La investigación detrás de Qelly

Investigación que parte de la decisión.

Planteamos cinco preguntas, en este orden. El avance en una pregunta posterior solo cuenta si se cumplen las anteriores, así que un solucionador más rápido nunca se toma como evidencia de que los clientes necesitan el producto.

Ver lo que hemos demostrado

1 · Flujo de trabajo
¿Puede Qelly convertir registros empresariales incompletos en decisiones financieras útiles y revisables?
2 · Juicio
¿Puede un modelo especializado plantear una decisión financiera, o una decisión de seguridad que involucre dinero, detectar lo que falta, expresar su incertidumbre y saber cuándo detenerse, y hacerlo mejor, de forma más económica o con más privacidad que un modelo sin modificar con las mismas herramientas, en un solo equipo de cómputo que una pequeña empresa pueda costear?
3 · Análisis
¿Los planes alternativos, los escenarios de estrés y el valor de un dato faltante mejoran esa decisión?
4 · Cómputo (opcional)
Cuando un análisis útil se vuelve costoso, ¿puede otro algoritmo u otro backend de hardware, incluidos los métodos cuánticos, hacerlo mejor?
5 · Cómputo privado (opcional)
¿Qué puede aportar la computación cuántica cuando la decisión debe mantenerse privada?

Cómo se divide el trabajo: el código determinista hace la aritmética y vuelve a calcular cada recomendación; la búsqueda exacta explora las acciones modeladas; en un prototipo, modelos acotados convierten la evidencia en juicios tipados; un modelo de juicio planeado plantearía la decisión, detectaría lo que falta y propondría acciones. Ningún modelo aporta las cifras.

Estado de la evidencia

Solo instancias sintéticas y pruebas de desarrollo · octubre de 2026

Área de investigación	Lo que hemos demostrado	Estado	Siguiente evidencia necesaria
Motor de decisiones financieras	Conteos exactos y el plan de menor costo entre las opciones modeladas. En 20 de 20 instancias sintéticas, el óptimo coincide con el de un solucionador MILP independiente, y un recálculo aparte confirma cada plan.	Medido · sintético	Familias de instancias más amplias y, después, uso dentro de un flujo de trabajo real.
Captura de evidencia	Un prototipo convierte mensajes sintéticos de clientes en juicios tipados y exige que una persona confirme cada cambio propuesto.	Prototipo · sin afirmar precisión	Etiquetas independientes y desempeño en datos reservados.
Decisiones de seguridad que involucran dinero	No ha comenzado. El primer flujo de trabajo cubriría un cambio en los datos de pago de un proveedor. Otras decisiones de seguridad defensiva vendrían después, cada una con sus propias herramientas, permisos y evaluaciones.	Planeado	Casos sintéticos fijados de antemano, incluidos cambios fraudulentos, que miden si Qelly recomienda retener el pago hasta que el cambio se confirme mediante un contacto ya registrado y si nunca reporta como confirmado un cambio sin confirmar, con la liberación o el rechazo del pago en manos del dueño.
Modelo de juicio del producto	No ha comenzado. Se han hecho ejecuciones de desarrollo de reglas y dos ejecuciones de prueba en CPU de un modelo local sin modificar; no hay un resultado válido de calidad del modelo con comparación pareada ni una evaluación con datos reservados. El objetivo es que este modelo funcione en un solo equipo de cómputo que una pequeña empresa pueda costear y coordine las herramientas de Qelly sin que intervenga ningún modelo externo. No se ha elegido ningún modelo base.	Planeado · no iniciado	Una comparación, fijada de antemano, entre los juicios basados en reglas y los de un modelo sin modificar que usa las mismas herramientas, en casos independientes. Para el objetivo de funcionar en un solo equipo de cómputo, se sumaría a la comparación el modelo listo para usar más sólido que quepa en un equipo de cómputo que una pequeña empresa pueda costear.
Modelos especializados	Pequeños adaptadores supervisados para un modelo Qwen local, evaluados con un conjunto local fijo de casos. Estos experimentos de investigación no son el modelo de juicio del producto.	Experimentos iniciales	Comparación con el modelo sin cambios, con las mismas herramientas, datos y presupuesto, en casos independientes.
Despliegue privado	Aún no validado.	Planeado	Una ejecución completa con el tráfico saliente bloqueado y registrado, y un inventario de todo lo que se escribe en disco.
Protección poscuántica	No se ha implementado. Planeado para el despliegue privado: intercambio de claves híbrido que combina ML-KEM (FIPS 203) con los métodos actuales en las conexiones que el despliegue controle, con cualquier excepción documentada; AES-256 para el almacenamiento y las copias de seguridad con claves que solo la empresa posee; y firmas ML-DSA (FIPS 204) en los registros de decisión. En nuestras pruebas de www.qelly.ai del 31 de octubre de 2026 solo se negoció intercambio de claves clásico.	Planeado	Un inventario criptográfico de cada conexión, clave y archivo almacenado, con pruebas que fallan si una conexión que deba usar intercambio de claves híbrido recurre al intercambio de claves clásico, o si la firma de un registro no supera la verificación.
Trabajo cuántico	Los preprints que aparecen abajo, con experimentos en hardware de D-Wave: una auditoría de un solucionador híbrido y un diagnóstico de muestreo. En nuestras instancias sintéticas de decisión, el recocido en software con la codificación estándar con penalización encontró el óptimo en 1 de las 10 más pequeñas.	Investigación · sin afirmar ventaja	Una conexión definida con una tarea de Qelly: el experimento que se propone más abajo.
Valor para el cliente	Aún no se ha medido. El ejemplo público es sintético.	No establecido	Uso observado, esfuerzo de revisión, errores relevantes y uso recurrente en los pilotos.

La búsqueda exacta y su benchmark están medidos, y podemos reproducirlos a partir de semillas fijas; lo que tú puedes reproducir hoy se detalla junto al benchmark, más abajo. No se ha establecido el desempeño con clientes ni una ventaja cuántica. Un resultado solo se reporta aquí cuando se pueden rastrear su ejecución, su partición de datos y su evaluación.

Siguiente Una comparación, fijada de antemano, entre los juicios basados en reglas y los de un modelo sin modificar que usa las mismas herramientas. Por separado, una prueba opcional de si un muestreador validado encuentra planes alternativos útiles con más eficiencia que métodos clásicos sólidos.

Exactitud donde la estructura lo permite. Honestidad sobre dónde se detiene.

Medido en una laptop · 22 de septiembre de 2026 · instancias sintéticas · una sola ejecución

Optimización: Encontrar el plan de menor costo. Comparado con HiGHS, un solucionador MILP independiente.
Conteo: Encontrar cuántos planes cumplen todas las condiciones. Verificado con enumeración por fuerza bruta en instancias pequeñas; aún no comparado con un contador clásico dedicado.
Muestreo: Muestrear planes de una distribución especificada. Aún no medido; consulta el experimento propuesto más abajo.

20 / 20
Exacta y confirmada de forma independiente

En 20 instancias, la mayor con 544 millones de planes posibles, el óptimo de la contracción coincide con el de un solucionador MILP independiente (HiGHS), y un recálculo aparte confirma la factibilidad y el costo. HiGHS fue más rápido en 16 de ellas: una mediana de 3.8 milisegundos frente a 88 de la contracción.
338,803
Hasta dónde llega la contracción exacta

La mediana del número de estados que la contracción transporta entre semanas subió de 10 con una sola empresa a 330, 30,186 y 338,803 al acoplar dos, tres y cuatro entidades mediante transferencias y una línea de crédito compartida. Su mediana de tiempo hasta el óptimo subió de 0.09 milisegundos a 14.6 segundos; la mediana de HiGHS se mantuvo por debajo de 10 milisegundos. Los cargos pagados en efectivo crean muchos estados de efectivo distintos. Estas son propiedades de este método y de estas instancias, no un límite para todo solucionador exacto.
1 / 10
Las codificaciones con penalización son un obstáculo real

El recocido simulado en software, sobre el QUBO estándar con variables de holgura, encontró el óptimo en 1 de 10 instancias y un plan factible en 4; una regla voraz sencilla de reparación encontró el óptimo en 8. Con una mediana de 126 variables binarias y coeficientes que abarcan casi doce órdenes de magnitud, la codificación es el primer obstáculo, antes de cualquier pregunta sobre el hardware. Los pesos de penalización se dejaron en sus valores predeterminados.
MILP
La línea base clásica gana en el óptimo

HiGHS alcanzó cada óptimo en 20 milisegundos como máximo. Optimiza; no cuenta, así que su velocidad no es la referencia para el conteo, y todavía no se ha medido ningún contador clásico dedicado. Lo que aporta la contracción son conteos exactos, proporciones y el espectro de costos, a un precio que crece de forma pronunciada con el acoplamiento.

Una sola ejecución en Python en una laptop con Apple silicon, sobre instancias sintéticas generadas a partir de semillas fijas, con todos los cargos pagados en efectivo. No se usó hardware cuántico. No se afirma ninguna ventaja sobre los métodos clásicos. Estas cifras provienen de una ejecución de frontera con 20 instancias de una sola empresa y 20 instancias de grupos de una a cuatro entidades; el paquete público de abajo contiene ocho instancias.

Qué establece cada verificación y qué no.

Verificación	Qué respalda
Recálculo del flujo de efectivo	Un plan devuelto tiene el costo reportado y mantiene cada cuenta en su reserva o por encima de ella todas las semanas. No demuestra que no exista un plan más barato.
Coincidencia con un solucionador independiente	El mismo óptimo que HiGHS en cada instancia probada. No dice nada sobre las instancias que no probamos.
Contracción exhaustiva	Se cubre cada combinación de las opciones modeladas, así que los conteos y el óptimo son exactos para el modelo tal como está planteado. La enumeración por fuerza bruta lo confirma en instancias pequeñas; los conteos más grandes aún no tienen una verificación independiente.
Hashes y versiones de archivos	Que un archivo descargado es el que publicamos, con su versión y su fecha. No que sus datos de entrada describan un negocio real.
Evaluación con clientes	Utilidad en un flujo de trabajo real. Aún no se ha hecho.

¿Dónde podría ayudar la computación cuántica en las finanzas?

Usos propuestos, los métodos clásicos que deben superar y lo que hemos medido

Tarea	Lo que se propone que ofrezcan los métodos cuánticos	Línea base clásica sólida	Lo que hemos medido	Estado
Encontrar el mejor plan, en nuestras instancias sintéticas de decisión	Optimización mejor o más rápida	MILP (HiGHS) y una regla voraz de reparación	HiGHS coincidió con cada óptimo exacto (20 de 20) y fue más rápido que nuestra búsqueda exacta en 16 de 20. El recocido simulado en software, con la codificación estándar con penalización, encontró el óptimo en 1 de las 10 instancias más pequeñas; una regla voraz de reparación lo encontró en 8. No se ha usado hardware cuántico en estas instancias.	No se encontró ventaja (solo software)
Optimización híbrida de portafolios (un problema distinto, estudiado en la auditoría del fundador)	Optimización mejor o más rápida mediante un servicio híbrido cuántico-clásico	Gurobi para óptimos demostrados, recocido simulado y una búsqueda tabú con el mismo presupuesto de tiempo	En la auditoría (arXiv:2605.17623), el acceso al procesador cuántico promedió alrededor del 0.68% del presupuesto de tiempo nominal de cinco segundos del solucionador híbrido, y una búsqueda tabú con el mismo presupuesto alcanzó valores objetivo casi iguales. El solucionador alcanzó el óptimo demostrado de Gurobi en las 54 instancias de comparación directa de hasta 120 activos, pero la telemetría del servicio no permite saber qué parte de ese resultado proviene del procesador cuántico.	Ningún beneficio atribuible al procesador cuántico
Muestreo de planes alternativos	Muestreo equitativo de buenos planes	Conteo exacto con redes tensoriales y muestreo con cadenas de Markov	Conteos exactos en nuestras instancias; hay una prueba de muestreadores diseñada con un criterio de fracaso	Hipótesis · sin ejecutar
Estimaciones de riesgo por simulación	En teoría, menos muestras, en hardware con corrección de errores	Cuasi-Monte Carlo y reducción de varianza	No se ha medido nada	Solo antecedentes
Decisiones que deben mantenerse privadas	Desconocido	Métodos exactos o de inspiración cuántica que se ejecutan en la propia computadora del cliente	Nada	Opcional, pregunta abierta

Las filas de arriba incluyen resultados nulos, y publicaremos otros. Un método cuántico entra en el producto solo si supera al método clásico más sólido en instancias reservadas, con el mismo tiempo y costo de principio a fin. Enviar un problema a una computadora cuántica en la nube implica enviar una codificación de las finanzas del negocio, así que el uso privado también exige medir lo que revela un problema enviado.

La computación cuántica también importa como amenaza. Una futura computadora cuántica podría descifrar datos interceptados hoy si sus claves se intercambiaron mediante los métodos de clave pública actuales, y registros como la contabilidad y los registros fiscales se conservan durante años. La criptografía poscuántica funciona en computadoras convencionales y es independiente de los métodos cuánticos de la tabla de arriba; prevemos usarla en el despliegue privado (consulta Estado de la evidencia).

Antecedentes sobre estimaciones de riesgo: Montanaro, Proc. R. Soc. A 2015 · Chakrabarti et al., Quantum 2021

Experimento de cómputo opcional · aún no realizado

¿Puede un muestreador validado encontrar planes alternativos útiles con más eficiencia que métodos clásicos sólidos?

Esto es una hipótesis, no un resultado. Es la prueba que conectaría nuestra investigación sobre muestreo cuántico con una tarea de Qelly, con un presupuesto computacional total comparable. Cada elemento de la prueba se fija antes de comprar cualquier tiempo de hardware.

Hipótesis · trabajo futuro

Qué fija la prueba de antemano
Qué se muestrea	Planes candidatos para una instancia de Qelly Bench: una opción para cada decisión.
Distribución objetivo	Planes que mantienen cada cuenta en su reserva o por encima de ella, ponderados hacia un menor costo: probabilidad proporcional a exp(−cost / T) para un T especificado, y cero para cualquier plan que caiga por debajo de una reserva. Elegimos esta distribución como herramienta de análisis; no es un pronóstico de flujos de efectivo futuros. Donde la contracción exacta es aplicable, aporta las proporciones exactas de cada opción en la distribución objetivo, como referencia para calificar los resultados.
Por qué le importaría a un cliente	Una lista corta de planes distintos de bajo costo que mantienen la reserva, para cuando el plan más barato depende de un dato sin confirmar o es inaceptable por razones ajenas al modelo. El conteo exacto se vuelve costoso a medida que se acoplan entidades; un muestreador validado podría mantener disponible este análisis en esos casos.
Comparación clásica	Muestreo exacto con redes tensoriales donde es aplicable, Monte Carlo con cadenas de Markov, recocido simulado y enumeración MILP de los planes de menor costo. Mismas instancias, mismo tipo de resultado.
Medida de calidad	Declarada de antemano: la proporción de planes devueltos que mantienen la reserva, su costo frente al óptimo exacto, el número de planes aceptables distintos y la distancia respecto de las proporciones exactas de cada opción, donde se conocen.
Medida de recursos	Tiempo y costo de principio a fin: formulación, compilación o incrustación (embedding), espera en cola, acceso al dispositivo, lectura y cualquier reparación. El tiempo de dispositivo se reporta por separado, como en nuestra auditoría del solucionador híbrido, y los resultados en bruto, aparte de los reparados.
Criterio de fracaso	Si, con el mismo tiempo y costo de principio a fin, ningún muestreador supera al mejor método clásico en la medida declarada sobre instancias reservadas, lo reportamos y no compramos tiempo de hardware para esta tarea.

Hitos

Líneas base clásicas y objetivos exactos en las instancias públicas. Sin hardware.
Publicar el protocolo: instancias, medidas, presupuestos y el criterio de fracaso.
Ejecuciones en hardware solo si la codificación supera la validación y el muestreador supera un diagnóstico calibrado, como el de nuestro segundo preprint.

Qelly Bench v0 · versión preliminar pública para investigación

Traigan cualquier solucionador. Verificamos la respuesta.

Cada instancia se entrega en JSON con su óptimo exacto, el número de planes factibles y óptimos, sus dimensiones de enlace y exportaciones listas para usar: QUBO con penalización desbalanceada y, hasta 400 variables, con variables de holgura; Ising; y un archivo LP que los solucionadores MILP y CQM leen directamente. Un verificador de un solo archivo vuelve a calcular cualquier plan, ya provenga de un recocedor cuántico, un muestreador de compuertas cuánticas, un método de inspiración cuántica o un solucionador clásico, y emite un certificado enlazado por hash.

La propia literatura sobre optimización cuántica señala a las finanzas como un dominio que carece de benchmarks con respuestas exactas conocidas. Hoy nuestras instancias son sintéticas. Las instancias futuras provendrán de casos escritos por expertos y de simulaciones verificadas, no de los registros de clientes.

Qué incluye la suite

La decisión de la página de inicio y siete instancias generadas, de 864 a 544 millones de planes
Cadenas de una sola entidad y grupos acoplados de dos a cuatro entidades
Óptimo exacto, número de planes factibles, número de planes óptimos y dimensiones de enlace de cada una
Archivos QUBO e Ising, un archivo LP para solucionadores MILP y CQM, y un verificador en Python sin dependencias

En los siete casos generados, todos los planes factibles posponen la inversión; el caso de la página principal sí tiene planes factibles que realizan el pedido. Son casos de prueba para desarrollar solucionadores, no una muestra representativa de decisiones empresariales.

Una versión preliminar pública para investigación: puedes descargarla y ejecutarla libremente con fines de investigación y benchmarking. Los términos finales de la licencia aún no están definidos; contáctanos antes de redistribuir el paquete o de construir un producto sobre él. Condiciones de uso del paquete

Manifiesto Léeme Verificador

Enviar un certificado

Equipos de hardware y grupos de algoritmos: ejecuten la suite en un recocedor cuántico, en un dispositivo de compuertas cuánticas o en su propio solucionador, y envíen los certificados. Publicaremos los resultados verificados con su permiso.

Cómo se puede verificar cada resultado reportado
Resultado	Instancias	Qué puedes reproducir	Límites actuales
Ejemplo de la página de inicio	La instancia de demostración del paquete	Cada cifra, recalculada en tu navegador por el propio código de la página; el plan óptimo, con el verificador.	Datos de entrada sintéticos.
Paquete v0 · 22 de septiembre de 2026	El caso de la página de inicio y siete instancias generadas	Planes óptimos recalculados con el verificador 1.1; integridad de los archivos mediante los hashes SHA-256 del manifiesto.	Se reportan los conteos y las dimensiones de enlace; recalcularlos requiere nuestro solucionador, que aún no es público.
Mediciones de frontera · 22 de septiembre de 2026	20 instancias de una sola empresa y 20 grupos de una a cuatro entidades, a partir de semillas fijas	Las cifras resumidas de esta página, con Python 3.14.3 en una laptop con Apple silicon.	Las instancias y el entorno de pruebas aún no se publican; una sola ejecución, así que no hay datos de variabilidad entre ejecuciones.

Método · búsqueda exacta de decisiones

Todos los planes modelados, contados. El de menor costo, encontrado de forma exacta.

Responde: Cuántos planes modelados mantienen todas las reservas, cuál cuesta menos y qué comparten los planes viables.
Se compara con: Enumeración por fuerza bruta en instancias pequeñas; HiGHS para el óptimo.
Aporta: Conteos exactos, proporciones de cada opción y el espectro completo de costos, que un optimizador no devuelve.
Su costo crece con: El número de estados de efectivo distintos que debe transportar, que crece de forma pronunciada cuando se acoplan entidades y los cargos se pagan en efectivo.
Por qué importa: Un gerente ve no solo el plan más barato, sino cuántas alternativas existen y qué opciones requieren todas ellas.

Una decisión de liquidez es una cadena en el tiempo. Entre una semana y la siguiente, lo único que importa es el efectivo final y qué decisiones siguen abiertas. Eso convierte todo el espacio de planes en una red tensorial unidimensional: un tensor por semana, unido al siguiente por un enlace que transporta ese estado.

Contraer la cadena con aritmética ordinaria cuenta todos los planes que nunca caen por debajo de una reserva. Contraer la misma red en aritmética min-plus devuelve el plan más barato. Otros tipos de elemento dan el número de planes óptimos, el espectro completo de costos y la proporción de planes viables que usan cada opción.

Esto es programación dinámica en lenguaje de redes tensoriales, y lo decimos sin rodeos. El lenguaje se gana su lugar de tres maneras: un solo modelo responde muchas preguntas, cada una con su propia contracción; su dimensión de enlace mide cuántos estados tiene que transportar este método exacto, que es lo que hace que una instancia le resulte costosa; y la misma instancia se exporta a los formatos QUBO e Ising que aceptan los recocedores cuánticos (annealers) y los muestreadores de compuertas cuánticas.

Un tensor por semana. El enlace transporta el efectivo final y el estado de las decisiones abiertas; las reglas de reserva eliminan los estados no factibles. El número de estados de enlace que sobreviven es la dimensión de enlace.

Una red, varias preguntas
Pregunta	Aritmética usada en la contracción
¿Cuántos planes funcionan?	ordinaria: suma, multiplicación
¿Qué plan es el más barato?	tropical: mínimo, suma
¿Cuántos planes son óptimos?	tropical con multiplicidades
¿Cómo se distribuye el costo?	polinomios en el costo
¿Qué comparten los planes viables?	reconteos con una opción fija

Antecedentes del método: Liu, Wang & Zhang, PRL 2021 · Liu et al., SIAM J. Sci. Comput. 2023 · Crosswhite & Bacon, PRA 2008 · Markov & Shi, SIAM J. Comput. 2008

Juicios acotados sobre la evidencia

Un mensaje puede mover un pronóstico. No debe poder reescribirlo.

Estamos evaluando una clase de modelos rápidos que devuelven juicios tipados: una probabilidad de sí o no, una opción entre las indicadas o una posición en una rúbrica. Nunca devuelven texto libre. Una sola llamada hace muchas preguntas pequeñas sobre el mensaje de un cliente: ¿se refiere a esta factura?, ¿indica una fecha de pago?, ¿el pago está condicionado?, ¿contiene instrucciones dirigidas al sistema?

En nuestro prototipo, el código extrae las fechas candidatas y hace toda la aritmética de fechas. Un juicio solo puede redactar una propuesta de cambio a un dato. Un pago que depende de un evento, o una fecha expresada de forma ambigua, queda sin confirmar, y el prototipo exige que una persona revise cada borrador antes de que la búsqueda exacta se vuelva a ejecutar.

Hasta ahora, las pruebas de desarrollo usan 36 mensajes sintéticos originales en inglés, español y japonés, y 24 casos sintéticos de ofertas de proveedores en español. La anotación independiente va antes de cualquier afirmación sobre precisión.

Prototipo · sin afirmar precisión

Modelos especializados

Entrenar solo donde mejora una capacidad medida.

¿Qué capacidad mejoraría el entrenamiento y cómo lo sabríamos? Cada etapa parte del modelo sin modificar, con las mismas herramientas, evidencia y presupuesto. Las etapas se enumeran por estado: implementada, evaluada, planeada, condicional.

Ajuste fino supervisado

Implementado · evaluación limitada

Capacidad: seguir un procedimiento verificado, es decir, solicitar la información faltante, llamar a una herramienta, comparar acciones factibles y enunciar una conclusión fundamentada. Se entrenaron y evaluaron adaptadores LoRA sobre una base Qwen cuantizada con un conjunto local fijo de casos. Esa evaluación es demasiado limitada para demostrar una competencia amplia como CFO. Estos adaptadores de investigación no son el modelo de juicio del producto, cuyo entrenamiento no ha comenzado.

Aprendizaje por refuerzo multiturno

Planeado

Capacidad: completar todo un flujo de trabajo de decisión. GRPO compararía trayectorias nuevas en un entorno financiero controlado, calificadas mediante verificaciones independientes de exactitud numérica, faltantes relevantes, restricciones y utilidad para la decisión.

Aprendizaje por preferencias de expertos

Condicional

Capacidad: explicaciones que un experto prefiere, como una condición de un covenant expresada con claridad. DPO se usa solo con ejemplos preferidos y rechazados que sean confiables; una puntuación de un modelo sin verificar no puede establecer cuál es la respuesta preferida.

Un modelo compacto para un solo equipo de cómputo

Condicional · requiere financiamiento

Capacidad: en flujos de trabajo definidos, un juicio cercano al de un modelo más grande, en un solo equipo de cómputo que una pequeña empresa pueda costear. El modelo aprendería qué herramientas de Qelly llamar, cómo comprobar sus resultados y cuándo escalar, y se evaluaría sin que interviniera ningún modelo externo. Un modelo abierto más grande podría ayudar a entrenarlo, pero las salidas del modelo más grande quedan excluidas del entrenamiento de forma predeterminada: solo se usarían si nuestras reglas de elegibilidad admitieran esa fuente y cada salida superara una verificación independiente. El modelo base no se ha elegido, y la comparación podría mostrar que no hace falta entrenamiento.

Reglas de datos y despliegue

Aprender de la evidencia.
Mejorar el mismo flujo de trabajo.

El material de investigación sigue un procedimiento aparte de procedencia y derechos: casos escritos por expertos, material con licencia o público admitido según nuestras reglas de elegibilidad, y simulaciones verificadas. Las salidas de otros modelos quedan excluidas de forma predeterminada. Los registros financieros de un cliente nunca son material de entrenamiento, y tampoco lo son las solicitudes y respuestas que pasan por un conector de asistente.

La aprobación de un revisor experto es retroalimentación sobre un caso, no prueba de que sea correcto. Dentro del despliegue propio de un cliente, los resultados reales se añadirían solo al registro de decisiones de ese cliente; no se usan para entrenamiento compartido y no revelan cómo habrían resultado las alternativas que nunca se tomaron.

El despliegue requiere mejor calidad en flujos de trabajo definidos, o una calidad comparable a un costo sustancialmente menor, con un manejo confiable de restricciones e incertidumbre. Cualquier solucionador cuántico o de inspiración cuántica se mediría sobre las mismas instancias verificadas; ninguno es un requisito previo para el lanzamiento.

Qué contaría como progreso

Una decisión financiera tiene que superar la prueba.

Evaluaremos flujos de trabajo completos, con la misma evidencia disponible, las mismas herramientas y el mismo presupuesto de inferencia. Las comparaciones son reglas, modelos generales, el modelo candidato sin modificar y, para un modelo compacto, el modelo listo para usar más sólido que quepa en el mismo equipo de cómputo.

Compromisos de evaluación
Pregunta	Evidencia que exigimos
¿Los números son correctos?	Cálculos ejecutables con montos, unidades y fechas verificados.
¿Es factible la recomendación?	Las restricciones duras se respetan. El financiamiento o el consentimiento sin confirmar se mantienen como condicionales.
¿Preguntó lo que importa?	Se identifican los datos faltantes relevantes; las preguntas irrelevantes no suman puntos en la evaluación.
¿Generaliza?	Conjuntos reservados por empresa, documento fuente, periodo y familia de escenarios; los ejemplos relacionados se mantienen juntos.
¿La búsqueda es exacta?	Coincidencia con la enumeración exhaustiva en instancias pequeñas y, en las más grandes, con un solucionador MILP independiente en el óptimo.
¿Cualquiera puede verificarlo?	Los datos de entrada, el plan y la trayectoria de efectivo recalculada se publican con una huella digital. La aritmética se puede verificar; los datos de entrada todavía deben confirmarse.
¿Ayudó el entrenamiento?	Modelos base, con prompts y entrenados, comparados en casos congelados, con registro de costo y latencia.

Fundador y preprints

Preprints seleccionados sobre hardware cuántico.

Luis Lozano, fundador

Único autor de los preprints que aparecen abajo. Construyó el motor de decisiones de Qelly, su benchmark y su prototipo de captura de evidencia. Qelly es un producto de Great Bear AI LLC, una empresa de Florida.

Ambos están publicados en arXiv y aún no tienen revisión por pares. El primero es una de las razones por las que este sitio no afirma ninguna ventaja cuántica; el segundo es el tipo de validación que el experimento propuesto exige antes de usar cualquier muestra del hardware.

Where the Quantum Lives in D-Wave Hybrid Portfolio Optimization: An Operational Decomposition Audit arXiv:2605.17623 · preprint, sin revisión por pares
Una auditoría del solucionador híbrido de D-Wave en problemas de portafolio. En instancias de hasta 120 activos alcanza el óptimo demostrado, pero el acceso al procesador cuántico promedia menos del 1% de su presupuesto de tiempo, y una búsqueda tabú clásica con el mismo presupuesto alcanza valores objetivo casi iguales. Propone qué deberían reportar los resultados híbridos para no confundir el tiempo de servicio con una contribución cuántica.
A calibrated diagnostic for reverse-anneal sampling in programmable quantum annealers arXiv:2605.19381 · preprint, sin revisión por pares
Un protocolo de validación para usar un recocedor cuántico como muestreador, probado en dos generaciones de procesadores D-Wave: comprueba si las lecturas han olvidado su estado inicial y si coinciden con una referencia calibrada, y muestra cómo una lectura puede superar la primera prueba y aun así terminar en el estado equivocado.

Fundamentos técnicos

Nuestra investigación se basa en métodos publicados de redes tensoriales y optimización, en métodos de entrenamiento establecidos y en tareas financieras verificables de forma independiente.

Retos de la optimización cuántica Formulaciones de Ising FinQA Entrenamiento supervisado GRPO Modelos de problemas para D-Wave

Para investigadores, colaboradores e inversionistas en Qelly

Ayuda a construir inteligencia financiera que podamos poner a prueba.

Buscamos financiamiento para esta dirección: casos escritos y etiquetados de forma independiente para la comparación, cómputo rentado para probar los modelos abiertos más grandes de los que podría aprender uno compacto, y cómputo de entrenamiento solo si una comparación fijada de antemano muestra que hace falta.

Inicia una conversación