Claude et Ollama ont aidé un vendeur Ozon à traiter des certificats en une journée et à remettre 1 000 SKU en vente
Ozon a bloqué près de mille SKU d’un vendeur à cause des certificats de qualité. Au lieu de plusieurs mois de travail manuel, le vendeur a monté un pipeline ave

Ozon заранее начал проверять сертификаты на ножи перед вступлением новых требований в силу, и для одного продавца это закончилось блокировкой почти всего ассортимента. Вместо месяцев ручной загрузки документов он собрал с помощью Claude и Ollama рабочий конвейер, который за день обработал сотни файлов и помог вернуть к продаже более 1000 SKU.
Почему все встало
Автор кейса продаёт ножи на Ozon больше шести лет и описывает сертификаты качества как постоянную боль. Платформа регулярно меняла требования: где-то документы были обязательны, где-то нужны только по запросу, а теперь Ozon решил заранее готовиться к новым правилам, которые вступают в силу 1 октября 2026 года. В один день маркетплейс заблокировал около 1000 SKU из-за отсутствия нужных подтверждений.
Раньше проблема решалась вручную: зайти в раздел сертификатов в Ozon Seller, загрузить файл, потом поштучно привязать к нему товары. Для нескольких карточек это неприятно, но терпимо. Для тысячи SKU такой сценарий превращается в месяцы однообразной работы.
Ситуацию ухудшало и то, что документы хранились не в PDF, а в виде JPEG-картинок на Google Drive, поэтому быстро вытащить из них номера сертификатов, даты и артикулы обычными инструментами не получалось.
Как собрали пайплайн
Чтобы не сжечь лимиты облачной модели на сотнях изображений, автор вынес распознавание на локальную модель qwen3-vl:8b через Ollama. Claude в этой схеме выступал как инженер-навигатор: помогал придумать архитектуру, писал скрипты, объяснял шаги запуска и подсказывал, как связать OCR с Ozon Seller API. Ключевое упрощение пришло после проверки документации: оказалось, что изображения не нужно публиковать по ссылкам или отдельно хостить.
«Главное открытие: Ozon API принимает файлы напрямую через multipart/form-data».
В итоге рабочий сценарий выглядел так: локальная папка с сертификатами и приложениями разбиралась на пары файлов; Ollama распознавала номер сертификата, даты и артикулы из изображений; скрипт загружал сами файлы в Ozon через метод создания сертификата; отдельный запрос получал соответствие offer_id и product_id; * финальный шаг привязывал сертификаты к товарам и сохранял CSV-отчёт.
Где пришлось упростить С первого раза система не заработала.
В процессе выяснилось, что часть сертификатов и приложений связаны по названию файла, а часть — только по номеру внутри документа. В названиях встречались опечатки, у некоторых сертификатов артикулы были в приложении, у других — прямо на основном листе. Всё это ломало простой сценарий и заставляло наращивать логику обработки, а значит — тратить больше времени на прогон и больше ресурсов локальной модели.
После нескольких итераций автор вместе с Claude отказался от слишком сложной автоматизации и упростил задачу. Вместо точной привязки каждого товара внутри сертификата было решено группировать товары по бренду и передавать в Ozon один сертификат вместе с приложениями, а часть проверки оставить на стороне маркетплейса. Такой компромисс сразу ускорил конвейер: по оценке Claude, время распознавания для 225 пар файлов и нескольких многостраничных документов сократилось примерно с пяти с лишним часов до двух-трёх.
Финальный боевой прогон подтвердил, что схема работает не только в тесте. Распознавание 231 сертификата заняло 3 часа 23 минуты со средней скоростью 52 секунды на документ. Загрузка в Ozon длилась ещё 34 минуты.
Не удалось распознать только 3 сертификата, то есть меньше 1,3% от общего объёма. Если модерация проходит успешно, продавец возвращает в продажу более 1000 товаров и закрывает задачу, которая раньше растянулась бы на месяцы.
Что это значит
Этот кейс хорошо показывает практическую роль AI-агентов в рутинных операциях: Claude здесь не заменял локальную модель, а проектировал процесс, помогал чинить ошибки и довёл пользователя без навыков разработки до рабочего результата. Для селлеров и небольших команд это сигнал, что связка из локального vision-распознавания и API-автоматизации уже способна решать не демонстрационные, а вполне операционные задачи.