請求書から始めよう。返品のAI画像検査は、その請求書を小さくすると約束する。1日500件の返品を扱う倉庫は、次のように支払っている。開梱し、外観を見て、機能をテストし、グレードを付け、システムに入力する。1点あたり平均四分。1人のグレーダーは1時間に約15台を処理するので、1日500台には33時間の労働が必要で、フルタイムのグレーダー約四人分にあたる。1か月では、賃金、手当、監督が、たった一度のミスも起きる前に、確かな金額になる。だから問題は、返品グレーディングのAI画像検査が印象的に聞こえるかどうかではない。問題は、その請求書を小さくするかどうかだ。

デモに心を躍らせる倉庫を、私はたくさん見てきた。カメラが写真を撮り、モデルがグレードA、再販可と判定し、みんながうなずく。うなずくのが早すぎる。返品のグレーディングは、実は見ることではなかった。見たあとに誰が責任を取るか、ということだ。モデルがグレードAと判定し、商品が出荷され、顧客が傷を見つけ、苦情、返金、悪いレビューが誰かの机に届く。モデルはその代金を払わない。人が払うのだ。だから本稿は、技術がどれほど賢いかという話ではない。お金の話だ。手作業のグレーディングが何にコストがかかり、ビジョンシステムが何にコストがかかり、その二つの間で仕事をどう分ければ損をしないか、という話だ。

手作業のグレーディングの真のコスト

広東省東莞市の返品倉庫を思い浮かべてほしい。2024年十一月、大セールの直後だ。電気ケトル、ヘアドライヤー、掃除機、1日で800台以上。六人のグレーダーが朝8時から夜9時まで働いた。600台を処理した。残りの200台は翌日に回った。あるグレーダーは、最も難しいのは見ることではないと言った。分からないことだ、と。3センチメートルの傷があるヘアドライヤー。グレードBかグレードCか。上司は自分の判断を使えと言った。二人いれば二通りの判断があり、同じバッチがまるまる一段違って出てくることもあった。

賃金は目に見える部分にすぎない。その下に三つの隠れた部分がある。第一に、不統一な基準が誤グレーディングを生む。グレードAの商品をグレードBとして売れば、1台ごとに損をし、グレードBの商品をグレードAとして出荷すれば苦情として戻ってきて、返金と返品送料が二倍かかる。第二に、繁忙期の滞留だ。返品が未グレーディングで置かれる日が一日あるごとに、その価値が凍結されたままになる。第三に、離職率だ。新人は一人前になるまで少なくとも二週間かかり、その二週間の誤グレーディングの代金は誰かが払う。

以下の数字は仮定の試算例で、コスト構造の形を示すものであり、実際の倉庫の帳簿ではない。1日500件の返品、年間250営業日と仮定する。

コスト項目 手作業のグレーディング(仮定の例) AI画像検査+人のレビュー(仮定の例)
グレーディングの人件費 グレーダー4人、年間の人件費総額約480,000元 レビュー担当者1人、年間約120,000元
設備とシステム 撮影ステーションとスキャナー、約20,000元 カメラ、照明、ステーション構築、システム料金、約180,000元
誤グレーディングによる損失 不統一な基準、年間約150,000元 モデル+人のレビュー、年間約60,000元
滞留と拘束される資金 処理が遅い、年間約80,000元 処理が速い、年間約20,000元
合計 年間約730,000元 年間約380,000元

数字は仮定のものだ。比率こそが要点だ。手作業のグレーディングでは、お金は人とミスにある。ビジョンシステムでは、設備とソフトウェアにある。節約の理屈が違うのは、お金が違う場所にあるからだ。

返品のAI画像検査のコストは三つのブロックからなる

もう一つの場面。2025年3月、浙江省のアパレルEC倉庫が、最大の返品の悩みであるダウンジャケットにビジョン装置を試した。タグはまだ付いているか。着用されたかどうか。汚れはあるか。グレーダーは襟、袖口を確認し、布のにおいまで嗅がなければならなかった。装置は六面を撮影し、モデルがグレードを付け、結果はWMSに書き戻された。最初の月、処理量は二倍以上になった。だが月が締まると、節約は予想より小さかった。なぜか。

返品グレーディングのAI画像検査のコストは三つのブロックからなり、ほとんどの倉庫は最初のブロックしか予算に入れていないからだ。

第一のブロックは、目に見える購入と設置だ。カメラ、照明、撮影ステーション、モデルの導入、WMSへの接続。一度支払い、すべての返品に割り振れば、量が多いほど計算は良くなる。1日100件ではほとんど割り振れない。1日1,000件では薄く広がる。

第二のブロックは、誰も予算に入れない継続コストだ。モデルにはメンテナンスが必要だ。グレーディング基準を変えれば再調整が必要になる。照明は劣化し、カメラが数ミリずれれば、写真とともにグレードがずれる。新製品が発売されれば、モデルはそのスタイルを見たことがなく、誰かがサンプルを与えなければならない。このお金は月々漏れ出していく。多くの倉庫は第一のブロックを元単位まで予算化し、第二には何も残さず、年末にはROIが崩れている。

第三のブロックは最も見落とされやすい。安全網としての人のレビューのコストだ。ビジョン検査は完全自動ではない。モデルが確信を持てないもの、グレードの境界に近いもの、苦情率の高い商品カテゴリーは、人がもう一度見なければならない。レビュー担当者はシステム全体のヒューズだ。レビュー率が、実際にどれだけ節約できるかを決める。10パーセントをレビューすれば大半が残る。50パーセントをレビューすれば大半がそのまま扉の外へ出ていく。その数字は、契約に署名する前に計算すること。後ではない。

ここが直感に反する部分だ。返品グレーディングのAI画像検査による最大の節約は、人を置き換えることではない。グレーディングの一貫性だ。手作業のグレーディングで最大のコストは賃金ではない。不統一な基準が引き起こす誤グレーディング、紛争、やり直しだ。人とまったく同じ速度でグレーディングするビジョンシステムでも、基準が安定し、結果が追跡可能なら、それ自体で元が取れる。誤グレーディングと苦情のコストが、節約した人件費以上に下がるからだ。だが人員だけで判断すれば、たいてい失敗する。カメラ、照明、メンテナンス、レビューの人件費を合わせると、数人のグレーダーとほぼ同じ金額になるからだ。

返品のAI画像検査を人とAIでどう分けるか

分担のルールは単純だ。AIには確実にできることをやらせ、人が答えられることだけを人にやらせる。

私は三層に分けたい。第一層はAIが単独で決める。商品は未使用に見え、タグは付いたままで、使用の形跡がなく、モデルが再販可とグレーディングし、結果をシステムに書き戻す。この層の割合が高いほど、回収は速くなる。第二層はAIが提案し、人が確認する。軽い傷、小さな汚れ、破損した包装、製品自体は無傷。モデルがグレードを提案し、人が一度目を通す。ここに作業の大半があり、レビュー割合は約15パーセント以下に保たなければならない。第三層は人が直接決める。高額商品、通電しての機能テストが必要なもの、モデルが見たことのない商品タイプ。AIは完全に抜く。完全自動化を無理強いすれば、節約分以上に誤グレーディングで損をする。

だから、計算できる結論はこうだ。上の表の仮定の例を使えば、1日500件の返品を扱う倉庫は、システムコスト約180,000元に対して年間約350,000元を節約する。回収期間はおよそ六か月だ。だがこの結論は三つの条件に依存し、一つでも欠ければ成り立たない。1日の返品量が少なくとも300件であること。これを下回ると設備とメンテナンスのコストが十分に薄まらない。AI単独の判断割合が少なくとも60パーセントであること。これを下回るとレビューの人件費が節約を食いつぶす。そして誤グレーディングによる損失が少なくとも半分に減ること。これがなければ、節約できるのは人件費だけだ。三つすべてを満たせば、そのお金は有効に使われる。一つでも欠ければ、まだ買うな。まず手作業のグレーディング基準ハンドブックを書くこと。それは、のちにどんなビジョンシステムも立つ土台だ。

Lao Zhou(物流コストアナリスト)著 英語版からの翻訳。内容に相違がある場合は英語版を優先します。