazioni ibride e modelli cloud che permettono di sperimentare senza acquistare un processore quantistico.

Il rapporto Building business readiness for quantum computing, pubblicato dall’OCSE il 23 marzo 2026, basato fra l’altro su interviste a 16 organizzazioni in dieci Paesi, elenca quattro ostacoli: maturità ancora limitata dell’hardware, difficoltà a scegliere casi d’uso con un ritorno credibile, costi e carenza di competenze capaci di unire quantum e conoscenza del settore. L’OCSE osserva che molte applicazioni commerciali rimangono sperimentali e non hanno ancora dimostrato un vantaggio economico rispetto ai metodi classici.

Il criterio decisivo: quale parte del risultato produce davvero il quantum

Per un’azienda interessata a queste applicazioni, il punto di partenza è un problema misurabile: minuti necessari a ricostruire un piano, costi di confezionamento, traffico di rete o accuratezza di una previsione. Il secondo passaggio è verificare cosa succede confrontando lo stesso problema, con gli stessi vincoli, sui migliori sistemi classici disponibili. La velocità di esecuzione va osservata insieme alla qualità del risultato, ai costi complessivi, all’affidabilità e alla ripetibilità.

Nei sistemi ibridi occorre inoltre sapere quali operazioni sono state eseguite sulla macchina quantistica e quali sui normali server. Nel caso Ford, il benchmark pubblicato mostra tempi e qualità della sequenza da leggere insieme; in quello Würth, il risultato include più tecnologie e il loro contributo individuale non è quantificato. Questo è il passaggio che separa un miglioramento aziendale documentato dalla dimostrazione di un vantaggio specificamente quantistico.

Le storie più mature indicano anche una conseguenza organizzativa: un operatore telefonico o una fabbrica può cominciare con una singola decisione complessa e integrare un acceleratore esterno nel software che già usa. Se i test reggono su dati reali e su un confronto economico completo, il quantum può così diventare un componente ordinario dell’infrastruttura digitale aziendale.