Claude Code localiza un pitido con 40 cm de precisión

Un pitido, cinco dispositivos y un agente de código

Simon Willison tenía un problema doméstico que cualquiera reconocería: en el cuarto de las cajas de su casa algo empezó a pitar de forma intermitente. Los pitidos estaban tan separados entre sí que pararse en la habitación a escuchar era frustrante, y desarmar cada caja no era una opción. En lugar de eso, le pidió a Claude Code que construyera Beep Locator, un sistema para triangular el origen del sonido con varios dispositivos repartidos por la habitación.

El sistema ubicó el pitido con un margen de unos 40 centímetros. Willison excavó en esa pila concreta de cajas y encontró un detector de monóxido de carbono antiguo que pedía baterías nuevas. Para un founder, la anécdota es simpática; el método, en cambio, es material de trabajo.

Cómo funciona Beep Locator

La arquitectura es más simple de lo que parece. Un servidor web en Python coordina todo. Los dispositivos que escuchan —Willison usó dos iPads, un teléfono, un MacBook Pro y una Surface Ultra— se conectan a ese servidor por WebSockets y abren una página que pide permiso para usar el micrófono del navegador vía WebAudio.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Cada escucha mantiene un búfer de 60 segundos de audio reciente y corre un detector propio que usa Fast Fourier Transform y un filtro pasa-altos para identificar posibles pitidos.

Cuando se reporta un pitido, el servidor hace que el dispositivo con menor tiempo de ida y vuelta emita un chirp corto. Después pide a cada escucha que suba un fragmento de audio que va desde 0,6 segundos antes del pitido hasta 0,8 segundos después del chirp. Ese chirp es la pieza clave: permite alinear los clips entre sí, que es el paso sin el cual la triangulación no funciona.

La parte más interesante es cómo resolvió el problema de saber dónde está cada dispositivo. Los aparatos se emiten sonidos entre ellos para estimar sus posiciones relativas, pero según Willison eso no funcionó particularmente bien. Así que agregó un modo rough: tú arrastras los iconos a una posición aproximada en el mapa y el sistema la ajusta con los sonidos.

Para validar que el invento servía, añadió un modo de palmadas: cada vez que aplaudía, el sonido aparecía en el mapa con un símbolo distinto al de los pitidos. Eso le dio confianza en que el sistema era capaz de localizar un sonido antes de confiar en él para el pitido real.

El resto es instrumentación fina: cada símbolo lleva su timestamp, el registro permite reproducir el audio de cada dispositivo en secuencia, y hay un botón para marcar este es el pitido misterioso, con el que el sistema aprende esa frecuencia y sigue buscándola. También hay un modo para reposicionar los dispositivos alrededor del punto detectado y afinar la ubicación, y el mapa sugiere dónde conviene colocar un escucha adicional según los datos acumulados.

La base teórica no es nueva: Claude encontró y leyó BeepBeep, un paper de 2007 de Chunyi Peng, Guobin Shen, Yongguang Zhang, Yanlin Li y Kun Tan sobre localización acústica de alta precisión con hardware comercial. El paper describe tres técnicas —sensado bidireccional, auto-grabación y conteo de muestras— que son exactamente el esqueleto del sistema.

Darle oídos a un agente: la idea que importa

Willison lo dice sin rodeos: lo más interesante del proyecto es que demostró que es posible darle oídos a Claude Code.

Claude no tiene entrada de audio nativa. Pero puede ejecutar código JavaScript y Python capaz de analizar el audio que captura un micrófono. La jugada fue montar un servidor con conexiones WebSocket a varios dispositivos, activar WebAudio en cada uno y dejar abierto un canal por el que enviarles código nuevo para ejecutar en caliente.

Ese detalle es el que hace viable el experimento. En varios dispositivos, una página que escucha el micrófono vuelve a pedir permiso cada vez que se recarga. Con el mecanismo de hot-swap —un método installModule() que se dispara por WebSocket— Willison podía desplegar código nuevo sin tocar cada aparato a mano. A partir de ahí, su trabajo fue sentarse frente al portátil y conversar con el agente sobre lo que estaba pasando.

El proyecto se armó con Claude Code Cloud desde un iPhone, con un modelo corriendo en modo de razonamiento extendido, y después pasó a probar una versión más nueva cuando se publicó. Willison menciona un caso parecido que le contaron en GitHub Universe: Martin Woodward depurando los ordenadores del badge del evento conectándolos por USB-C y apuntándoles una webcam, para que su agente de código pudiera ver si las actualizaciones funcionaban.

El patrón se repite: cuando el agente no puede percibir algo, se le construye un puente.

Qué dice el mercado de los agentes de código

El contexto ayuda a dimensionar por qué esto importa más allá del hobby.

La encuesta 2026 Developer Ecosystem Survey de JetBrains, con más de 15.000 desarrolladores profesionales y trabajo de campo entre mayo y julio de 2026, encontró que el 90% usa agentes de código en el trabajo al menos una vez por semana y el 68% los usa a diario. Claude Code pasó de un 18% de uso laboral en enero a cerca del 39% en ese período, y llegó al 47% en Estados Unidos. Codex, de OpenAI, subió del 3% al 16%. En el otro extremo, GitHub Copilot cayó del 29% al 21% y Cursor del 18% al 12%.

El dinero acompaña. Un informe de ResearchAndMarkets difundido por Yahoo Finance estima el mercado de asistentes de código en USD 4.600 millones en 2025, USD 9.800 millones en 2026 y USD 68.710 millones en 2036, con un crecimiento anual compuesto del 21,5%.

Pero hay una advertencia que todo founder debería leer. Una investigación de Fiona Chen y James Stratton, de Harvard, analizó 300 millones de eventos de trabajo de más de 700.000 empleados en más de 700 empresas entre 2021 y marzo de 2026. El resultado, reportado por Ars Technica: la adopción de agentes de código se asocia a un 30% más de líneas de código, 20% más de commits y 23% más de pull requests, pero sin cambios estadísticamente significativos en la resolución de issues y funcionalidades. El cuello de botella se movió a la revisión humana.

Ese contraste es la lección: generar más no es entregar más. Y es exactamente lo que hace valioso el caso de Beep Locator, donde el agente no se midió por volumen de código sino por un resultado verificable —encontrar el pitido— con una precisión concreta.

Qué significa esto para tu startup

1. Diseña el bucle de percepción antes que el prompt. Antes de pedirle a un agente que resuelva algo, pregúntate qué señal del mundo real necesita leer y cómo la vas a convertir en algo que pueda procesar. En Beep Locator esa señal era audio crudo; en tu negocio puede ser una captura de pantalla, un log, un webhook o el estado de un sensor. El agente no necesita ver: necesita un canal.

2. Copia el patrón de hot-swap. Un canal persistente por el que puedas enviar código nuevo a tus clientes sin reiniciarlos ahorra horas cuando hay permisos manuales, sesiones abiertas o dispositivos físicos de por medio. Si tu producto corre en el navegador del usuario o en hardware desplegado, esto no es un lujo.

3. Empieza con un modo rough. El sistema de Willison no exigía precisión: pedía posiciones aproximadas y las refinaba con el algoritmo. Aplicado a producto, significa aceptar datos sucios del usuario y mejorarlos internamente en lugar de bloquear la experiencia con formularios perfectos.

4. Haz la evidencia reproducible y confirmable. Poder reproducir el clip de cada dispositivo y marcar cuál es el sonido buscado convierte un sistema probabilístico en algo en lo que un humano confía. Si tu agente toma decisiones, dale al usuario una forma de ver la evidencia y confirmarla.

5. Mide resultados, no líneas de código. El estudio de Harvard es explícito: más código no es más software. Define la métrica de negocio antes de adoptar la herramienta y revisa si se movió.

Conclusión

Beep Locator no es un producto ni una plataforma: es un experimento casero que resolvió un problema real con una precisión de 40 centímetros. Su valor está en el patrón que deja al descubierto. Los agentes de código ya son rutina para la mayoría de los desarrolladores profesionales, y la ventaja competitiva se está corriendo de qué modelo uso a qué puede percibir mi agente y qué tan bien le doy de comer esa percepción.

La próxima vez que tu agente se quede corto, pregúntate si el problema es el modelo o si simplemente le falta un oído.