Commençons par la facture. L'inspection visuelle par IA pour les retours promet de la réduire. Un entrepôt qui traite 500 retours par jour paie ainsi : déballer, regarder l'extérieur, tester la fonction, attribuer une note, la saisir dans le système. Quatre minutes par pièce, en moyenne. Un classeur traite environ 15 unités par heure, donc 500 unités par jour demandent 33 heures de travail, soit environ quatre classeurs à temps plein. Sur un mois, salaires, avantages sociaux et supervision s'additionnent en argent réel, avant la moindre erreur. La question n'est donc pas de savoir si l'inspection visuelle par IA pour le classement des retours semble impressionnante. La question est de savoir si elle rend cette facture plus petite.

J'ai vu bien des entrepôts s'enthousiasmer devant la démonstration. Une caméra prend une photo, le modèle l'appelle Grade A, revendable, et tout le monde acquiesce. On acquiesce trop tôt. Classer un retour n'a jamais vraiment été une question de voir. C'est une question de savoir qui assume la responsabilité une fois qu'on a vu. Le modèle l'appelle Grade A, l'article est expédié, le client trouve une rayure, et la réclamation, le remboursement et le mauvais avis atterrissent sur le bureau de quelqu'un. Le modèle ne paie pas pour cela. Une personne, oui. Cet article ne parle donc pas de l'ingéniosité de la technologie. Il parle d'argent : ce que coûte le classement manuel, ce que coûte un système de vision, et comment répartir le travail entre les deux sans perdre d'argent.

Ce que coûte vraiment le classement manuel

Imaginez un entrepôt de retours à Dongguan, dans le Guangdong, en novembre 2024, juste après la grande vente : bouilloires électriques, sèche-cheveux, aspirateurs, plus de 800 unités en une seule journée. Six classeurs ont travaillé de 8 heures du matin à 9 heures du soir. Ils en ont traité 600. Les 200 autres ont été reportées au lendemain. Un classeur m'a dit que le plus difficile n'était pas de regarder. C'était de ne pas savoir. Un sèche-cheveux avec une rayure de 3 centimètres : Grade B ou Grade C ? Le superviseur a dit d'utiliser son jugement. Deux personnes, deux jugements différents, et le même lot pouvait ressortir avec un niveau complet d'écart.

Les salaires ne sont que la partie visible. Trois parties cachées se trouvent en dessous. Premièrement, des critères incohérents produisent des erreurs de classement : un article Grade A vendu comme Grade B perd de l'argent sur chaque unité, et un article Grade B expédié comme Grade A revient sous forme de réclamation, le remboursement et le fret de retour coûtant le double. Deuxièmement, l'arriéré de haute saison : chaque jour où un retour reste non classé est un jour où sa valeur reste gelée. Troisièmement, le turnover : un nouvel employé a besoin d'au moins deux semaines pour monter en compétence, et quelqu'un paie les erreurs de classement pendant ces deux semaines.

Les chiffres ci-dessous sont un exemple hypothétique travaillé, qui montre la forme de la structure des coûts, et non les comptes d'un entrepôt réel. Supposez 500 retours par jour et 250 jours ouvrés par an :

Poste de coût Classement manuel (exemple hypothétique) Inspection visuelle par IA + révision humaine (exemple hypothétique)
Main-d'œuvre de classement 4 classeurs, environ 480,000 yuans/an de coût total de main-d'œuvre 1 opérateur de révision, environ 120,000 yuans/an
Équipements et systèmes Station photo et scanners, environ 20,000 yuans Caméras, éclairage, aménagement de la station et frais de système, environ 180,000 yuans
Pertes dues aux erreurs de classement Critères incohérents, environ 150,000 yuans/an Modèle plus révision humaine, environ 60,000 yuans/an
Arriéré et capital immobilisé Rotation lente, environ 80,000 yuans/an Traitement plus rapide, environ 20,000 yuans/an
Total Environ 730,000 yuans/an Environ 380,000 yuans/an

Les chiffres sont hypothétiques ; les proportions sont l'essentiel. Dans le classement manuel, l'argent est dans les personnes et les erreurs. Dans un système de vision, il est dans les équipements et les logiciels. La logique d'économie est différente parce que l'argent vit à des endroits différents.

Le coût de l'inspection visuelle par IA pour les retours se divise en trois blocs

Une deuxième scène. En mars 2025, un entrepôt de commerce électronique de vêtements dans le Zhejiang a essayé un système de vision sur son plus gros casse-tête de retours : une doudoune. Étiquette encore attachée ? Portée ou non ? Des taches ? Les classeurs devaient vérifier le col, les poignets, et même sentir le tissu. Le système a photographié six côtés, le modèle a attribué une note, et le résultat a été renvoyé dans le WMS. Au cours du premier mois, le débit a plus que doublé. Mais à la clôture du mois, les économies étaient plus faibles que prévu. Pourquoi ?

Parce que le coût de l'inspection visuelle par IA pour le classement des retours se divise en trois blocs, et que la plupart des entrepôts ne budgétisent que le premier.

Le premier bloc est l'achat et l'installation visibles : caméras, éclairage, station photo, déploiement du modèle et connexion au WMS. On paie une fois, on répartit sur chaque retour, et le calcul s'améliore à mesure que le volume augmente. À 100 retours par jour, cela se répartit à peine ; à 1,000 par jour, cela se répartit finement.

Le deuxième bloc est le coût récurrent que personne ne met au budget : le modèle a besoin de maintenance. Changez la norme de classement et il faut le réajuster. Les lumières vieillissent, une caméra se décale de quelques millimètres, et les notes dérivent avec les photos. Un nouveau produit est lancé, le modèle n'a jamais vu ce style, et quelqu'un doit lui fournir des échantillons. Cet argent s'échappe mois après mois. Bien des entrepôts budgétisent le premier bloc au yuan près, ne laissent rien pour le deuxième, et en fin d'année le ROI s'est effondré.

Le troisième bloc est le plus facile à négliger : le coût de la révision humaine comme filet de sécurité. L'inspection par vision n'est pas entièrement automatique. Tout ce dont le modèle n'est pas sûr, tout ce qui est proche d'une limite de note, toute catégorie de produit avec un taux de réclamation élevé, une personne doit le regarder à nouveau. L'opérateur de révision est le fusible de tout le système. Le taux de révision décide de ce que vous économisez réellement : révisez 10 pour cent et vous en gardez la plus grande partie ; révisez 50 pour cent et la plus grande partie repart directement par la porte. Calculez ce chiffre avant de signer le contrat, pas après.

Voici la partie contre-intuitive. La plus grande économie de l'inspection visuelle par IA pour le classement des retours n'est pas de remplacer des personnes. C'est la cohérence du classement. Le coût le plus important du classement manuel n'est pas les salaires. Ce sont les erreurs de classement, les litiges et les reprises causés par des critères incohérents. Un système de vision qui classe exactement à la même vitesse qu'une personne se rentabilise quand même si sa norme est stable et ses résultats traçables, parce que les coûts d'erreurs de classement et de réclamations baissent davantage que le travail économisé. Mais si on le juge sur l'effectif seul, il échoue généralement, parce que les caméras, l'éclairage, la maintenance et le travail de révision coûtent ensemble à peu près autant que quelques classeurs.

Comment répartir l'inspection visuelle par IA pour les retours entre les personnes et l'IA

La règle de répartition est simple : laissez l'IA faire ce qu'elle fait de manière fiable, et laissez les personnes faire ce que seule une personne peut assumer.

Je le diviserais en trois niveaux. Niveau un, l'IA décide seule : l'article semble intact, les étiquettes intactes, aucun signe d'utilisation, et le modèle le classe revendable et renvoie le résultat dans le système. Plus la part de ce niveau est élevée, plus le retour sur investissement est rapide. Niveau deux, l'IA propose et une personne confirme : rayures légères, taches mineures, emballage endommagé, produit intact. Le modèle suggère une note et une personne y jette un coup d'œil. C'est là que se trouve la majeure partie du travail, et la part de révision doit rester inférieure à environ 15 pour cent. Niveau trois, les personnes décident directement : articles de grande valeur, tout ce qui nécessite un test de fonction sous tension, types de produits que le modèle n'a jamais vus. Sautez entièrement l'IA ; forcer l'automatisation complète coûte plus en erreurs de classement qu'elle n'économise.

Voici donc une conclusion calculable. En utilisant l'exemple hypothétique du tableau ci-dessus, un entrepôt traitant 500 retours par jour économise environ 350,000 yuans par an pour un coût de système d'environ 180,000 yuans : une période de retour sur investissement d'environ six mois. Mais cette conclusion repose sur trois conditions, et elle échoue si l'une d'elles manque : un volume quotidien de retours d'au moins 300 unités, en dessous duquel les coûts d'équipement et de maintenance ne se répartissent pas assez finement ; une part de décisions prises par l'IA seule d'au moins 60 pour cent, en dessous de laquelle le travail de révision dévore les économies ; et des pertes dues aux erreurs de classement réduites d'au moins moitié, sans quoi la seule économie est la main-d'œuvre. Remplissez les trois et l'argent est bien dépensé. Manquez-en une et n'achetez pas encore. Rédigez d'abord le manuel des normes de classement manuel. C'est la base sur laquelle reposera plus tard tout système de vision.

Par Lao Zhou, Analyste des coûts logistiques Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.