Проблеми оптимізації є першою комерційною метою, зазначеною @quipnetwork, оскільки вони відповідають апаратному забезпеченню, яке вже існує, і зустрічаються у галузях, які вже витрачають гроші на солвери. Маршрутизація транспорту, планування виробництва, формування портфеля та певні підпрограми машинного навчання можна записати як квадратичні невизначені бінарні оптимізації або моделі Ізінга. Квантові анілятори роками позиціонувалися саме для цього класу задач; класичні MIP-солвери, евристичні методи та локальний пошук з прискоренням на GPU залишаються потужними базовими лініями. Децентралізований ринок не змінює основну математику. Він змінює закупівлю: замість зарезервованого виділення QPU або локального кластера користувач надсилає завдання та пропозицію і отримує підтверджений результат, якщо ринок очиститься. Тому вагома оцінка зосереджена на загальних витратах на обслуговування, включаючи накладні витрати на перевірку, витрати на переміщення даних та ризик того, що переможцем буде добре налаштований класичний метод, а не квантовий. Гібридні конвеєри, у яких квантовий пристрій пропонує кандидатів, а класичний пристрій їх полішує, відповідають заявленій архітектурі проекту.