Secretária de IA Liza Petrovna gasta $77 por mês: DeepSeek responde 88% das requisições

O autor do projeto «Liza Petrovna», uma secretária de IA no Telegram e no MAX, publicou no Habr os números do servidor em produção. Desde 30 de maio, 118 pessoas enviaram 8568 requisições ao bot. Os modelos de linguagem de todos os agentes custaram $77 nos últimos 30 dias. Quase todas as respostas, 88%, vêm do DeepSeek. O Opus, modelo mais caro, recebe cerca de 7% das requisições, mas consome aproximadamente três quartos do orçamento.

Como a secretária funciona

Liza Petrovna atua como uma despachante. O usuário escreve no mensageiro, e a secretária decide para qual agente encaminhar a tarefa. O autor promete mostrar, na versão completa do artigo, o código de escolha do modelo e detalhar a memória em pgvector, isto é, a busca vetorial dentro do Postgres. O anúncio publicado deixa claro o principal: o sistema não manda todas as requisições para um único modelo caro, e sim as distribui por nível de complexidade. O anúncio não traz detalhes do roteamento, que só estão no texto original.

Outro detalhe diz respeito às próprias requisições. O calendário, que normalmente se associa a uma secretária, responde por menos de 5% das solicitações. O que as pessoas fazem nos outros 95% o autor revela no texto principal.

Para onde vai o dinheiro

Fazendo as contas com os dados publicados: $77 por mês dão cerca de $2,6 por dia. Três quartos do orçamento, algo em torno de $58, vão para o Opus. Para todo o resto, incluindo o DeepSeek com seus 88% das respostas, sobram cerca de $19.

Se as parcelas de requisições e de gastos forem calculadas sobre a mesma base, chega-se a uma estimativa grosseira: a requisição média ao Opus sai cerca de 40 vezes mais cara do que a requisição média aos demais modelos. É uma estimativa feita a partir de dois percentuais do anúncio, não um valor medido. Ainda assim, a ordem de grandeza da diferença é reveladora. A economia não vem de negociar o preço do token, e sim de decidir quais requisições chegam ao modelo caro.

Principais métricas do projeto:

• período desde 30 de maio: 8568 requisições de 118 pessoas;
• gasto com LLMs de todos os agentes em 30 dias: $77;
• parcela das respostas do DeepSeek: 88%;
• parcela das requisições ao Opus: cerca de 7%, parcela dos gastos: cerca de 75%;
• requisições sobre calendário: menos de 5%;
• memória: pgvector;
• canais: Telegram e MAX.

O que dá para aproveitar

O caso tem limitações. São dados de um único autor, com uma audiência de 118 pessoas, e não constituem uma comparação de qualidade entre modelos. Deles não se pode concluir que o DeepSeek substitui o Opus. Só se pode concluir que, em um fluxo real de requisições cotidianas, a maioria das respostas não exige o modelo caro.

Para quem constrói agentes parecidos, isso se resume a alguns passos práticos:

• Calcule o custo por classe de requisição, não pela média geral. Uma distribuição como «7% das requisições, 75% do dinheiro» passa facilmente despercebida se você olha só a fatura total.
• Faça do modelo barato a escolha padrão e acione o caro só diante de um sinal explícito de complexidade.
• Veja o que os usuários realmente pedem. Se o calendário ocupa menos de 5%, vale otimizar outros cenários.
• Para a memória, não é obrigatório montar um banco vetorial separado. O pgvector funciona dentro do já conhecido Postgres, e nessa escala isso basta.
• Registre os erros com honestidade. O autor analisa à parte onde a secretária ainda erra, e uma seção assim é mais útil do que demos bonitas.

A presença do MAX ao lado do Telegram também é um sinal: os bots russos chegam cada vez mais a vários mensageiros ao mesmo tempo, e o roteamento de modelos acaba sendo uma camada comum a todos os canais.