先算一笔账:一个日均处理 500 件退货的仓,人工判定成色,一件退货从开箱、看外观、试功能、定等级到写进系统,全程平均要花 4 分钟。换成 AI 视觉质检做退货成色判定,这笔钱到底省不省得下来?先别急着点头,这账得分开算。按一个判定员一小时能看 15 件算,一天 500 件要 33 个工时,差不多 4 个全职判定员。一个月下来,工资、社保、管理成本加在一起,判定这一件事就烧掉大几万。
我见过不少仓,一听说 AI 视觉质检能看成色,眼睛就亮了。亮得太早了。成色判定这个活,难的从来不是"看",是"看完之后谁负责"。一台相机拍一张图,模型说这是 A 级可再售,货发出去客户发现划痕,投诉、退款、差评,这笔损失算谁的?算模型的?模型不赔钱。最后还是人兜底。所以这篇不聊技术多厉害,只聊一件事:退货成色判定这笔账,人工和 AI 各自多少钱,分工怎么分才不亏。
先算人工判定的真实成本
先看一个场景。2024 年 11 月,广东东莞一家做小家电的品牌商退货仓,大促刚过,退货像潮水一样回来。一天 800 多件,电水壶、吹风机、吸尘器,什么都有。仓里 6 个判定员,从早上 8 点干到晚上 9 点,中间只歇一小时。当天只清了 600 件,剩下 200 件堆在待判区,第二天继续压。判定员小张跟我说,最累的不是看,是"拿不准":一台吹风机外壳有一道 3 厘米的划痕,算 B 级还是 C 级?问主管,主管说"看着办"。两个人标准不一样,同一批货分级结果能差出一个档。
这就是人工判定的真实成本结构。工资只是看得见的那一块。看不见的有三块:第一,标准不统一带来的分级错判。A 级货当 B 级卖,一件少卖几十块;B 级货当 A 级发,客户投诉一单,退款加运费,损失翻倍。第二,旺季压单。退货积压一天,资金就多占一天,翻新、再售的节奏全被拖慢。第三,人员流动。判定员是个熟练活,新人上手至少两周,这两周的错判率谁来买单?
以下数字是假设算例,用来示意成本结构,不是某个仓的真实账本。按日均 500 件、一年 250 个工作日算:
| 成本项 | 人工判定(假设算例) | AI 视觉质检 + 人工复核(假设算例) |
|---|---|---|
| 判定人力 | 4 名判定员,全年人力成本约 48 万 | 1 名复核员,全年人力成本约 12 万 |
| 设备与系统 | 拍照工位、扫码枪等,约 2 万 | 相机、灯光、工位改造与系统年费,约 18 万 |
| 分级错判损失 | 标准不一,年损失约 15 万 | 模型加人工复核,年损失约 6 万 |
| 旺季积压与周转 | 压单导致资金占用,年约 8 万 | 处理速度提升,年约 2 万 |
| 合计 | 约 73 万/年 | 约 38 万/年 |
表里的数字是假设算例,比例关系才是重点:人工判定的钱,大头在人和错判上;AI 视觉质检的钱,大头在设备和系统上。两边的钱花的地方不一样,省钱的逻辑也就不一样。
AI 视觉质检的账,要拆成三块算
第二个场景。2025 年 3 月,浙江一家做服饰的电商仓,退货里最多的是一件羽绒服:吊牌在不在、有没有穿过、有没有污渍,判定员要翻领口、看袖口、闻味道。仓里试了一套视觉检测方案:相机拍六个面,模型判定成色等级,系统自动回写 WMS。上线第一个月,数据看着不错,处理速度翻了一倍多。但月底一盘账,省的钱没有想象中多。为什么?
因为 AI 视觉质检的账要拆成三块算,很多人只算了第一块。
第一块是看得见的采购和部署:相机、灯光、拍照工位、模型部署、和 WMS 的对接。这笔钱一次付清,摊到每件退货上,量越大越划算。日均 100 件的仓摊不薄,日均 1000 件的仓摊下来就很薄。量,是第一块账的分水岭。
第二块是看不见的持续成本:模型要维护,判定标准变了要重新调;灯光老化、相机移位,拍出来的图一变,判定结果就跟着飘;新品一上,模型没见过这个款,又得补样本。这块钱不像采购那样一次付清,是每个月、每个季度都在流的小钱。很多仓做预算的时候只算第一块,第二块一分没留,年底一算,ROI 全乱了。
第三块是最容易被忽略的:人工复核兜底的成本。视觉检测不是全自动,模型拿不准的、接近分级边界的、客户投诉高发品类,都得人再看一遍。复核员不是摆设,是整套方案的保险丝。复核比例定多少,直接决定省多少钱:复核 10%,省得多;复核 50%,省的钱大半又还回去了。这笔账,签合同之前就得算清楚。
反常识的判断来了:AI 视觉质检最大的省钱点,不在"替代人工",在"判定一致性"。人工判定最大的成本不是工资,是标准不统一造成的错判和纠纷。一套视觉系统,哪怕判定速度和人工一样,只要标准稳定、结果可追溯,错判损失和客诉成本降下来的那一块,往往比省下的人力成本还大。反过来,如果只盯着"少雇几个人"去算 ROI,这套系统多半算不过来——因为相机、灯光、维护、复核的钱加起来,并不比几个判定员便宜多少。
退货成色判定:人工和 AI 怎么分工最省钱
分工的原则只有一条:让 AI 干它稳的事,让人干它必须负责的事。
我的分工建议是三档。第一档,AI 全权判定:外观完好、吊牌齐全、无使用痕迹的退货,模型判定为可再售,直接回写系统,走再售流程。这类货占比越高,系统回本越快。第二档,AI 初判加人工复核:有轻微划痕、轻微污渍、包装破损但商品完好的,模型给一个建议等级,人看一眼确认。这类是分工的主战场,复核比例控制在 15% 以内,账才好看。第三档,人工直接判定:高价值商品、功能需要通电测试的、模型没见过的品类,跳过 AI,人直接判。别为了"全自动"三个字硬上,硬上的代价是错判。
还有一个取舍要想清楚:判定标准定得越严,翻新和报废的量就越大,再售的货越少,账面损失看着大;定得越松,再售的货越多,客诉和二次退货跟着涨。严和松之间没有正确答案,只有一个能算出来的平衡点:把"严一档少卖的钱"和"松一档多赔的钱"摆在一起比,哪边小就往哪边调。调一次,跑一个月,再调一次。标准不是拍脑袋定的,是跑出来的。
最后给一个可计算的结论。按上面那张假设算例的表,日均 500 件退货的仓,上 AI 视觉质检做退货成色判定,一年能省约 35 万,系统投入约 18 万,静态回本周期约 6 个月。但这个结论有三个前提,缺一个就不成立:日均退货量不低于 300 件,低于这个量,设备和维护的钱摊不薄;AI 直接判定的比例不低于 60%,低于这个数,复核人力把省的钱吃回去;分级错判损失能降一半以上,降不下来,省的全是人力,账面不好看。三个前提都满足,这钱花得值。有一个不满足,先别买,把人工判定的标准手册先写出来——那本手册,才是以后上 AI 的地基。
作者:老周|物流成本分析师







