Muchos algoritmos cuánticos para aprendizaje automático requieren acceso a datos clásicos en superposición. Sin embargo, para muchos conjuntos de datos naturales y algoritmos, la sobrecarga necesaria para cargar el conjunto de datos en superposición puede borrar cualquier posible aceleración cuántica sobre algoritmos clásicos. El trabajo reciente de Harrow presenta un nuevo paradigma en computación cuántica-clásica híbrida para abordar este problema, basándose en núcleos para minimizar la sobrecarga de carga de datos de los algoritmos cuánticos. Investigamos el uso de este paradigma para realizar agrupamiento de k-medias en computadoras cuánticas a corto plazo, al considerarlo como una instancia de optimización de QAOA sobre un pequeño núcleo. Utilizamos simulaciones numéricas para comparar el rendimiento de este enfoque con el agrupamiento de k-medias clásico. Pudimos encontrar conjuntos de datos en los que los núcleos funcionan bien en comparación con el muestreo aleatorio y donde QAOA podría potencialmente superar a k-medias estándar en un núcleo. Sin embargo, encontrar conjuntos de datos donde tanto los núcleos como QAOA funcionen bien, lo cual es necesario para una ventaja cuántica sobre k-medias en todo el conjunto de datos, parece ser un desafío.