根据美国零售联合会与快乐退货公司 2025 年的调查,线上销售额里大约 19.3% 会被退回来,全年退货金额约 8499 亿美元,其中约 9% 涉嫌欺诈。退货质检就是这条链路上最吃人力的环节:每一件退回来的商品,都要有人看一眼,判定它是全新、轻微使用还是破损,再决定重新上架、折价出售还是报废。视觉 AI 现在想接手这只眼睛。问题不在于它能不能看,而在于它看得准不准,以及准到什么程度才值得花钱。
退货质检正在被摄像头改写
变化先发生在量最大的地方。服装品类的退货率长期居各品类之首,行业统计大约在 24%~30% 之间。2025 年,一家服饰品牌的退货仓里,质检台每天要处理上千件退货,质检员每件要看 45~90 秒:查吊牌、摸面料、看袖口和领口有没有穿过的痕迹。旺季一到,队伍排到第二天,退款时效跟着拖,客服投诉跟着涨。
视觉 AI 的打法是先拍照再判定:商品在质检台上过一道相机,模型按成色分档,全新的直通上架,破损的直通报废,只有拿不准的才留给人工。这个分流思路本身没有争议,争议在分流的边界划在哪里。一家做退货验证系统的厂商公布的基准数据称,视觉 AI 可以把人工复核时间减少 60%~80%,欺诈性通过减少 15%~25%,重新上架准确率提高 30%~40%。这组数字来自厂商自己的基准测试,引用时要打上这个标签,不能当成行业共识。
退货质检的准确率,到底卡在哪
先看人类的天花板。桑迪亚国家实验室的研究显示,人工质检在真实生产条件下会漏掉 20%~30% 的缺陷,训练有素的质检员在状态最好时检出率约 80%~87%,连续工作几小时后还会下滑。两个人交叉复核能把检出率推到约 96%。人类的短板不是眼睛,是注意力和一致性:同一个人上午和下午的判定标准会漂移,不同的人标准更不一样。
再看机器的上限。在受控的生产环境里,现代机器视觉系统的缺陷检出率通常在 97%~99.5% 之间。这个数字来自产线质检场景:光线固定、角度固定、缺陷类型有限。退货质检比产线质检难得多,原因有三个。
第一个难点是边缘案例。轻微使用和全新之间,往往只差一道几乎看不见的折痕,或者一个被压扁的包装角。同一道划痕,在暖光下明显,在冷光下消失,模型在一种光线下学到的标准,换一种光线就可能失效。深色服装上的划痕难拍,浅色包装上的压痕难认,训练数据里哪类商品少,哪类商品就最容易被误判。
第二个难点是相机看不见的东西。外观全新的手机可能电池鼓包,包装完好的小家电可能无法开机。视觉 AI 只能判定外观成色,功能类故障不在镜头里。一家消费电子品牌的退货仓如果只上相机、不做通电检测,等于把最贵的误判留给了售后:外观判了全新重新上架,顾客收到一台开不了机的机器,二次退货的成本比第一次更高。
第三个难点是标准本身会漂移。成色分档没有统一的国家标准,全新、轻微使用、破损的边界是每个商家自己定的。模型学的是你家质检员过去的判定,而你家质检员过去的判定本来就不一致。训练数据如果带着历史偏见,模型会把偏见学得更彻底、执行得更一致:错得比人还系统。数据积累本身也是成本。模型要学得准,先得喂够样本。假设一个退货仓每月处理 6000 件退货,每件拍 3 张照片、由质检员标好成色,三个月能攒下约 54000 张带标签的照片。听起来不少,但分到几十个品类、每类再分三个成色档,每个格子里的样本就薄了。冷门品类的边缘案例,模型可能几个月都见不到一张。小商家尤其要算这笔账:样本量不够,模型的准确率承诺就是空中楼阁,不如先从退货量最大的两三个品类起步,等样本攒够了再扩。
退货质检值不值得上视觉 AI
算账要分两边。人工一边,行业估算处理一单退货的成本在 20~30 美元之间,其中质检占大头。假设算例:一个退货仓每月处理 6000 件退货,人工质检每件 90 秒,一个月就是 150 个小时,接近一个全职岗位的工作量。如果视觉 AI 能把 70% 的明确件直通,人工只看剩下的 1800 件,质检工时降到 45 小时,省出约 105 个小时。
误判一边,要用成色分档的价值差来算。行业常见的分档回收价值是:全新档能收回原价的 85%~100%,明显磨损档只能通过折价渠道收回 30%~50%,报废档只剩 5%~15% 的残值。一件售价 100 美元的商品,全新档误判成磨损档,直接损失 35~70 美元;反过来,磨损档误判成全新档重新上架,换来一次二次退货和一次差评,损失往往更大。误判的代价不是对称的:把好货判坏是亏钱,把坏货判好是亏信誉。
| 方案 | 每月质检工时 | 误判风险 | 适用情形 |
|---|---|---|---|
| 纯人工 | 约 150 小时 | 标准漂移,越忙越不准 | 月退货量小,商品杂 |
| 视觉 AI 直通加人工复核边缘件 | 约 45 小时 | 边缘案例误判,需持续喂数据 | 月退货量大,品类集中 |
| 视觉 AI 全自动 | 接近零 | 误判系统化,无人兜底 | 暂不建议任何品类 |
反常识的一点是:视觉 AI 最大的价值不是替代质检员,而是让质检员只看最难的那 20%~30%。准确率 99% 的系统如果训练数据偏了,错得比人还系统、还一致。而退货质检真正的瓶颈常常不在判定本身,而在判定之后:分到折价档的货有没有渠道卖出去,分到报废档的货能不能走合规处置。判定再准,货出不去,账还是算不过来。
落地建议是先试点再铺开。挑退货量最大的一个品类,跑一个月对照:同一批货,模型和人工各判一遍,对不上的件单独复盘,算清误判率和工时节省,再决定扩不扩。试点期间别急着撤人工,模型的标准要在对照里一轮一轮校准。急着全量上线,等于把质检外包给一个还没摸清脾气的学徒。先行退款正在变成常态:一项针对服饰鞋履品牌的调查里,91% 的商家在质检之前就先退款或换货,质检的速度直接决定了这笔钱要压多久。
当判定便宜了,退货政策会变吗
把时间线拉长一点看,值得思考的不是质检台本身,而是质检台背后的退货政策。2025 年的数据已经显示,线上退货率还在往上走,服装品类接近三成。过去商家不敢放宽退货政策,一个重要原因是质检成本太高:每一件退回来的货都要人工看一眼。如果视觉 AI 把单件判定成本压到接近零,退货政策就可能从成本项变成获客工具:更宽松的退货换更高的转化率,质检从成本中心变成定价工具。
这个判断还需要两到三年的数据验证。需要观察的是:视觉 AI 在退货场景的真实准确率能不能稳定在 95% 以上,边缘案例的误判成本会不会被规模摊薄,以及商家愿不愿意把成色判定标准从经验变成可审计的数据。技术已经能看清一道划痕,真正难的问题是,商家准备好为这道划痕定一个所有人都认的价格了吗。
作者:陈博士|供应链行业研究员







