Saya membayar Anthropic US$1,892.38 selama 13 bulan. Itu adalah Claude Code Max seharga $200 per bulan, ditambah $20-100 lagi untuk Codex dari OpenAI. Kalau digabung, sekitar $200 sampai $300 setiap bulan hanya untuk perkakas AI.
Saya membatalkan Claude Max pada bulan April. Saya menulis tentang itu — beberapa kali. Setiap tulisan adalah upaya jujur untuk mencari tahu pengaturan yang tepat, seiring alat-alat ini terus berubah di bawah kaki saya.
Dua bulan lalu, saya benar-benar berhenti menggunakan dua alat sekaligus. Saya beralih ke satu model saja — DeepSeek V4 Pro dengan High Thinking — melalui satu coding agent. Inilah yang sebenarnya terjadi.
June: $57.01. July: $33.09.
Tagihan DeepSeek saya bulan Juni: 4,1 miliar token diproses, total $57.01.
Juli: 2,1 miliar token, $33.09. Penurunan ini sebagian karena saya menyelesaikan proyek lokalisasi besar-besaran pada bulan Juni dan sebagian lagi karena saya semakin mahir dalam prompt engineering — prompt yang lebih pendek, lebih sedikit pengulangan, kualitas output tetap sama.
Total dua bulan: $90.10. Ini kurang dari setengah yang saya bayar untuk satu bulan Claude Max. Kurang dari sepertiga jika ditambah langganan Codex.
Pertanyaan langsung yang muncul dari semua orang ketika Anda memangkas biaya hingga 75% adalah: "Apa Anda jadi melambat?" Inilah jawabannya.
786 Commits. 4 Products. Zero Slowdown.
Saya melacak pekerjaan saya melalui git. Bukan metrik produktivitas yang sempurna — jumlah baris tidak berarti, dan satu commit bisa mewakili apa saja dari perbaikan salah ketik hingga migrasi basis data. Tapi secara arah, ia memberi tahu sesuatu yang nyata.
Antara 1 Juni dan 31 Juli 2026, di empat produk yang saya kelola:
-
DIALOGUE (platform podcast): 382 commit. Meluncurkan jaringan podcast Piala Dunia dalam 6 bahasa dengan publikasi otomatis ke YouTube, Spotify, dan Apple Podcasts. Membangun kalender konten SEO 41 postingan selama 8 minggu. Menjalankan kerangka evaluasi pipa penuh dengan 40 episode dan juri LLM yang menilai 7 dimensi per episode.
-
chandlernguyen.com (situs ini + Ask Sydney): 168 commit. Melokalkan penuh kursus profesional 7 modul saya ke dalam bahasa Jepang — setiap video, dek slide, template, dan panduan pendamping. Membangun kerangka evaluasi 30 pertanyaan untuk Ask Sydney dengan checkpointing, penilaian LLM sebagai juri, dan pengambilan langsung dari Supabase. Merombak prompt sistem Sydney sepanjang 8.000 karakter dari awal. Mendesain ulang alur editorial halaman utama.
-
Prova (pelatih pembangun AI): 228 commit. Merilis urutan kurikulum terpadu di tiga persona. Membangun pengalaman native iPad dengan pola master-detail dan drag-and-drop. Menambahkan sinkronisasi draf lintas perangkat. Membangun jalur reset berbasis brief dengan logika carry-forward.
-
STRAŦUM (intelijen pemasaran): 8 commit. Periode tenang — sinkronisasi dok, pembaruan dependensi, perbaikan SSO Apple. Kadang tidak merilis adalah keputusan yang tepat.
Saya tidak melambat. Bahkan, saya berakselerasi — 786 commit dalam dua bulan adalah rentang paling produktif sejak saya mulai membangun secara publik pada tahun 2023.
The Model: DeepSeek V4 Pro with High Thinking
Model yang saya gunakan bukan opsi termurah DeepSeek. V4 Flash seharga $0.14 per juta token input (cache miss) dan $0.28 per juta output. Saya menggunakan versi Pro — $0.435 per juta input, $0.87 per juta output — dengan mode High Thinking diaktifkan. Bukan konfigurasi termurah. Tapi ketika total tagihan hanya $33 sebulan, saya terlalu malas untuk ganti :D
Saya akan mulai lebih sering menggunakan Flash mulai sekarang. Tapi ini memberi tahu Anda sesuatu tentang psikologi alat yang murah: ketika biayanya cukup rendah, Anda berhenti mengoptimalkan. Anda tinggal membangun.
The Cache Multiplier Nobody Talks About
Inilah bagian yang paling penting, dan yang membuat angka-angka di atas menjadi mungkin.
OpenCode, agen coding yang saya gunakan, mempertahankan cache prompt DeepSeek. Tingkat cache hit saya berjalan di 90-95%+. Itu benar-benar mengubah ekonomi:
| Jenis token | Harga per 1M token |
|---|---|
| Input (cache miss) | $0.435 |
| Input (cache hit) | $0.003625 |
| Output | $0.87 |
Token input cache-hit harganya 120 kali lebih murah daripada token cache-miss. Pada cache hit 90%+, biaya input efektif Anda hanyalah kesalahan pembulatan. Sebagian besar yang Anda bayar adalah output — kode yang benar-benar dihasilkan, respons yang sebenarnya. Itulah arsitektur yang memungkinkan tagihan $33/bulan dengan penggunaan berat.
Tanpa cache, 4,1 miliar token input pada $0.435/M akan menghabiskan sekitar $1.780 — hanya untuk bulan Juni. Dengan cache hit 95%, biaya input efektif turun menjadi kira-kira $7. Modelnya murah. Cache-nya membuatnya gratis.
What Quality Looks Like at This Price
Pertanyaan jujurnya: apakah DeepSeek V4 Pro menghasilkan kualitas yang sama dengan yang saya dapatkan dari kombinasi Claude Max $200/bulan + Codex?
Jawabannya: tergantung pada apa yang Anda ukur, tapi untuk beban kerja saya, celahnya kecil dan semakin mengecil.
Untuk tugas coding: OpenCode + DeepSeek menangani rentang pekerjaan yang sama seperti yang saya lakukan dengan Claude Code dan Codex — TypeScript, React, Next.js, FastAPI, Python, Swift, migrasi basis data, konfigurasi YAML, skrip shell. Perbedaan efisiensi token yang saya perhatikan dengan Codex (sekitar 3x lebih sedikit token daripada Claude untuk pekerjaan setara, seperti yang saya sebutkan di postingan Maret saya) juga berlaku di sini dalam cara yang berbeda — DeepSeek lebih ringkas. Anda mendapat lebih sedikit komentar, lebih banyak kode.
Untuk tugas menulis: Saya menggunakan model DeepSeek yang sama untuk menulis — postingan blog, konten kursus, prompt sistem — langsung di OpenCode. Siklus penyuntingannya berbeda dari yang biasa saya alami dengan Claude. Gaya default Claude lebih halus; DeepSeek lebih langsung. Tidak ada yang lebih baik. Anda hanya menyesuaikan prompt.
Untuk evaluasi Sydney: Setelah mengganti Ask Sydney ke DeepSeek, saya menjalankan evaluasi 30 pertanyaan dengan juri LLM. Hasilnya: kualitas pengambilan tidak berubah, akurasi kutipan rata-rata 4,2/5, dan voice fidelity — seberapa baik Sydney terdengar seperti saya — mendapat skor 4,4/5. Wha