一晚跑掉 430 元算力后，才知道 AI 修图成本不能只算人工

2026 年 2 月 18 日，广州一家做电商外包修图的团队，凌晨三点多还在跑图。那天接了一个快消品牌的大单——800 多张 SKU 图需要在三天内交付，负责人老陈把任务分配给两台主力机，设置好参数就去睡了。他以为参数都锁住了，实际上有一台机器的迭代步数和放大倍率没有写进锁定文件，跑了一晚上。早上八点他起来一看，那台机器单独消耗了 430 元算力。那批图他报价 1200 元，人工成本大约 280 元，按他最初的估算，这单毛利在 35% 左右。加上那 430 元之后，毛利变成了负数。

他当天给我发了一条消息：“以前修图最多就是时间问题，现在 AI 是真的会把钱烧没。“

---

那 430 元是怎么悄悄烧掉的

老陈的团队开始用 AI 修图大概是去年年中，主要做商品主图精修和背景替换。按他的说法，早期用的时候”感觉什么都便宜”，一张白底抠图才几分钱，批量处理 500 张也就几十块，和以前雇小时工外包的成本完全没法比。

但”便宜感”有一个特点：它会让人停止计算。

那天夜间跑图出事的根本原因，不是参数没锁，而是老陈在设置任务的时候根本没有预估过那台机器的单图成本。他估算那 800 张图的总算力消耗，是按”之前的均值”拍的——但那个均值是建立在较低迭代步数和较小放大倍率上的，这批图的要求更高，客户要全部做 2K 输出，精修层数也比常规多两层。他设置任务的时候没有把这两个变量换算进来，直接套了老数字。

算力计费有一个容易被忽视的特性：它是用量驱动的，不是按张计费的。你用的模型越复杂、分辨率越高、迭代越多，单张成本就越高，而且这个倍数不是线性的——放大倍率从 1.5x 到 2x，成本可能涨 40%；步数从 20 步到 30 步，不是多花 50%，算力消耗可能涨 80% 到 120%，具体比例取决于模型架构和调度策略。（截至 2026-04，不同 AI 修图平台的步数与算力消耗比例不尽相同，以各平台实测数据为准。）

老陈那晚的情况是：一台机器跑了 8 小时，平均每张图的实际算力消耗是他估算值的 3.2 倍。这 3.2 倍差距，在 800 张的规模下，就是那 430 元。

这件事本身其实不难避免——如果在批量任务启动前，先手动跑 5 到 10 张测样图，记录单张真实消耗，再折算全批次的预期算力，误差通常能控制在 15% 以内。但老陈那天赶时间，跳过了这一步。

---

只看人工单价为什么会误判利润

接单团队在估价的时候，最常用的思路是”人工时长折算”。一张图需要多少分钟、设计师时薪多少、批量有没有效率加成，按这个逻辑算出来的报价，在没有 AI 的时代基本是合理的——成本就是人工，其他费用可以忽略不计。

AI 进入之后，这个框架没有被替代，只是人们默认”AI 成本已经很低、可以忽略不计”。这个默认在低参数、小规模、简单任务的情况下基本成立；但单量变大、参数变复杂、交付标准提高之后，这个默认会开始偷偷积累误差，直到某一次像老陈那样集中爆发。

人工单价看起来是成本里最大的那一块，但它有一个特性：它是相对可预测的。你知道一个设计师一小时能审多少张图、做多少次参数调整，这个数字不会突然变成三倍。但算力成本不是——参数一改，任务复杂度可能翻倍；模型一升级，单张消耗可能重新校准；客户临时要求全部换成 3K 输出，你的整个成本估算就作废了。

更隐蔽的问题是：AI 修图之后，设计师的工时是减少了，但其他隐性成本同步出现了。图审的标准变高了，因为 AI 给的初稿质量参差不齐，审图的人需要更仔细；返工的触发门槛降低了，因为”让 AI 再跑一遍”比”让设计师重做”看起来代价更小，团队会更频繁地触发返工；沟通成本变了结构，客户开始习惯”反正 AI 快，可以多改几次”，沟通轮次实际上在悄悄增加。

关于 AI 修图引入后报价方式的变化，可以参考电商修图 AI 定价模型对比，那篇文章里有一个真实案例，同一团队在三种不同计费方式下的月度账单曲线。

---

算力、人审、返工、沟通：四类成本怎么记

老陈那单之后，他开始认真建一张成本追踪表。我和他在那之后聊了两次，把他的表拆解出来，整理成四类成本的记录逻辑。

算力成本是最直接的那类，但记录的粒度很重要。不能只记”这单用了多少算力”，要记到每个功能模块的消耗——背景替换单独记、精修增强单独记、放大超分单独记。原因是：不同功能的算力消耗差异巨大，而客户对不同功能的支付意愿也不同。你如果只记总量，就无法知道”这单亏损是因为背景替换做多了，还是放大倍率设太高”，下次估价就没有可用的参考。

老陈现在的做法是：每批任务开始前，用 5 张样图测算单张算力均值，然后按任务分类分别记录实际消耗，每天跑任务结束后更新一次日志。这件事额外花的时间不超过 15 分钟，但让他对每类任务的真实成本有了精确的认知。

人审成本常被忽略，因为”审图”听起来不像在”做事”，但它实际上是 AI 修图流程里技术含量最高、也最耗精力的环节。AI 给的初稿里，有些问题只需要扫一眼就能发现，但有些问题需要对着参考图仔细比对才能看出来——色彩基准偏差、材质细节损失、边缘锯齿、细节过度磨平。这些问题如果不及时发现，到了交付环节被客户指出，才是真正的成本。

人审成本建议按”每百张图的审核时长”来记录，而不是总时长。这个指标能直接告诉你：这批图的 AI 初稿质量怎么样、你的审核标准有没有变松。如果这个数字持续上升，说明要么 AI 参数设置有问题，要么任务难度超出了当前参数配置的能力范围。关于如何建立可操作的 AI 图审标准，AI 修图质量怎么判：一套可操作的评估框架这篇文章的分类评估逻辑值得参考。

返工成本需要区分两类来源。一类是”AI 问题触发的返工”——AI 初稿就有问题，需要重新跑或者人工修补；另一类是”客户需求变化触发的返工”——图已经交付，客户改了需求要重做。两类返工的应对方向完全不同，前者要优化参数和模型选择，后者要在报价合同里约定返修范围和加价规则。如果混在一起只记总返工率，你就无法判断应该从哪里下手改善。

沟通成本在 AI 时代有一个新变量：因为”AI 跑一遍不贵”的感知，客户更容易在项目中途改方向。这类新增沟通轮次的成本，在传统修图外包里基本不存在（改一次就要加钱，客户不敢随便改），但在 AI 修图里，这条边界模糊了。老陈现在的做法是：合同里明确”方向确认”的节点，节点之后的方向修改单独计费，把这个边界讲清楚比事后追费容易得多。

---

实时核算表要盯的 6 个数字

光记录还不够。老陈的那次事故，根本问题不是没有数据，而是数据是事后才看的。他有历史账单，但在跑任务的过程中，没有任何机制告诉他”这批图的成本正在偏离预估”。

实时核算的意思不是每分钟盯着面板，而是在任务执行的关键节点有一个快速校验的习惯。以下是他现在每单必看的 6 个数字：

第一个数字是单张算力均值。任务启动后，跑完前 10 张立刻看一次。如果这个数字比预估值高出 20% 以上，立刻暂停，检查参数。这一步是老陈那次事故最直接的预防措施。

第二个数字是当前批次算力消耗累计。不是看总账单，是只看这一批。每隔 2 小时看一次，对照任务进度确认消耗曲线是否正常。

第三个数字是本单已确认的报价减去当前已发生成本。这个数字代表你当前的”剩余利润空间”，一旦这个数字进入警戒区间（通常是预期毛利的 50% 以下），要立刻判断是否需要调整参数或和客户沟通。

第四个数字是当日人审时长。如果这个数字比正常任务量对应的时长高出 30% 以上，说明 AI 初稿质量出了问题，需要找原因，而不是靠加班硬撑。

第五个数字是本月返工率。不用每天看，但每周至少更新一次。这个数字长期偏高（超过 15%），意味着你的流程某一环有系统性问题，需要专门排查。

第六个数字是客户需求变更次数。这个数字在同一个客户多单内横向比较时特别有用——某个客户如果每单都在中途改方向，他的报价就需要加入沟通风险溢价。

这 6 个数字不需要复杂的工具，一张 Excel 或者 Notion 表格就够。老陈现在用的是一张非常简单的日度记录表，每天结束前填一次，10 分钟以内。关于电商批量生产流程的整体架构，可以参考电商视觉批量生产流水线，成本核算表可以嵌入其中的质检和交付环节。

---

报价前和交付后各算一次的意义

传统的成本核算逻辑是”交付后算总账”——单子做完了，把所有支出加起来，看这单赚没赚钱。这种方式的问题是：知道答案的时候已经没有任何补救空间了。

老陈那次事故之后他开始做两次核算：报价前做一次预估，交付后做一次复盘，对比两次数字之间的差异。

报价前的预估不需要特别精确，目标是建立一个合理的成本区间，而不是一个精确数字。核心动作是：把这单的任务类型分类（哪些是算力消耗高的功能、哪些是审图耗时长的类型），按历史均值折算各类成本，加上一个缓冲系数（老陈用的是 15%）。这个步骤平均花 20 分钟，但能把”报价后发现不对”的频率降到很低。

交付后的复盘目标不是计算盈亏，而是更新”成本数据库”。这批图的单张算力均值是多少？人审时长偏高的原因是什么？有没有新的返工类型出现？把这些信息记进去，下一次估算同类任务的时候准确率就更高。

这两次核算之间的差异本身也是信息。如果预估和实际长期差距在 10% 以内，说明你的参数选择和任务判断已经比较准确；如果差距经常超过 30%，说明你的成本估算方法有系统性偏差，需要找出是哪一类任务的估算逻辑出了问题。

关于 AI 修图流程引入失败的常见原因，AI修图 vs 继续外包：月均 10 万张的规模怎么选这篇文章里有一个大规模团队的决策案例，成本核算部分和这里讲的逻辑可以相互印证。

---

把低利润客户筛出来的操作规则

做了六个月双次核算之后，老陈积累了够多的数据，可以做一件他以前从来没做过的事：系统性地分析每个客户的实际毛利率，而不是靠直觉说”这个客户不好做”。

结果让他自己也有点意外。他以为最低利润的是那些单价低、量大的白牌客户，结果实际上有两个”看起来单价不错”的品牌客户，长期毛利率远低于平均水平。原因是这两个客户需求变更频繁，每单的沟通轮次是普通客户的 2 到 3 倍，而且他们要求的输出规格经常在确认后临时升级，导致算力实际消耗比预估高 40% 以上。

低利润客户有几个共同的特征，这是老陈总结的经验，值得在你自己的账里验证一遍：

第一类是单次返修触发率高的客户。这类客户对 AI 初稿的容忍度很低，或者需求表达不清楚，导致频繁返工。一个简单的筛选指标是”每百张图的返修张数”——如果某个客户这个数字长期超过 20，毛利一定不好看，无论他的单价是多少。

第二类是输出规格不稳定的客户。每次交付前临时提需求，今天要 1.5K、明天要 2K、后天要加 logo、大后天要改背景色。这类不确定性很难定价进去，但会系统性地拉高算力成本。应对方法是在合同里写清楚”规格变更的通知截止时间”，截止时间后的变更按加急处理。

第三类是沟通节点不清晰的客户。没有明确的确认节点，需求在项目全程都可以更改。这类客户的沟通成本和返工成本会叠加，最终侵蚀掉几乎所有利润空间。

对于已经识别出的低利润客户，有几个操作方向。一是在续单时调整报价，把历史真实成本折算进去，重新定价；如果客户对涨价不接受，这段关系的成本就已经把结论给你了。二是调整服务边界，明确哪些属于标准服务范围、哪些需要额外收费，用合同结构代替口头约定。三是直接减少优先级，把有限的产能分配给毛利更好的客户，不需要立刻终止合作，但可以在排单优先级上做出调整。

关于如何把 AI 修图业务从外包模式收回并重建定价体系，把修图外包出去又拿回来的那一年：决策背后的真实账这篇复盘里有一个完整的操作路径，包括那家公司后来如何处理低利润老客户的部分。

老陈现在每个季度会做一次客户毛利盘点，把过去三个月每个客户的真实成本数据汇总出来，按毛利率高低排序，重点看末尾的 20%——那里就是他下一步需要调整报价或者服务边界的地方。

---

430 元那次事故之后，老陈最常说的一句话是：“AI 帮我省了设计师的时间，但它不会帮我省心。”

这句话其实说的是一个很实际的管理问题：AI 降低了执行的门槛，但并没有降低计算成本的必要性。恰恰相反——当成本结构里多了算力这个变量，而且这个变量的波动幅度比人工成本大得多，不算清楚反而比以前更危险。

以前一张图多花 5 分钟，你看得见、感得到；现在一批图多烧 430 元，你睡着了都可能不知道。这不是 AI 工具的问题，这是一种需要主动建立的习惯——知道钱在哪里流出去，在它流错之前。

关于如何在引入 AI 工具之前判断工具的能力边界，避免对工具产生错误预期，图叮AI vs Photoshop：什么情况下用哪个这篇文章对两者适用场景的边界做了比较清楚的区分，可以在调整工作流之前读一遍。