Claude e Ollama ajudaram um vendedor da Ozon a processar certificados em um dia e recolocar 1.000 SKUs à venda

A Ozon começou a verificar certificados de facas antes que novos requisitos entrem em vigor, e para um vendedor isso terminou com o bloqueio de quase todo o sortimento. Em vez de meses de upload manual de documentos, ele montou um pipeline funcional com ajuda de Claude e Ollama que processou centenas de arquivos em um dia e ajudou a devolver mais de 1000 SKUs à venda.

Por que tudo parou

O autor do case vende facas na Ozon há mais de seis anos e descreve certificados de qualidade como uma dor constante. A plataforma mudava regularmente os requisitos: em alguns casos os documentos eram obrigatórios, em outros eram necessários apenas sob solicitação, e agora a Ozon decidiu se preparar antecipadamente para novas regras que entram em vigor em 1º de outubro de 2026. Em um dia, o marketplace bloqueou cerca de 1000 SKUs por falta de confirmações.

Anteriormente, o problema era resolvido manualmente: ir para a seção de certificados no Ozon Seller, fazer upload de um arquivo, depois anexá-lo aos produtos um a um. Para alguns anúncios isso é desagradável mas tolerável. Para mil SKUs, esse cenário se torna meses de trabalho monótono.

A situação era agravada pelo fato de que os documentos não eram armazenados em PDF, mas como imagens JPEG no Google Drive, então era impossível extrair rapidamente números de certificados, datas e SKUs deles usando ferramentas ordinárias.

Como montaram o pipeline

Para não queimar limites do modelo em nuvem com centenas de imagens, o autor moveu o reconhecimento para um modelo local qwen3-vl:8b via Ollama. Claude atuava como um navegador de engenharia nesse esquema: ajudando a projetar a arquitetura, escrevendo scripts, explicando os passos de lançamento e sugerindo como conectar OCR com a API do Ozon Seller. A simplificação chave veio após verificar a documentação: descobriu-se que as imagens não precisam ser publicadas via links ou hospedadas separadamente.

"A descoberta principal: a API da

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

Como resultado, o cenário funcional ficou assim:

• uma pasta local com certificados e anexos foi dividida em pares de arquivos;
• Ollama reconheceu números de certificados, datas e SKUs de imagens;
• o script enviou os arquivos para a Ozon via método de criação de certificado;
• uma solicitação separada obteve a correspondência de offer_id e product_id;
• o passo final vinculou certificados aos produtos e salvou um relatório CSV.

Onde tiveram que simplificar

O sistema não funcionou da primeira vez. No processo, descobriu-se que alguns certificados e anexos estavam vinculados pelo nome do arquivo, enquanto outros estavam apenas pelo número dentro do documento. Os nomes de arquivo continham erros de digitação, alguns certificados tinham SKUs no anexo, outros tinham diretamente na folha principal.

Tudo isso quebrou o cenário simples e forçou a lógica de processamento a ficar mais complexa, o que significava gastar mais tempo na execução e mais recursos do modelo local. Após várias iterações, o autor, junto com Claude, abandonou a automação muito complexa e simplificou a tarefa. Em vez de vincular com precisão cada produto dentro do certificado, foi decidido agrupar produtos por marca e passar um certificado para a Ozon junto com anexos, enquanto deixava parte da verificação para o marketplace.

Esse compromisso acelerou imediatamente o pipeline: segundo estimativa de Claude, o tempo de reconhecimento para 225 pares de arquivos e vários documentos multipágina foi reduzido de cerca de cinco ou mais horas para duas ou três. A corrida final confirmou que o esquema funciona não apenas em testes. Reconhecer 231 certificados levou 3 horas 23 minutos a uma taxa média de 52 segundos por documento.

O carregamento na Ozon levou mais 34 minutos. Apenas 3 certificados não conseguiram ser reconhecidos, o que é menos de 1,3% do volume total. Se a moderação passar com sucesso, o vendedor devolve mais de 1000 itens à venda e fecha a questão que teria levado meses antes.

O que isso significa

Este case demonstra bem o papel prático dos agentes de IA em operações rotineiras: Claude aqui não substituiu o modelo local, mas projetou o processo, ajudou a corrigir erros e levou um usuário sem habilidades de desenvolvimento a um resultado funcional. Para vendedores e pequenas equipes, isso é um sinal de que uma combinação de reconhecimento de visão local e automação de API já é capaz de resolver não tarefas de demonstração, mas tarefas operacionais.