Les problèmes d'optimisation sont la première cible commerciale listée par @quipnetwork, car ils s'adaptent à du matériel déjà existant et apparaissent dans des industries qui dépensent déjà de l'argent pour des solveurs. Le routage de véhicules, l'ordonnancement d'usine, la construction de portefeuille et certaines sous-routines d'apprentissage automatique peuvent être formulés comme des optimisations binaires sans contraintes quadratiques ou des modèles Ising. Les annealeurs quantiques ont été commercialisés pendant des années pour exactement cette catégorie ; les solveurs MIP classiques, les heuristiques et la recherche locale accélérée par GPU restent des références solides. Un marché décentralisé ne modifie pas les fondements mathématiques sous-jacents. Il change la procuration : au lieu d'une allocation réservée de QPU ou d'un cluster sur site, un utilisateur soumet une tâche et une enchère, et reçoit une réponse vérifiée si le marché s'équilibre. Une évaluation pertinente se concentre donc sur le coût total de possession, incluant le surcoût de vérification, le coût de déplacement des données et le risque que le solveur gagnant soit une méthode classique bien optimisée plutôt qu'une méthode quantique. Les pipelines hybrides, dans lesquels un dispositif quantique propose des candidats et un dispositif classique les affine, sont cohérents avec l'architecture déclarée du projet.