El mundo digital depende de un conjunto de cerraduras invisibles para mantener segura nuestra información más sensible. Cuando un hospital envía registros de pacientes, un banco procesa una transacción o un sistema de defensa actualiza su software, estas cerraduras garantizan que solo el destinatario previsto pueda abrir el mensaje. Durante décadas, estas cerraduras se han construido sobre complejos acertijos matemáticos que involucran números grandes, los cuales son fáciles de crear pero casi imposibles de resolver sin la clave adecuada. Sin embargo, un nuevo tipo de computadora potente, conocida como computadora cuántica, se está acercando a un nivel de capacidad en el que podría resolver estos acertijos en momentos, dejando las cerraduras actuales inutilizadas. Esta amenaza no es solo una cuestión de seguridad futura; ya está ocurriendo. Los adversarios están robando y almacenando datos cifrados actualmente, apostando a que podrán desbloquearlos una vez que la tecnología cuántica madure. Esta estrategia, conocida como "cosechar ahora, descifrar después", significa que los datos enviados hoy podrían quedar expuestos mañana. El desafío es reemplazar estas viejas cerraduras por otras nuevas que incluso una computadora cuántica no pueda romper, sin ralentizar los complejos sistemas de inteligencia artificial que ahora gestionan nuestra infraestructura crítica.

Una investigadora del Instituto Tecnológico de Massachusetts ha abordado este problema estudiando cómo se desempeñan estas nuevas cerraduras resistentes al ámbito cuántico cuando se aplican a cargas de trabajo de inteligencia artificial. El estudio se centra en un conjunto específico de nuevos estándares de seguridad recientemente finalizados por el Instituto Nacional de Estándares y Tecnología. Estos estándares introducen nuevos algoritmos para dos tareas principales: establecer una conexión segura (intercambio de claves) y verificar la identidad (firmas digitales). La investigadora no solo probó estos algoritmos en computadoras estándar; en su lugar, los probó en la diversa mezcla de hardware donde realmente se ejecuta la inteligencia artificial moderna. Esto incluye potentes procesadores gráficos, chips informáticos de propósito general y controladores diminutos con limitaciones de memoria que se encuentran en dispositivos de borde (edge devices). El objetivo era ver si la actualización a estas nuevas medidas de seguridad rompería los estrictos requisitos de tiempo de la inteligencia artificial o si los sistemas podrían manejar el cambio sin problemas.

La investigación comenzó configurando tres escenarios diferentes para compararlos entre sí. El primer escenario utilizó los métodos de seguridad clásicos actuales que se usan hoy en día. El segundo escenario utilizó únicamente los nuevos métodos resistentes al ámbito cuántico. El tercer escenario utilizó un enfoque híbrido, combinando tanto los métodos antiguos como los nuevos simultáneamente para garantizar la seguridad durante un periodo de transición. Estas configuraciones fueron probadas a través de tres tipos distintos de tareas de inteligencia artificial. La primera fue la inferencia en tiempo real, donde un modelo de lenguaje extenso responde preguntas instantáneamente. La segunda fue el entrenamiento distribuido, donde múltiples computadoras trabajan juntas para enseñar a un modelo. La tercera fue el aprendizaje federado, donde los modelos se entrenan a través de diferentes organizaciones sin compartir datos brutos. Al ejecutar miles de iteraciones de estas tareas, la investigadora midió exactamente cuánto tiempo y memoria requerían los nuevos métodos de seguridad en comparación con los antiguos.

Los resultados revelaron una división clara y algo sorprendente en cómo la nueva seguridad afecta a diferentes partes del sistema. La tarea de establecer una conexión segura, que es el primer paso en cualquier comunicación, mostró muy pocos problemas. El nuevo método para este paso añadió una pequeña cantidad de datos al saludo inicial, pero debido a que esto ocurre solo una vez al inicio de una conexión, el costo se distribuye sobre muchas solicitudes subsiguientes. Para los grandes modelos de inteligencia artificial, este costo adicional fue tan pequeño que apenas se notó, desapareciendo efectivamente en el fondo. Esto significa que proteger la privacidad de los datos en tránsito es una tarea manejable que puede actualizarse con un impacto mínimo en el rendimiento.

Sin embargo, la situación fue diferente para la verificación de la identidad. Las nuevas firmas digitales necesarias para demostrar que un mensaje o una actualización de modelo es genuino son significativamente más grandes que las antiguas. En las pruebas, el tamaño de estas firmas saltó de unas pocas docenas de bytes a varios miles de bytes. En servidores potentes, este aumento fue absorbido fácilmente. Pero en los controladores más pequeños y embebidos, así como en los chips especializados que se sitúan en el borde de la red, este aumento de tamaño creó un problema estructural. Estos dispositivos tienen cantidades fijas de memoria y límites rígidos sobre cuántos datos pueden almacenar en sus certificados. Las nuevas y más grandes firmas amenazaban con desbordar estos límites, rompiendo potencialmente la capacidad del dispositivo para verificar su propia identidad. El estudio encontró que la verdadera dificultad no residía en la velocidad de cálculo, sino en encajar estas piezas de datos mucho más grandes en los espacios pequeños e inalterables diseñados para las anteriores, más pequeñas.

Basándose en estos hallazgos, la investigadora propuso un marco práctico para que las organizaciones migren sus sistemas sin causar interrupciones. El enfoque sugiere que las empresas no deben tratar esto como un único y masivo cambio técnico, sino como un esfuerzo de modernización por etapas. El primer paso es asegurar las conexiones para los datos en tránsito, ya que esta es la amenaza más urgente debido a la estrategia de "cosechar ahora, descifrar después" y conlleva casi ningún penal de rendimiento. Una vez que las conexiones sean seguras, el enfoque debe desplazarse hacia el problema más difícil de la verificación de identidad. Esta segunda fase debe manejarse con cuidado, comenzando con los sistemas más flexibles y avanzando hacia el hardware más restringido. Para los dispositivos diminutos y embebidos, el plan consiste en actualizar su firmware y el almacenamiento de certificados para acomodar las firmas más grandes, una tarea que requiere atención de ingeniería en lugar de solo un parche de software.

El estudio concluye que el temor a que las computadoras cuánticas rompan la seguridad de la inteligencia artificial es en gran medida erróneo si la migración se maneja con una estrategia clara. El costo de rendimiento de la nueva seguridad no es una barrera para la mayoría de los sistemas; el desafío es primordialmente de organización e ingeniería. Al priorizar la protección de los datos en tránsito primero y luego abordar metódicamente los límites de almacenamiento de la verificación de identidad en los dispositivos más pequeños, las organizaciones pueden asegurar sus cargas de trabajo de inteligencia artificial contra amenazas futuras. El camino a seguir no consiste en encontrar una solución mágica que lo haga todo más rápido, sino en comprender dónde encaja la nueva seguridad y ajustar el hardware y el software para hacerle espacio. Este enfoque asegura que los sistemas que protegen nuestra infraestructura crítica sigan siendo robustos, incluso a medida que la tecnología subyacente evoluciona.