Claude e Ollama ajudam vendedor da Ozon a processar certificados e recuperar 1000 SKUs em um dia

A Ozon começou a verificar com antecedência os certificados de facas, antes de as novas exigências entrarem em vigor, e para um vendedor isso terminou no bloqueio de quase todo o catálogo. Em vez de meses de envio manual de documentos, ele montou com Claude e Ollama um fluxo de trabalho que processou centenas de arquivos em um dia e ajudou a reativar mais de 1000 SKUs.

Por que tudo parou

O autor do caso vende facas na Ozon há mais de seis anos e descreve os certificados de qualidade como uma dor de cabeça constante. A plataforma mudava as exigências com frequência: em alguns casos os documentos eram obrigatórios, em outros só sob solicitação, e agora a Ozon decidiu se preparar com antecedência para as novas regras, que entram em vigor em 1º de outubro de 2026. Em um único dia, o marketplace bloqueou cerca de 1000 SKUs por falta das comprovações necessárias.

Antes, o problema se resolvia manualmente: entrar na seção de certificados do Ozon Seller, enviar um arquivo e depois vincular os produtos a ele um a um. Para poucos anúncios, é chato, mas tolerável. Para mil SKUs, vira meses de trabalho repetitivo. Piorava o fato de os documentos estarem guardados não em PDF, mas como imagens JPEG no Google Drive, então as ferramentas comuns não conseguiam extrair rapidamente números de certificado, datas e artigos.

Como o pipeline foi montado

Para não estourar os limites de um modelo na nuvem com centenas de imagens, o autor levou o reconhecimento para o modelo local qwen3-vl:8b, via Ollama. Nesse esquema, o Claude atuou como engenheiro-navegador: ajudou a projetar a arquitetura, escreveu os scripts, explicou os passos de execução e sugeriu como conectar o OCR à Ozon Seller API. A principal simplificação veio depois de consultar a documentação: descobriu-se que não era preciso publicar as imagens por links nem hospedá-las separadamente.

"A grande descoberta: a API da

Ozon aceita arquivos diretamente via multipart/form-data."

O fluxo de trabalho final ficou assim:

• uma pasta local com certificados e anexos era dividida em pares de arquivos;
• o Ollama reconhecia o número do certificado, as datas e os artigos a partir das imagens;
• um script enviava os próprios arquivos à Ozon pelo método de criação de certificado;
• uma requisição separada obtinha a correspondência entre offer_id e product_id;
• a etapa final vinculava os certificados aos produtos e salvava um relatório em CSV.

Onde foi preciso simplificar

O sistema não funcionou de primeira. No caminho, descobriu-se que parte dos certificados e anexos estava ligada pelo nome do arquivo e parte só pelo número dentro do documento. Os nomes tinham erros de digitação; em alguns certificados os artigos estavam no anexo, em outros, direto na folha principal. Isso quebrava o fluxo simples e obrigava a ampliar a lógica de processamento, o que significava mais tempo de execução e mais recursos do modelo local.

Após várias iterações, o autor e o Claude abandonaram uma automação complexa demais e simplificaram a tarefa. Em vez de vincular com precisão cada produto dentro do certificado, decidiram agrupar os produtos por marca e enviar à Ozon um certificado junto com seus anexos, deixando parte da verificação a cargo do marketplace. Esse compromisso acelerou o pipeline de imediato: pela estimativa do Claude, o tempo de reconhecimento de 225 pares de arquivos e de alguns documentos de várias páginas caiu de pouco mais de cinco horas para duas a três.

A execução final em produção confirmou que o esquema funciona além do teste. Reconhecer 231 certificados levou 3 horas e 23 minutos, com média de 52 segundos por documento. O envio à Ozon durou mais 34 minutos. Apenas 3 certificados não foram reconhecidos, menos de 1,3% do total. Se a moderação passar, o vendedor reativa mais de 1000 produtos e encerra uma tarefa que antes se arrastaria por meses.

O que isso significa

O caso mostra o papel prático dos agentes de IA em operações rotineiras: o Claude não substituiu o modelo local, mas projetou o processo, ajudou a corrigir erros e levou um usuário sem habilidades de programação a um resultado funcional. Para vendedores e equipes pequenas, é um sinal de que combinar reconhecimento visual local com automação via API já pode resolver tarefas operacionais reais, e não apenas demonstrações.