Un secretario de IA por $77 al mes: 88% de las respuestas de DeepSeek, 77% del dinero para Opus

En seis meses, 118 usuarios enviaron 8568 consultas a Liza Petrovna. El bot vive en Telegram y MAX, entiende texto, voz y fotos, y responde por sí mismo o delega en un médico, un abogado, un navegante, un diseñador. La memoria es unificada: el contexto no se pierde entre agentes, entre días ni entre mensajerías.

En los últimos 30 días, 2500 respuestas costaron $77 en total. De ese monto, $51 corresponden al propio secretario y el resto a los especialistas. Lo clave: el 7% de las consultas va a Claude Opus y consume el 77% del presupuesto ($39). Una sola respuesta de Opus cuesta lo mismo que 50 respuestas de DeepSeek.

Enrutamiento en lugar de inteligencia

Por defecto, Liza responde con DeepSeek. Solo recurre a Opus si hay un disparador. El primero: una regla regex sobre palabras clave de complejidad —"analiza", "calcula", "planifica", "desglosa", "piénsalo bien", "explica en detalle". El segundo: un mensaje con un contexto de más de 2500 caracteres (la persona está atascada y quiere una buena respuesta).

La búsqueda web mediante su propia instancia de SearXNG está disponible para todos los modelos, así que no es motivo de escalado. Una expresión regular en lugar de un clasificador basado en modelo: es totalmente visible, se puede probar y explicar. Un clasificador añadiría latencia y costo a cada respuesta solo para decidir sobre ese 7%.

Los modelos en cifras

Tabla de 30 días (2500 respuestas):

• DeepSeek (texto + visión): 88%, $0.002-0.007 por respuesta, 2.5-12 seg • Claude Opus 5: 7%, $0.21-0.24 por respuesta, 18-38 seg • Claude Haiku 4.5: 2.4%, $0.006 por respuesta, 43 seg • GLM 5.2 (experimental): 2.2%, $0.026 por respuesta, 5 seg

Presupuesto total: $51 al mes. Opus se lleva $39 de eso. El esquema completo se resume así: económico por defecto, caro solo en raras ocasiones.

Qué preguntan realmente las personas

Se clasificaron las 8568 consultas por lotes con DeepSeek. El 21% resultaron ser mensajes de relleno como "dale" o "¿estás ahí?". Quedaron 6796 tareas reales por temática:

• Analizar una foto, documento o captura de pantalla — 19.6%
• Crear una imagen, video o diseño — 12.5%
• Computadora, IT, configuración — 9.2%
• Buscar un dato, noticia o referencia — 9.1%
• Dinero, negocios, trabajo — 7.1%
• Equipos, autos, aviación — 6.9%
• Salud — 6.2%
• Preguntas legales y trámites gubernamentales — 5.6%
• Charlar, consejos de vida — 5.0%
• Escribir o traducir texto — 4.9%
• Calendario y recordatorios — 4.7%
• Viajes, lugares, restaurantes — 4.7%
• Estudios, idiomas, deporte — 2.5%
• Familia, hogar, vida doméstica — 2.1%

Un secretario de IA que es cualquier cosa menos un secretario: el calendario y los recordatorios suman apenas el 4.7%. Una de cada cinco tareas implica una foto; sin visión, el bot perdería su caso de uso principal. Se pide imágenes y video 2.5 veces más que texto.

Errores y protección

Liza confunde fotos dentro de un contexto largo, aferrándose a la imagen anterior. Ahora, cada mensaje nuevo se marca con === NUEVO MENSAJE. También se equivoca con las fechas, sin entender "hoy" sin una sustitución explícita, y detecta mal el idioma, dando aparentemente más peso a los metadatos que al texto en sí.

Está protegida contra ataques: rechaza inyección de prompts en ruso y en base64, no cree en reclamos de rol de administrador, no registra reglas artificiales inventadas y se niega a inventar leyes que no existen.

La memoria corre sobre pgvector: una búsqueda híbrida por semántica y coincidencia de palabras, con una mediana de 17 ms. Los embeddings los calcula un servicio local con deepvk/USER2-small, así que la respuesta no espera por él; si el servicio falla, la búsqueda sigue funcionando por palabras. Cada persona tiene su propia memoria: 7933 episodios de 97 personas, todos vectorizados. Los identificadores de terceros se eliminan del texto. Al borrar a un usuario se borra también su historial.

Liza es gratuita: t.me/LizaPetrovna_bot.