La modelización de la calidad del aire se ha convertido en un área estratégica dentro de la ciencia de datos, especialmente en contextos urbanos donde la contaminación exhibe una alta variabilidad y dinámicas no lineales. Este estudio proporciona una comparación matemática y computacional entre dos paradigmas predictivos: el modelo clásico de Memoria a Corto y Largo Plazo (LSTM), diseñado para el análisis secuencial de series temporales, y el modelo cuántico Máquina de Soporte Vectorial Cuántica (QSVM), basado en métodos de núcleo aplicados en espacios de Hilbert. Ambos enfoques se aplican a datos reales de concentración de PM2.5 recopilados en la estación de monitoreo de Plaza Castilla (Madrid) durante el período 2017-2024. El modelo LSTM demuestra una precisión moderada para tendencias estacionales suaves, pero muestra un rendimiento limitado en la detección de eventos de contaminación extrema. En contraste, el QSVM logra una clasificación binaria perfecta a través de un núcleo cuántico basado en codificación de ángulos, con un tiempo de entrenamiento y costo computacional significativamente más bajos. Más allá de los resultados empíricos, este trabajo destaca el creciente potencial de la Inteligencia Artificial Cuántica como un paradigma híbrido capaz de ampliar los límites de los modelos clásicos en tareas complejas de predicción ambiental. Las implicaciones apuntan hacia una prometedora transición hacia sistemas predictivos mejorados por la cuántica con el objetivo de avanzar en la sostenibilidad urbana.