La computación cuántica ha demostrado destacarse en problemas de factorización y búsquedas desordenadas debido a su capacidad de paralelismo cuántico. Esta característica única permite una aceleración exponencial en la resolución de ciertos problemas. Sin embargo, esta ventaja no se aplica universalmente, y surgen desafíos al combinar la computación clásica y cuántica para lograr aceleración en la velocidad de cálculo. Este documento tiene como objetivo abordar estos desafíos explorando el estado actual del aprendizaje automático cuántico y comparando el rendimiento de algoritmos cuánticos y clásicos en términos de precisión. Específicamente, realizamos experimentos con tres conjuntos de datos para clasificación binaria, implementando los algoritmos de Máquina de Vectores de Soporte (SVM) y SVM Cuántico (QSVM). Nuestros hallazgos sugieren que el algoritmo QSVM supera al SVM clásico en conjuntos de datos complejos, y la brecha de rendimiento entre modelos cuánticos y clásicos aumenta con la complejidad del conjunto de datos, ya que los modelos simples tienden a sobreajustarse con conjuntos de datos complejos. Aunque aún queda un largo camino por recorrer en términos de desarrollar hardware cuántico con recursos suficientes, el aprendizaje automático cuántico tiene un gran potencial en áreas como el aprendizaje no supervisado y modelos generativos. En el futuro, se necesitan más esfuerzos para explorar nuevos modelos de aprendizaje cuántico que puedan aprovechar el poder de la mecánica cuántica para superar las limitaciones del aprendizaje automático clásico.