La fricción inducida entre agentes IA: La búsqueda de soluciones disruptivas.

  

Dejemos que las IA compitan entre sí. La colaboración entre las IA podría estar sobrevalorada, o mejor dicho, el consenso entre las IA podría acabar con la innovación.

Cuando usamos IA para buscar soluciones disruptivas, el mayor obstáculo no es la falta de capacidad. Es que la respuesta más probable suele ser la más predecible: el promedio de su entrenamiento, lo que cualquier consultor diría en una primera reunión.

Para alcanzar otro nivel, necesitamos algo diferente. En lugar de entornos de debate con IA, como los debates colaborativos o adversativos, cuyos resultados han revelado debilidades, se propone un entorno de trabajo donde múltiples IA compiten en una carrera de relevos de rechazos secuenciales dirigida por un árbitro IA que no emite juicio, no evalúa calidad ni creatividad, sino que solo rechaza las respuestas y mide la desviación semántica entre ellas. A esta metodología la denominamos Optimización por Estrés Secuencial (OES).

La idea es simple: en lugar de promover el debate entre agentes (que puede terminar en consensos previsibles o ciclos poco productivos gastadores de "tokens"), se plantea una carrera de relevos. Cada agente IA recibe el resultado anterior de otro agente con una única instrucción: superarlo. Este es un esquema de fricción por rechazos sucesivos, propuesto en dos fases.

¿Cómo funciona en la práctica?

Tomemos un problema real en ingeniería: el cuello de botella en la revisión de submittals.

1. Planteamos el problema a una primera IA. Su respuesta no se corrige ni se discute; esta es tomada por el actor clave de este esquema: el Árbitro IA.

2. El Árbitro IA no genera ideas ni juzga el contenido cualitativamente. Su regla es procedimental: en la primera fase, rechaza un porcentaje de las propuestas presentadas por las IA, digamos el 70 % (ver nota 1), independientemente de lo que diga cada una.

3. La primera respuesta (ej. "contratar más revisores") es descartada. Este resultado obtenido, el Árbitro IA lo pasa a una segunda IA con una instrucción explícita: "Esto ya fue rechazado por ser obvio; encuentra la falla de origen y propón algo distinto".

De esta sucesión de respuestas transferidas entre los agentes AI, empiezan a emerger soluciones potencialmente innovadoras. Por ejemplo: reemplazar la revisión secuencial por una revisión paralela entre disciplinas. En iteraciones sucesivas, se llega a propuestas cada vez mejores y más radicales. Esto ya no es optimización, es cambio de modelo.

¿Cuándo parar?

El rechazo encadenado no puede ser infinito. La primera señal de parada ocurre cuando, tras alcanzar la tasa de rechazo del 70% mencionada anteriormente (nota 1), el diferencial semántico entre soluciones consecutivas se vuelve mínimo. Esta señal es tomada por el Árbitro IA de que el espacio para el logro de una solución se ha agotado. En caso de dificultad para el logro de este mínimo semántico, el Árbitro IA da un margen adicional del 5% de rechazos en esta fase, luego de esto, da como óptima la solución identificada.

Una vez concluida la primera fase, el Árbitro IA activa la segunda fase: El Pulimento. Aquí se busca el refinamiento de la solución de la primera fase, para ello la solución obtenida se somete a una nueva secuencia de rechazos, fijado ahora con tope de entre 20% y 30% el rechazo de todo lo generado, luego de ello, el Arbitro IA vuelve a identificar la mínima dispersión semántica entre los resultados y extrae del sistema la solución óptima. Esta solución óptima y tentativamente disruptiva es la que el Árbitro IA identifica como resultado.

Consideraciones de riesgo y viabilidad operativa

La Optimización por Estrés Secuencial conlleva riesgos prácticos. Rechazar, digamos, el 70% de las respuestas más probables (nota 1) empuja a los agentes de IA hacia zonas de baja probabilidad, donde una respuesta errónea o una alucinación puede sostenerse con una consistencia lógica. El resultado puede verse completamente correcto sin serlo. Los agentes de IA también pueden aprender a disfrazar respuestas conocidas con lenguaje complejo para superar el filtro del Árbitro sin cambiar realmente la idea subyacente, por lo que el resultado de la primera fase de rechazo necesitará seguimiento humano para verificar su contenido.

También hay un costo asociado. Los ciclos repetidos de rechazo implican generación repetida, lo que añade latencia, consumo de tokens y costo de cómputo. Por esta razón, la OES no está pensada como método de uso general. Aplica a casos donde el valor de una mejor respuesta justifica el costo adicional: decisiones estratégicas o búsqueda de innovación, no tareas rutinarias.

Diagrama de flujo de la OES (o SSO) propuesto

Conclusion:

El enfoque OES conceptualiza la innovación como una carrera de relevos de rechazo secuencial, donde un Árbitro IA actúa como gestor de la fricción generada por el rechazo no crítico del contenido. En resumen, esto transforma la gestión de los sistemas de IA multiagente: el rol del usuario pasa de supervisar las respuestas a diseñar la fricción de la cual emerge el conocimiento. En este enfoque destaca la figura del Árbitro IA, cuyo rol está deliberadamente limitado, ya que no es ni un agente creativo ni un juez de calidad del contenido. Ahí reside la posibilidad de que surja algo inesperado, de que la IA rompa con lo previsible y apunte a la solución más original, creativa o disruptiva.

Nota 1: La tasa de rechazo del 70 % es un valor de referencia arbitrario establecido aquí para ilustrar el procedimiento. En la práctica, este umbral es un parámetro que debe ajustarse en función del costo computacional y la calidad de la solución. Puede ajustarse dinámicamente por el usuario o de forma adaptativa por el Árbitro IA (opción seleccionable por el usuario), si el costo supera el beneficio de la optimización (por ejemplo, cuando disminuye el diferencial semántico). Un análisis detallado del ajuste del rechazo y sus resultados escapa al alcance de este artículo y se abordará en una publicación futura.

Declaración de transparencia: el autor reconoce el uso de Inteligencia Artificial (IA) como herramienta de apoyo durante el proceso de investigación, estructuración de datos y optimización del contenido. El concepto central, la revisión final y el análisis crítico siguen siendo responsabilidad exclusiva del autor.

Versión en inglés: https://cewindow.blogspot.com/2026/06/induced-friction-between-ai-agents.html

El PM y la PMO Vigilantes: Cómo Mantener el Liderazgo Humano y la Soberanía Corporativa en la Era de la IA

La razón por la que la IA como copiloto estratégico no puede sustituir la figura del Gerente de Proyectos, y cómo la PMO debe construir un marco de trabajo que proteja tanto los datos como a los equipos humanos de la fría optimización.

El panorama de la gestión de proyectos está hoy saturado de narrativas que presentan a la inteligencia artificial como un reemplazo inevitable del Gerente de Proyectos (PM), o al menos como un sustituto de muchas de sus actividades clave. Maximizar la productividad del personal mediante la programación y los reportes automatizados tiene su valor, pero representa una comprensión superficial de la dinámica real de los proyectos.

La integración profunda de la IA introduce riesgos que ningún sistema automatizado puede resolver por sí solo: la amenaza creciente de una gestión gerencial fría basada solo en las alertas de la IA y el peligro, a más largo plazo, de la dependencia de proveedores de IA, o “vendor lock-in”. Atravesar esta transición exige reafirmar el valor del PM como filtro humano de primera línea, respaldado por una Oficina de Gestión de Proyectos (PMO) que actúe como capa de garantía de la soberanía corporativa.

1. El PM como Filtro de Primera Línea: el Contexto por Encima de la Optimización.

En un entorno asistido por IA, la responsabilidad principal del PM se desplaza de la gestión de datos a su validación contextual. El PM se convierte en la primera línea de defensa entre el resultado analítico crudo de la IA y el equipo del proyecto.

Filtros operativos del PM:

Validar las alertas automatizadas: La IA es excelente para detectar patrones, tasas de finalización de tareas, tiempos de respuesta de correos, entre otros ejemplos. Pero cuando marca una desviación como riesgo de desempeño o de retraso, no tiene idea de por qué ocurrió esa desviación. Detener esa alerta antes de que llegue al equipo y contrastarla con lo que realmente está pasando es trabajo del PM.

El filtro de contexto: Supongamos que la IA marca a alguien de un equipo de trabajo como de bajo rendimiento. Puede que esa persona esté enfrentando un problema técnico no documentado que nadie registró, o esté dedicando cierto tiempo a entrenamiento o soporte de un ingeniero junior, cosas que ningún sistema de control rastrea. El trabajo del PM es considerar eso antes de que la métrica se convierta en un juicio.

Proteger la dinámica del equipo: Este es el núcleo del rol del PM en un entorno asistido por IA: evitar que las decisiones del PM se deslicen hacia la optimización fría, en la que las personas se convierten en variables de un tablero en lugar de colegas con circunstancias propias. Las observaciones de la IA son útiles como disparador, como algo que vale la pena discutir. No son una decisión.

Protección contra el ruido de la IA y el sesgo histórico: A medida que la IA genera escenarios predictivos y sus actualizaciones continuas, el PM actúa como un escudo contra la fatiga por alertas causada por el ruido analítico constante. Además, dado que los modelos de IA se entrenan con datos históricos que podrían contener disfunciones operativas pasadas, como líneas base excesivamente agresivas, el PM debe filtrar estas referencias históricas para evitar que cualquier proyecto en curso se vea perjudicado por parámetros de referencia tóxicos.

Lo arriba descrito exige un nuevo conjunto de habilidades blandas por parte del gerente de proyectos: cuestionar datos que provienen de una fuente autorizada y el ejercicio de un escepticismo saludable. Una alerta de IA es una señal que indica al PM dónde mirar, no qué concluir. El juicio del PM debe preceder a la acción.

2.  La PMO como Capa de Garantía: La Gobernanza Estratégica.

Mientras el PM gestiona las interacciones humanas del día a día, puede carecer de la autoridad organizacional para cuestionar las recomendaciones de una IA institucionalizada internamente o la forma en que esta gestiona los datos que utiliza. La PMO debe intervenir para institucionalizar y proteger los límites centrados en lo humano que establece el PM.

Salvaguardas estratégicas del PMO:

Establecer límites para la medición: La PMO crea las reglas formales de uso de la tecnología dentro de la empresa. Define cómo puede emplearse la información recopilada por la IA de gestión de proyectos, prohibiendo explícitamente que las métricas automatizadas se vinculen a evaluaciones de desempeño formales o a decisiones de Recursos Humanos sin una revisión humana previa.

Respaldar la autoridad humana: En organizaciones motorizadas por datos, la alta dirección tiende a tratar los pronósticos automatizados como hechos en lugar de estimaciones. La PMO actúa como amortiguador institucional, respaldando la capacidad del PM de anular las proyecciones de la IA con evaluaciones cualitativas del equipo de trabajo.

Auditorías de cumplimiento: La PMO vigila la salud general del proyecto. Si la rotación de personal se dispara o aparece fricción en una área específica, la PMO revisa si el liderazgo del proyecto se está apoyando demasiado en recomendaciones automatizadas sin aplicar el filtro humano.

3. Asegurar la Soberanía Corporativa: el Plano del Multiproveedor

La gestión centrada en lo humano no puede existir si la propia organización está atrapada por un proveedor de IA. El trabajo de la PMO consiste en construir una arquitectura en la que los modelos comerciales de IA sean utilidades intercambiables, no socios de los que el negocio no pueda prescindir.

Arquitectura empresarial para la IA:

La amenaza de datos cautivos: Cuando una empresa alimenta sus registros históricos de proyectos y lecciones aprendidas, sus reportes de riesgo propietarios y sus metodologías operativas a una nube cerrada y de un solo proveedor de IA, arriesga a perder su independencia operativa. Si ese proveedor sube los precios o cambia sus términos de cumplimiento, la organización no puede simplemente marcharse: su inteligencia institucional queda cautiva dentro de ese proveedor.

La capa de IA agnóstica como escudo: La PMO Soberana exige una separación estricta entre los datos corporativos y los modelos de IA que los procesan. Implementando una Capa de IA Independiente del Proveedor (Vendor-Agnostic AI Layer), tal como una arquitectura de RAG Agnóstico, por ejemplo, mantiene los datos empresariales dentro de los muros de la compañía, haciéndolos pasar por un software puente o intermediario independiente (independent middleware), en lugar de alojarlos en los servidores del proveedor de IA.

El interruptor de apagado operativo: Un proveedor de IA puede fallarle a la organización de distintas maneras: una interrupción prolongada, un cambio repentino en los términos de servicio o una brecha de seguridad. Sea cual sea la causa, la PMO conserva la capacidad de desconectar ese modelo y activar una alternativa comercial o de código abierto que corra en una infraestructura propia. El PM de primera línea y sus equipos de trabajo siguen progresando sin interrupción, aislados de la volatilidad externa del proveedor.

Resumen: Minimización del riesgo con la IA

Este enfoque por capas transforma la gestión centrada en las personas de una aspiración corporativa a un modelo de gobernanza predecible y estructurado.

Si se define al PM como el filtro operativo y a la PMO como el guardián estratégico, la organización motorizada con la IA alcanza el balance ideal y convierte a la IA en lo que debería ser: un motor poderoso de análisis predictivo y estratégico, integrado en un marco controlado por personas. En este esquema operativo para la integración estratégica de la IA, el PM aporta el contexto, la PMO garantiza la seguridad del sistema. La soberanía sobre los datos, las personas y el trabajo permanece donde corresponde: en la organización.

Declaración de transparencia: el autor reconoce el uso de Inteligencia Artificial (IA) como herramienta de apoyo durante el proceso de investigación, estructuración de datos y optimización del contenido. El concepto central, la revisión final y el análisis crítico siguen siendo responsabilidad exclusiva del autor.

Versión en inglés: https://cewindow.blogspot.com/2026/06/the-vigilant-pm-and-pmo-maintaining.html

Cuando la IA es copiloto estratégico: El nuevo rol de la PMO Soberana

Hacia un modelo gerencial con IA integrada y con una PMO de apoyo vigilante que garantice la seguridad, evite la dependencia de proveedores y promueva el altruismo eficaz en la gestión de proyectos.

La gestión de proyectos está cambiando. Ya no se trata solo de usar inteligencia artificial para automatizar tareas simples. Hoy, la gerencia de proyectos puede utilizar la IA como un aliado estratégico: puede analizar patrones de comportamiento, anticipar el agotamiento (burnout) en los equipos de trabajo o detectar señales tempranas de insatisfacción del cliente.

Estos beneficios son evidentes. Sin embargo, este uso avanzado genera una dependencia. Si un gerente de proyecto toma decisiones basadas en un proveedor externo de IA, la organización asume riesgos reales: cambios en precios unilaterales del proveedor, modificaciones en los términos de servicio o interrupciones del suministro por motivos técnicos, comerciales u otros.

Es precisamente este uso estratégico de la IA el que demanda un nuevo rol para la Oficina de Gestión de Proyectos (PMO). La PMO debe actuar como un “Apoyo Vigilante”: responsable de garantizar la continuidad operativa, la gobernanza adecuada, la seguridad corporativa y la soberanía de los datos frente a los proveedores tecnológicos.

Para lograrlo, la PMO se sustentaría en tres pilares prácticos:

1. Supervisión de la gestión predictiva centrada en las personas. 

En planteamiento aquí es que la IA puede detectar, por ejemplo, anomalías conductuales en los equipos de trabajo o en la relación con el cliente, riesgos operativos no visualizados, etc., pero de las respuestas o acciones correctivas no serán de la IA, estas deben ser humanas. El gerente, en lugar de esperar a que un problema derive en un conflicto o en la salida de un miembro del equipo de trabajo, puede utilizar los datos de la IA para identificar tensiones antes de que se agraven.  Aquí la PMO vigilante actúa como garante de que este enfoque humano sea la vía regular.

Por ejemplo, si la IA detecta cambios en los patrones de comunicación o retrasos inusuales en las tareas, el gerente interviene con acciones concretas: ajustar cargas de trabajo, mejorar la comunicación entre áreas o redefinir alcances. La tecnología tiene como objetivo proteger al equipo y al cliente, no controlarlos. La PMO verifica periódicamente que esto se esté llevando a cabo.

2. Garantizar la independencia tecnológica.

Depender de un único proveedor es un riesgo que la PMO debe gestionar activamente. La solución consiste en implementar una arquitectura donde los datos que procesa la IA para la gestión de un proyecto estén separados del modelo de IA que los procesa. 

En la práctica, esto significa que la información del proyecto (lecciones aprendidas, registros de riesgos, normas internas) se almacena en un entorno controlado por la empresa. La capa que conecta estos datos con la IA es independiente. Si el proveedor actual cambia sus condiciones o deja de funcionar, la PMO puede cambiar el modelo de IA (por ejemplo, a una solución de código abierto alojada localmente) sin que el gerente del proyecto tenga que modificar su forma de trabajar. Se apunta con esto a lo conocido como IA RAG Agnóstica, Generación Aumentada por Recuperación con Agnosticismo Tecnológico que, en palabras llanas, es: una IA que no depende de un único proveedor, modelo de lenguaje (LLM) o base de datos, evitando así el “vendor lock-in”.  La soberanía que brinda la PMO es, simplemente, brindar a gerencia de un proyecto la capacidad de cambiar de proveedor IA sin interrumpir el proyecto.

3. Visión a largo plazo y prevención de riesgos, como fundamentos del Altruismo Eficaz ante la IA.

La PMO debe aplicar un enfoque pragmático a la estrategia tecnológica, reconociendo que la IA tiene limitaciones y no siempre puede explicar cómo llega a una conclusión.

Por ello, establece reglas claras de gobernanza: las decisiones críticas sobre alcance, presupuesto o riesgos no se delegan completamente a la IA. Se asignan recursos no solo para implementar nuevas herramientas, sino también para respaldarlas, auditar sus resultados y mantener al equipo capacitado para cuestionar las recomendaciones automatizadas. Se prioriza la estabilidad del proyecto sobre la novedad tecnológica, aplicando un criterio de prevención de daños a largo plazo.

El Altruismo Eficaz sirve de marco de referencia, ya que este enfoque evalúa cómo las decisiones actuales con IA impactan el futuro a gran escala, asegurando la mitigación de los riesgos intrínsecos con el uso extendido de la IA.

 Conclusión:

Usar la IA como aliado estratégico requiere madurez en la gestión de la gerencia de proyectos. La ventaja competitiva no radica en tener la herramienta más avanzada, sino en contar con una PMO que asegure un uso responsable de la tecnología. Como apoyo vigilante, la PMO garantiza que la IA contribuya a los objetivos gerenciales y de la organización, protegiendo tanto a las personas como a la empresa de dependencias innecesarias.

Declaración de transparencia: El autor reconoce el uso de Inteligencia Artificial (IA) como herramienta de asistencia durante el proceso de investigación, la estructuración de datos y la optimización del contenido. El concepto base, la revisión final y el análisis crítico son responsabilidad del autor.

Inteligencia Artificial y Sistemas Cuánticos

 

 

La convergencia de la Inteligencia Artificial (IA) y los Sistemas Cuánticos (SC) es actualmente una de las áreas de investigación más activas, con resultados publicados y verificables. Esta convergencia ha progresado hacia la sinergia entre ambos campos, con dos direcciones definidas: la primera, donde la Inteligencia Artificial como herramienta ayuda a controlar y optimizar Sistemas Cuánticos reales, y la segunda, donde los Sistemas Cuánticos como herramientas de cómputo ayudan a progresar la Inteligencia Artificial. Ambas direcciones presentan avances concretos y limitaciones igualmente concretas, que este documento intenta describir sin recurrir a técnicismos ni a extrapolaciones sin fundamento.

I. Primer enfoque: La Inteligencia Artificial (IA) como herramienta de ayuda a los Sistemas Cuánticos (SC).

Aquí nos encontramos, entre otras, con lo siguiente:

1. Inteligencia Artificial y Computadores Cuánticos (IA+SC).

Los sistemas cuánticos experimentales implican funcionalidades físicas extremadamente complejas y precisas, dicho esto de forma general, para evitar profundizar en la física cuántica, que está fuera del objetivo de esta publicación. En consecuencia, tratar de gestionar manualmente estas funcionalidades físicas, que además se entiende que son altamente sensibles al entorno, resulta muy poco factible. Esto se conoce, a grandes rasgos, como el problema de lograr el control cuántico óptimo.

Aquí resaltan los términos coherencia y decoherencia cuántica (lo opuesto), que simplificando se podría entender a la coherencia como el estado, extremadamente corto y sensible, en que una unidad de cómputo cuántico, conocida como qubit, mantiene información válida, útil o coherente. Por lo tanto, cualquier protocolo cuántico debe ejecutarse dentro de su lapso de coherencia, y es aquí donde entran las capacidades de la IA: La IA optimiza operaciones dentro del tiempo de coherencia, ayudando en calibración, en el control adaptativo y en la mitigación de errores  en tiempo real. En esencia, la IA actúa como un sistema de control que mantiene el delicado estado cuántico necesario para que las computadoras cuánticas funcionen de forma fiable.

2. Efectos Zeno y anti-Zeno cuánticos (1,2)

El efecto Zeno cuántico es real y está documentado y se fundamenta en el hecho de que la medición, con una frecuencia suficientemente alta, de un estado en un sistema cuántico promueve la supresión de sus transiciones hacia otros estados. Su contraparte, el efecto Anti-Zeno, también está verificada: existe un régimen de frecuencias intermedias en el que las mediciones aceleran la tasa de transición entre estados cuánticos, en lugar de suprimirla.

El aprovechamiento actual del efecto Zeno apunta  a caracterizar el ruido que afecta a un qubit y mediante ello, con las capacidades ultrarrápidas de la IA, lograr las calibraciones de procesadores cuánticos.

La IA interviene aquí con algoritmos y redes neuronales recurrentes que aceleran todo lo que involucra la actividad de medición, reduciendo el tiempo de calibración de horas a minutos. 

II. Segundo enfoque: los Sistemas Cuánticos (SC) como soporte para Inteligencias Artificiales (IA) avanzadas.

La relación entre la Computación Cuántica y la Inteligencia Artificial es un escenario aún muy teórico, con poca experimentación, pero muy prometedor, y ya dispone de referencias prácticas emergentes (3,4). No encontramos aquí también con el campo emergente conocido como Quantum Machine Learning o QML, y es una de las sinergias tecnológicas más profundas en este momento.

Esta convergencia IA más SC tiende por ahora hacia estas vertientes:

1. Procesamiento paralelo exponencial producto de las propiedades cuánticas de superposición y entrelazamiento. Con esto, se permitiría entrenar modelos de IA con volúmenes de variables y dimensiones que colapsarían la memoria de cualquier supercomputadora clásica. Una IA cuántica podría evaluar miles de escenarios de datos simultáneamente. 

2. Optimización Combinatoria Hiper rápida. Aquí nos encontramos con el desarrollo de algoritmos cuánticos o algoritmos de optimización, que permitirían reducciones importantes en los tiempos de entrenamiento de la IA. 

3. Reconocimiento de Patrones Ocultos. Aquí estame ante el planteamiento de que las computadoras cuánticas en teoría serían excepcionalmente capaces de identificar correlaciones complejas, gracias al entrelazamiento cuántico, donde el estado de una partícula altera instantáneamente a otra, y debido a esto, una IA cuántica podría detectar patrones o vulnerabilidades informáticas, con aplicaciones revolucionarias en criptografía y ciberseguridad. Tema de gran importancia que además, representa una amenaza potencial para la seguridad de todo el entorno informático actual.

4. Sistemas Híbridos. Aquí asistimos al hardware cuántico intermedio, donde las computadoras clásicas manejarán la interfaz y el procesamiento básico, y envían la carga pesada de cálculo e interpretación a un coprocesador cuántico para que las resuelva en una fracción de tiempo.

Resumen:

La intersección actual entre IA y la física cuántica produce valor real en campos verificables: el control óptimo de qubits mediante el aprendizaje por refuerzo y la calibración del ruido cuántico. En estos casos, la IA opera como herramienta que optimiza los parámetros que actúan sobre los sistemas cuánticos utilizando instrumentos físicos convencionales.

Nota del autor: Contenido desarrollado con aporte de Inteligencia Artificial en búsqueda de data, su estructuración y análisis general.

Referencias:

1.       S. Greenfield, A. Kamal, and others. A unified picture for quantum Zeno and anti-Zeno effects- a review. (2025). Arxiv. Cornell University.

https://arxiv.org/abs/2506.12679

2.       A.G. Kofman,  G. Kurizki. Frequent observations accelerate decay: The anti-Zeno effect (2001), Arxiv. Cornell University.

https://arxiv.org/abs/quant-ph/0102002

3.       Google. Meet Willow, our state-of-the-art quantum chip (2024).

https://blog.google/technology/research/google-willow-quantum-chip/

4.       Google. M. Ivezic. Verifiable Quantum Advantage” on Willow Quantum Chip (2025).

https://postquantum.com/quantum-research/googles-quantum-advantage