AI Agent with Business Guardrails
Catalog Enrichment Agent
Um catálogo com milhares de itens não entra na plataforma pela porta da frente. Ele entra por uma planilha com descrição truncada, código do fornecedor no lugar do nome e uma pasta de fotos tiradas no balcão. O trabalho de transformar isso em catálogo que vende é real, é grande, e é o motivo pelo qual muito projeto digital B2B trava antes de ir ao ar.
O que é
O agente que transforma uma foto comum em item de catálogo pronto para vender. O pipeline tem 7 etapas, da foto à publicação por SKU, e passa por imagem profissional, ficha de produto e publicação no Product Catalog & MDM. É o agente que ataca o gargalo de entrada: o onboarding de catálogo em escala, que de outra forma consome semanas de trabalho manual e adia todo o resto do projeto.
A capacidade que ninguém replica
A foto do balcão vira imagem de catálogo, sem estúdio
Fundo tratado, enquadramento padronizado e a mesma apresentação para o item barato e para o item caro. O ganho não é estético: catálogo com padrão visual inconsistente ensina o comprador a desconfiar da parte que parece amadora, e ele desconfia do item, não da foto. Padronizar a apresentação é o que permite que milhares de SKUs convivam na mesma vitrine sem que uns derrubem os outros.
Pipeline por SKU, e não por lote que passa ou falha
As 7 etapas rodam item a item, então o catálogo entra em produção enquanto ainda está sendo enriquecido, e não depois que a última foto ficou pronta. Um SKU que emperra numa etapa é um SKU parado, não uma carga inteira parada. Numa operação que precisa abrir com o catálogo no ar, essa diferença define se o projeto entrega em ondas ou espera o fim.
As 7 etapas, e onde o humano entra
Gerar imagem por IA e propor título e descrição são ações reversíveis e de baixo risco, então elas rodam sozinhas: é a zona verde do Autonomy Gradient. Publicar o produto muda o que o comprador vê, e por isso a publicação é a etapa em que o agente propõe e o humano confirma. A regra que decide isso não é a posição da etapa no pipeline, é a consequência dela: o que se desfaz com um clique o agente faz, o que muda a vitrine ou o preço passa por gente. Onde a operação já confia no resultado, a faixa se ajusta na configuração, e a configuração é da empresa, não do agente.
Pipeline por SKU
Seis etapas o agente faz sozinho. A sétima, a publicação, passa por gente.
O Catalog Enrichment Agent trata foto, fundo, enquadramento, título, descrição e ficha na zona verde; publicar o SKU muda a vitrine, então fica na amarela, em que ele propõe e uma pessoa confirma.
Em escala: um SKU, muitos contextos
O mesmo ativo-base rende mais de uma saída. A partir da foto aprovada, o agente gera o produto em cenários e formatos diferentes, o que permite tratar contexto como decisão de quem vende: catálogo por tipo de loja, por região ou por perfil de comprador, e o formato que cada canal exige do mesmo produto. Porque a imagem nasce ligada ao SKU, o lote pode ser regenerado quando muda a estação, e uma correção se propaga para todos os lugares onde aquela imagem apareceu.
Quem produz não é só a central. O mesmo pipeline atende quem está na ponta, no celular, dentro do acervo e dos templates que a marca aprovou, com revisão humana onde o risco pede.
Da foto à aplicação: o dado que faz o produto certo aparecer
Vender por conversa depende de um dado técnico confiável: a medida, a norma, a unidade de venda e, no aftermarket, o veículo em que a peça serve. A aplicação de peças é o caso mais difícil, e o mais bagunçado. O fabricante grava o código da montadora sem o "A", sem zeros ou com ponto no meio. O mesmo modelo aparece classificado de cinco jeitos. O nome da montadora muda de um fabricante para outro. Isso quebra o PROCV e a automação simples.
O Catalog Enrichment Agent trata esse dado com agentes especializados, um por etapa. Um coordena o trabalho e volta etapas quando encontra falha. Outro valida cada resultado com busca por palavra exata e por significado, reranqueamento e grafo. Onde não há o que raciocinar, roda código comum; a IA entra só onde precisa pensar. E ela não inventa: aplicação sem ano informado pelo fabricante fica de fora. No fim, a validação é humana, por amostragem estatística. O mesmo método se aplica a outros dados técnicos do catálogo, como medidas, normas e unidade de venda.
27 dias em vez de 1 ano e 9 meses.
19 fabricantes, 1,83 milhão de linhas de aplicação e 45.052 SKUs, com auditoria humana em todos os fabricantes.
736.320 aplicações em 30 horas,
para um fabricante que não tinha nenhuma cadastrada; 579.064 validadas pelos agentes antes da revisão humana.
97% de precisão em 54 minutos,
sobre um PDF desorganizado de 43 páginas e 14.040 itens.
Medições da CWS Platform em projetos de clientes do aftermarket, 2026.
É esse dado que o Sales Copilot consulta quando o comprador pergunta, no WhatsApp, se o item atende ao que ele precisa.
Em operação
Circuito de Compras (CDC) · atacado de vestuário no Brás
Dentro do MayaApp CDC, o aplicativo white-label que atende os lojistas em cinco idiomas e aceita pagamento internacional, opera um agente de IA da CWS Platform para a catalogação e a curadoria de produto. É um caso qualitativo por decisão de liberação: contamos o mecanismo e a amplitude, não números. A personificação do agente, inclusive o nome pelo qual o lojista o chama, é decisão do cliente e não da plataforma.
Ler o caso Circuito de Compras →Perguntas frequentes
Preciso de estúdio fotográfico para usar o pipeline?
Não, e é esse o ponto de partida do agente. Ele foi feito para a foto que a operação já tem: a do balcão, com sombra e fundo de parede. O pipeline trata o fundo, padroniza o enquadramento e devolve uma imagem apresentável no mesmo padrão dos demais itens. Onde já existe foto de estúdio, ela entra no fluxo do mesmo jeito; o que o agente resolve é o caso em que ela não existe e não vai existir para milhares de itens.
O que acontece quando ele erra a ficha de um SKU?
O erro fica na etapa anterior à publicação, que é onde ele custa pouco. Gerar imagem, propor título e sugerir descrição são ações reversíveis, e por isso rodam sozinhas; publicar o SKU muda o que o comprador vê, e por isso passa por confirmação humana. Corrigir antes de publicar é revisão de rotina. A ordem das etapas existe para que o erro caia sempre do lado barato dessa linha.
Ele dá conta de um catálogo com milhares de itens?
É exatamente o problema para o qual ele existe. As 7 etapas rodam por SKU, e não por lote fechado, então o catálogo entra em ondas: os itens prontos vão ao ar enquanto o resto ainda está sendo enriquecido. Um item que emperra numa etapa é um item parado, não uma carga inteira parada, e a operação não fica esperando o último SKU para abrir a loja.
A IA pode cadastrar aplicação errada?
Pode errar, e por isso não publica sozinha. Cada lote passa por validação por amostragem, separada por linha, ano e código; se a amostra reprova, o lote inteiro volta. E o agente não completa o que o fabricante não informou: aplicação sem ano fica de fora.