AI 修图 vs 传统外包：10 万张/月规模的成本、交付周期、质量波动对比（截至 2026-04）

2025 年下半年，一家做家居品牌的视觉总监跟我说了一句让我记了很久的话：“我们每个月修 12 万张图，上半年全靠外包，下半年切成 AI + 外包混合。账单差了 200 多万，但我现在最担心的不是钱，是那 1% 的烂图。”

她说的那 1%，是 12 万张里大约 1200 张——可能是色温飘了、边缘残留、构图裁歪了。在 1000 张规模里，1% 是 10 张，设计师当天能手动修掉。在 12 万张规模里，1200 张是一个独立的质检任务，需要单独排班。

这个故事是我理解”10 万张/月”这个规模级别的起点。这篇文章就从这个规模说起，把 AI 修图和传统外包两条路的成本结构、交付节奏、质量波动拆开来看，然后给出三种混合方案和一个按业务阶段的选型思路。截至 2026-04，数据来源于案例访谈和行业均值估算，量级经过多方交叉验证。

10 万张/月的规模是什么概念

不是每家公司都有 10 万张/月的需求，但有几类情况会让你意外走到这个量级：

家居大品牌双 11 前备货，一套沙发有 7 个颜色、5 个角度、3 个场景，如果有 500 个 SKU，光这一个活动就能踩到 5 万张。某头部服装电商日常在售 3000 个 SKU，每款主图加详情页平均 20 张，加上换季更新、A/B 测试版本，月均 6-8 万张是常态，旺季轻松破 10 万。

图片工厂、视觉外包公司的核心客户群也集中在这个量级上——低于 1 万张，客户自己雇设计师更划算；高于 10 万张，工厂的接单能力开始成为瓶颈。

10 万张/月意味着什么？

假设每个工作日 22 天，每天需要处理 4545 张。如果靠人工，按每人每天 200 张的熟练速度（行业外包均值），需要同时开工 23 个人——而且这 23 个人要同时在线、进度同步、不能请假。任何一个节假日撞上交期，就是噩梦。

这个规模下，“外包 vs AI”不再是”贵一点便宜一点”的问题，而是两套完全不同的生产体系。

成本拆解：外包 3.5 元/张 vs AI 1.2 元/张

这两个数字是截至 2026-04 的行业均值估算，分别对应”中等规格电商主图（抠图 + 白底 + 基础调色）“的全成本口径，不是纯人工报价。

外包的 3.5 元是怎么来的？

成本项	占比	备注
人工（执行）	约 55%	1.9 元/张
管理与协调	约 15%	含对接、分配、验收
返工损耗	约 18%	按 10% 返工率折算
平台佣金 / 利润	约 12%	外包工厂毛利

其中，返工损耗这一项容易被低估。10% 的返工率在外包行业属于正常水平（案例数据），但它的真实代价不只是”再修一遍”——还包括：验收环节发现返工需求的时间、沟通返工标准的时间、返工后二次验收的时间。一张图的返工实际消耗可能是首次处理时间的 2.5 倍。

AI 的 1.2 元是怎么来的？

成本项	占比	备注
算力费用	约 58%	含抠图、调色、生成
质检人工	约 25%	AI 输出仍需人工抽检
返工处理	约 10%	按 6% 返工率折算
系统维护	约 7%	工具订阅、流程维护

AI 的成本优势主要体现在两处：一是执行层的算力比人工便宜；二是返工率更低（6% vs 10%），虽然差距不算巨大，但在 10 万张/月的规模下，4 个百分点对应 4000 张图的差异。

两者对比：AI 比外包低 66%（1.2 vs 3.5 元），月处理 10 万张的年化成本差距约为 264 万元。

但这个数字有一个前提：你的图片任务是批量同质化的。如果是高定制、强创意、需要人工判断的任务（比如品牌调性场景图），AI 的优势会大幅收窄，这个问题在第五节”质量稳定性的长尾问题”里再讲。

关于不同计费方式对实际成本的影响，可以参考《AI 修图按张计费、按算力、按订阅，哪种最划算的真实账单复盘》——计费模式的选择本身会让账单相差 2-5 倍。

交付周期：3 天 vs 0.5 天的瓶颈在哪

外包的 3 天从哪里来？

外包的时间消耗不在”修图”本身，在流程：素材交接（4-6 小时）、工厂内部分配、执行阶段（按 200 张/人天估算，10 万张需要 500 人天，实际并发能力有限）、品牌方验收与返工处理。加在一起，正常情况是 2.5-3 天，赶工能压到 1.5 天，但需要加急费（行业均值加价 30-50%）。

节假日是外包最大的风险点：工厂在春节、五一、十一期间通常减产 60-80%，而这三个时间节点恰好是电商备货的关键周期。

AI 的 0.5 天怎么实现？

AI 修图流水线的时间分布是：

• 素材上传与参数配置：1-2 小时
• 批量执行：10 万张在中等规格的 GPU 集群上，按并发 500 张/小时估算，约需 200 小时——

等等，这里是个陷阱。

200 小时远远不止 0.5 天。AI 的”0.5 天”是有前提的：你不是从零开始跑 10 万张，而是维持一个日均 4500 张的流水线，每批任务的处理时间是 2-4 小时（对应单批 1000-2000 张），连续运转覆盖全月需求。

如果你是月底集中跑 10 万张，AI 的交付周期和外包差不太多（甚至更慢，因为 GPU 资源排队）。AI 的周期优势在于连续性：不受节假日影响、不需要排班协调、晚上也在跑。

AI 的真正瓶颈是质检。批量跑完之后，你还需要对输出做抽检和异常处理。如果质检环节人手不足，流水线的产出会在质检节点堵塞。关于如何设计高效的质检节点，可以参考《电商批量出图实战：100 张主图的高效流水线》中的抽检机制和分流策略——那套逻辑在 10 万张规模下同样适用，只需要把抽检率从 20% 调整到 5-8%。

返工率与 SLA 波动（数据）

以下数据为案例数据和行业均值估算，截至 2026-04，仅供量级参考。

指标	外包工厂	AI 工具
首次验收返工率	8-12%（均值 10%）	4-8%（均值 6%）
返工处理时间（单张）	45-90 分钟	5-20 分钟
交付周期标准差（天）	±1.2	±0.3
高峰期（双 11 等）周期波动	+50-80%	+10-20%
节假日期间可用产能	20-40%	95%+

几个说明：

外包返工率 10% 的构成：约 40% 是执行层面的错误（抠图边缘残留、调色参数用错），约 35% 是沟通标准理解偏差（客户说”干净一点”，工厂理解不同），约 25% 是素材本身的问题（原图曝光不足、模特遮挡关键细节）。

AI 返工率 6% 的构成：约 60% 是 AI 本身的识别错误（透明材质、镜面反射、复杂毛发是高发区），约 40% 是参数配置问题（第一批任务的参数没有经过充分调试就批量跑）。

SLA 标准差是个容易被忽略的指标。外包的 ±1.2 天意味着：如果平均交期是 3 天，有的批次可能 1.8 天就完成，有的批次可能拖到 4.2 天。对于有硬交期的营销活动，这个波动会直接影响上线时间。AI 的 ±0.3 天波动则更可控，便于排期。

质量稳定性的”长尾”问题

回到开头那位家居品牌视觉总监说的 1200 张”烂图”。

在 10 万张/月的规模里，你处理的不是一个均匀的样本，而是一个有长尾分布的任务集：大多数图片是常规品类、标准拍摄、容易处理；但总有一部分是透明玻璃、镜面金属、复杂毛绒、特殊材质——这些是 AI 最容易出错的地方，也是外包工人最费时间的地方。

外包对长尾的处理靠”难图单独排队”：有经验的修图师才能处理，这类人在工厂里比例通常不超过 15%。结果是整批交付时”大部分已经好了，就卡在那几张”。外包工厂不会主动告诉你哪些图是难图，你只会看到交期整体拉长。

AI 的问题是识别边界固定。透明材质的抠图，在特定分辨率和拍摄角度内可靠，超出这个范围就会系统性出错——整体 6% 的返工率，在透明材质子集里可能达到 30-40%。

把 10 万张按难度分层——80% 常规品（白底抠图、基础调色）、15% 中等难度、5% 难图（透明、镜面、复杂毛发）——AI 在前 80% 的优势明显，在那 5% 的难图上则不如有经验的外包修图师。这就是混合策略存在的理由。

3 种混合方案

基于上面的分析，有三种可操作的方案：

方案一：全 AI

适合任务同质化程度高、质量要求”够用”的场景：日常白底图、C 端标准主图、不需要精修的详情页辅图。成本是三个方案最低的，但前期必须花时间调试参数模板——第一批没调好就批量跑，返工率可能比外包还高。抽检率建议控制在 5-8%，更高会变成质检瓶颈。

方案二：全外包

适合创意要求高、单张价值大的场景：品牌调性场景图、珠宝奢侈品、需要反复调整的创意任务。10 万张/月规模的主要风险不是成本，而是工厂产能上限和节假日波动。建议提前布局 2-3 家供应商分散风险；市场合理成本区间是 3.5-5 元/张，超出这个范围值得重新评估供应商。

方案三：AI 初筛 + 外包精修

目前在 10 万张/月规模下被验证最多的混合路径。操作逻辑：所有图片先走 AI 批量处理；输出后分流——合格品进交付队列，异常品（边缘残留、色温偏差）进外包修正队列；AI 置信度低的品类（透明、镜面）预先分流到外包，不走 AI。

成本结构：AI 处理 80%（均成本 1.2 元）+ 外包处理 20%（均成本 3.5 元），加权约 1.66 元/张，比纯外包节省 53%。分流阈值是核心：第一个月建议抽 500-1000 张做品类难度摸底，再根据实际返工率调整。

按业务阶段的选型决策树

不是所有团队都需要同一个方案。选型建议跟着业务阶段走：

初创期（月处理量 <1 万张）

不建议在这个阶段花太多时间纠结 AI vs 外包。月处理量低于 1 万张，两者的成本差距不超过 2 万元，但切换带来的学习成本可能超过这个数字。先用外包，把品类结构、返工原因、质量标准摸清楚——这些是后续切 AI 的基础。

品牌成长期（月处理量 1-5 万张）

AI 的成本优势开始显现。建议选 1-2 个品类做试点（优先白底图），跑 1-2 个月积累参数经验，同时保留外包作为兜底。重点关注返工率而非成本——返工率低于 8% 说明参数调得够好，再扩大 AI 比例。

规模化阶段（月处理量 >5 万张）

AI + 外包混合值得认真规划，年化可节省 100-300 万不等。先做品类难度摸底，再按难度分层设计混合比例。质检和分流机制是基础——省这个环节，成本收益会大打折扣。

旺季（任意规模的大促/节假日）

无论平时是什么方案，旺季把 AI 比例调高：外包在旺季产能紧张且加急费贵，AI 的可用性几乎不受节假日影响。大促前 30 天对活动 SKU 做一次专项参数调试，值得提前投入。

---

那位家居品牌视觉总监在我们聊完几个月后发过来一句话：“那 1% 的烂图我们现在已经有标准处理流程了——AI 打标记，外包定点修，再也不是交期前的噩梦了。”

她说的这个流程，本质上是方案三的一个具体实现。10 万张/月的规模，让任何一个短板都会被放大成系统性问题。建设这套流程的时间成本是真实存在的，但它一旦稳定，那 200 多万的成本差异才是真正可以落袋的。