Bastidor: como entregamos plataforma white label de marketplace em 10 semanas

A operação rodava 6 marketplaces (ML, Shopee, Magalu, Amazon, B2W, AliExpress) com 3 ferramentas e 4 planilhas. Faturamento 7 dígitos por mês, time de 4 pessoas perdendo metade do dia recolocando dado. Overselling em 4%. Em 10 semanas, plataforma white label rodando, overselling abaixo de 0,3%, cadastro de SKU caindo de 12min pra 90s.

Esse é o post que conta como a gente fez. Stack, ordem de entrega, onde a IA economizou mais tempo, e o que NÃO funcionou.

Como entregamos: 5 sprints de 2 semanas

A entrega foi estruturada em sprints incrementais. Cada um deixava algo rodando em produção:

| Sprint | Escopo | Por que primeiro | |--------|--------|------------------| | 1 | Camada de integração ML + Shopee + sincronização básica | 2 marketplaces principais cobrem 70% do volume | | 2 | Painel unificado de pedidos + roteamento por canal | Resolve a "onde tá esse pedido" — dor #1 | | 3 | Magalu + Amazon + lock otimista anti-overselling | Cobre 95% do volume + para o sangramento | | 4 | B2W + AliExpress + camada de IA pra precificação | Cobertura completa + 1ª camada de IA | | 5 | Geração de copy/imagem por SKU + handover | Multiplicação de produtividade + handover |

Cada sprint terminava com algo no ar e cliente operando. Sem big bang. Se a gente tivesse parado no sprint 3, já valia o investimento.

Stack escolhida (e por quê)

• Next.js (App Router) — server components reduzem JS no client em ~60% comparado a SPA tradicional. Painel responde rápido mesmo com 5k pedidos abertos.
• Postgres — joins relacionais em pedidos × SKU × marketplace foram triviais. Não precisamos de NoSQL.
• AWS Lambda + EventBridge — ETL e webhooks rodam em event-driven. Custo proporcional ao volume.
• Inngest — orquestração de jobs longos (sincronização batch, retentativa de webhook que falhou). Mais barato e mais legível que Step Functions.
• Claude API — precificação dinâmica e geração de copy/imagem.
• shadcn/ui + Tailwind — componente pronto e customizável. Build velocity 2x maior que partir do zero.

A regra de ouro: cada peça da stack tinha uma boa razão tangível. Nenhuma escolha por hype.

Onde a IA mais economizou tempo (e onde não)

Isso é o que mais nos perguntam. A resposta honesta:

Onde a IA brilhou

• Boilerplate de integração com cada marketplace. Cada API tem suas peculiaridades. Claude Code escreveu o cliente HTTP, parsers de payload, tipos TypeScript a partir da doc oficial. Estimativa: 60% mais rápido.
• Geração de copy/imagem por SKU. 200 SKUs/dia processados via Claude. Antes era 5/dia manual. Multiplicação real de 40x.
• Test cases adversariais. "Gera 30 cenários onde o webhook do marketplace pode chegar mal-formado". Salvou bugs que entrariam em produção.

Onde a IA NÃO ajudou (ou atrapalhou)

• Decisão de arquitetura. Pedir pro Claude "qual a melhor forma de orquestrar webhook" gerou resposta genérica. Decisão arquitetural exige contexto profundo do negócio.
• Lock otimista anti-overselling. Nuance de race condition + transação no Postgres. Tentamos 3 vezes deixar IA fazer, sempre saiu com bug sutil. No fim, escrevemos manual em 40min.
• Migração de dados legados. Cada planilha do cliente tinha seu padrão. IA acerta 80%, os outros 20% destroem confiança no sistema. Tem que ser revisado linha a linha.

A regra que aprendemos: IA é mestre em volume e padrão, ruim em decisão e edge case crítico.

O que NÃO funcionou na primeira tentativa

Documentar erro também é case study:

• Sprint 1 entregou painel sem auth multi-tenant. Cliente era operação branca, mas a gente sabia que iria white label. Custou meio sprint refazer schema.
• Camada de IA pra precificação foi muito agressiva no início. Caiu margem em alguns SKUs. Voltamos pra modelo mais conservador com guard-rails de margem mínima.
• Geração automática de copy gerou descrição ruim em SKU técnico. Componente médico, peça automotiva: precisa de revisão humana. Adicionamos pipeline de aprovação.

Resultados em produção

8 meses depois da primeira release:

• Overselling: 4% → menos de 0,3%
• Tempo de cadastro de SKU: 12min → 90s
• 6 operações ativas usando a plataforma
• Recompra: cliente assinou Operação contínua
• Lifetime de implementação: +R$ 36k/mês recuperados (estimativa cliente)

Como replicar isso na sua operação

O método tá nos 5 sprints. Se você gerencia 3+ canais de venda, tem dor semelhante e quer entender se faz sentido pra sua operação, agenda Diagnóstico. Em 60min mapeamos onde IA mais paga ROI no seu caso específico.