Quantum Machine Learning (QML) verspricht, die Leistung künstlicher Intelligenz (KI) durch die Kombination von Quantencomputing und maschinellem Lernen drastisch zu steigern, insbesondere bei komplexen Problemen, an denen klassische Computer scheitern. Aktuell besteht jedoch eine erhebliche Lücke zwischen dieser theoretischen Vision und der praktischen Umsetzung. Experimentelle Quantencomputer sind noch fehleranfällig und verfügen über wenige Qubits, während die QML-Forschung auf praktische Herausforderungen stößt, die den erwarteten Geschwindigkeitsvorteil zunichtemachen könnten. Diese Probleme reichen vom effizienten Einlesen von Daten bis zum problematischen Auslesen der Ergebnisse, was die Frage aufwirft, wie Quantenalgorithmen und klassisches maschinelles Lernen effektiv zusammenarbeiten können, um KI tatsächlich zu beschleunigen.