La secretaria con IA Liza Petrovna gasta $77 al mes: DeepSeek da el 88% de las respuestas

El autor del proyecto «Liza Petrovna», una secretaria con IA en Telegram y MAX, ha publicado en Habr cifras del servidor en producción. Desde el 30 de mayo, 118 personas han enviado al bot 8568 solicitudes. Los modelos de lenguaje de todos los agentes costaron $77 en los últimos 30 días. DeepSeek genera casi todas las respuestas: el 88%. Opus, el modelo caro, recibe cerca del 7% de las solicitudes, pero se lleva aproximadamente tres cuartas partes del presupuesto.

Cómo funciona la secretaria

Liza Petrovna actúa como despachadora. El usuario escribe en el mensajero y la secretaria decide a cuál de los agentes pasarle la tarea. El autor promete mostrar en la versión completa del artículo el código de selección de modelo y explicar la memoria basada en pgvector, es decir, la búsqueda vectorial dentro de Postgres. Del anuncio publicado se desprende lo esencial: el sistema no canaliza todas las solicitudes por un único modelo caro, sino que las reparte según su complejidad. El anuncio no da detalles del enrutamiento; habrá que leerlos en el original.

Otro detalle se refiere a las propias solicitudes. El calendario, lo que se suele asociar con una secretaria, representa menos del 5% de las consultas. Para qué usa la gente el 95% restante, el autor lo explica en el texto principal.

Dónde se va el dinero

Hagamos las cuentas con los datos publicados. $77 al mes son unos $2,6 al día. Tres cuartas partes del presupuesto, es decir, unos $58, se van a Opus. Para todo lo demás, incluido DeepSeek con su 88% de respuestas, quedan unos $19.

Si las cuotas de solicitudes y de gasto se calculan sobre la misma base, la estimación aproximada es que una solicitud media a Opus cuesta unas 40 veces más que una solicitud media al resto de modelos. Es una estimación a partir de los dos porcentajes del anuncio, no una cifra medida. Aun así, el orden de magnitud de la diferencia es revelador. El ahorro no viene de regatear el precio del token, sino de decidir qué solicitudes llegan siquiera al modelo caro.

Métricas clave del proyecto:

• período desde el 30 de mayo: 8568 solicitudes de 118 personas;
• gasto en LLM de todos los agentes en 30 días: $77;
• porcentaje de respuestas de DeepSeek: 88%;
• porcentaje de solicitudes a Opus: en torno al 7%, porcentaje del gasto: en torno al 75%;
• solicitudes sobre el calendario: menos del 5%;
• memoria: pgvector;
• canales: Telegram y MAX.

Qué se puede aprovechar

El caso tiene limitaciones. Son datos de un solo autor, con una audiencia de 118 personas, y no constituyen una comparación de calidad entre modelos. No permiten concluir que DeepSeek sustituya a Opus. Solo permiten concluir que, en un flujo real de solicitudes cotidianas, la mayoría de las respuestas no requiere el modelo caro.

Para quienes construyen agentes similares, esto se traduce en varios pasos prácticos:

• Calcule el costo por clases de solicitudes, no como promedio global. Una distribución como «7% de las solicitudes, 75% del dinero» es fácil de pasar por alto si solo se mira la factura total.
• Haga del modelo barato la opción por defecto y active el caro solo con una señal explícita de complejidad.
• Observe qué piden realmente los usuarios. Si el calendario ocupa menos del 5%, conviene optimizar otros escenarios.
• Para la memoria no es obligatorio montar una base de datos vectorial aparte. pgvector funciona en el Postgres de siempre y, a esta escala, basta.
• Documente los errores con honestidad. El autor analiza por separado dónde sigue fallando la secretaria, y una sección así es más útil que unas demos vistosas.

La presencia de MAX junto a Telegram también es una señal: los bots rusos salen cada vez más a varios mensajeros a la vez, y el enrutamiento de modelos se convierte en una capa común para todos los canales.