把修图外包出去又拿回来的那一年：决策背后的真实账

去年三月，一个做家居用品的电商团队找到我说想聊聊修图——不是聊怎么修，是聊他们刚把外包的修图收回了内部。讲到一半的时候，设计主管叶青停下来说了一句话，我印象特别深：“当初外包是因为人手不够，收回来是因为条件变了，这两个决定都没错，但算清楚账的时机不同，代价差了很多。”

这家公司叫川木家居，做中端实木家具，天猫旗舰店，SKU 大概两百多个，三个人的设计团队。2024 年年中，他们把修图全线外包给一家广州的图片处理公司，日均处理量在 180 到 220 张之间。到了 2025 年初，他们把这件事原路收了回来。

这一来一回，账不好算，但值得好好捋一遍。

---

当初为什么要外包

触发点是 2024 年双十一备战。

七月底，运营部门突然拍板要做一波大场景主图升级，涉及 120 多个 SKU，要求九月底上线。叶青数了数团队的产能：三个人，每人每天能处理大图 15 到 20 张，算上开会、改稿、配合拍摄，实际修图时间根本不够。招人？招一个合适的修图师最快也要一个月磨合期，时间来不及。外包是当时最快的解法。

从报价到签合同，前后不到两周。外包公司报的单价是 8 元一张，内部核算下来，三个人加班也解决不了那 120 张的量，这笔账在当时看起来划算。

---

外包第一个月：蜜月期

九月初，第一批 60 张图交付。叶青说那个月自己几乎没有后顾之忧：图按时来，大问题没有，修改率不到 10%，内部团队得以集中精力盯主图的创意方向。

成本账在当时也好看。外包按量结算，8 元一张，一个月 5000 张左右，月费 4 万出头。内部如果招一个熟手修图师，月薪加五险一金到手接近 1.2 万，还要配设备、占工位，再加上管理成本，表面上外包便宜了三分之一。

但有一项成本没有计入，或者说计入了但没当回事：沟通成本。

每次有新的 SKU 进来，叶青都需要写一份图片说明，发给外包那边的对接人，等他转达给修图师，再等反馈。这个链条平均要来回两到三天。一开始批量大、品类集中，影响不明显。问题在后面。

---

转折：质量问题开始累积

第三个月，2024 年十月底，双十一进入冲刺阶段。

外包那边接了不止川木一家的单子，叶青事后才知道，那段时间他们同时在跑至少四家电商客户的备货图。某一天，叶青收到了一批 500 张的交付文件，打开之后，她让助理把问题图先挑出来——挑出来 63 张，主要问题是色温不一致：同一款实木餐桌，不同角度的主图，木色偏暖偏冷明显不统一，放在详情页里像是两批货。

那 63 张图全部需要返工。叶青和一名设计师两个人加班两天，用内部的色彩参考文件逐张校对，最后才在上线前两天赶出来。这件事情之后，她开始认真记一张表：每个月的修改张数、修改原因、来回沟通耗费的工时。

三个月后，那张表显示：修改率从最初的 8% 爬到了 19%，沟通工时从月均 12 小时增加到了 31 小时。

核心问题不是外包公司不够专业，而是他们从来没有真正理解川木的品牌调性。实木家居的修图逻辑和快消品不一样——川木要的是”温暖但不甜腻”的木质感，这个判断标准根本无法用文字参数精确传递，叶青自己说，她给内部新人说一遍演示一遍，一周能搞清楚，但外包那边换了三个对接修图师，每换一次都要重新磨。

---

收回来的决策过程

到 2024 年十二月，叶青把那张跟踪表拿出来，重新算了一遍账。

外包费用：月均 4.2 万。返修产生的内部人力成本（按设计师时薪折算）：月均约 0.6 万。沟通工时折算成人力成本：月均 0.4 万。最大的一项——因为外包图质量问题导致上线延迟、主图 A/B 测试排期被压缩，影响的流量损失，这一项叶青没法精确估算，但她做了一个保守估计：双十一那批延误大约影响了 3 天的主图测试窗口，以旗舰店当时的体量，她估算在 1.5 到 2 万之间。

加起来，外包的实际月均成本已经接近 7 万，而不是当初账面上的 4 万出头。

这还不是让她下决心的最关键因素。

让她最终拍板的，是她在十一月底试用了图叮AI。一个下午，她让内部一个设计师用图叮AI处理了 80 张白底图，按照既有的品牌色彩参数批量校色，最后 80 张全部达标，返修 2 张，耗时三个小时出头。

内部原来一个人一天最多能处理 20 张合格的白底图，现在加上 AI 工具，同样的人可以处理 60 到 80 张。产能直接翻了三倍。这个变量出现之后，外包的比较基准就彻底变了——不是内部人力 vs 外包团队，而是内部人力加 AI vs 外包团队。

---

收回后的半年

2025 年一月，川木家居正式终止与外包公司的合作，修图业务全部收回内部。

收回后三个月，叶青那张跟踪表上的数字变了：修改率从 19% 回落到 6%，沟通成本降到几乎为零（内部工具和品牌参考文件同步，修图师直接查，不需要往返确认），月度产能从约 5000 张提升到 8000 张出头——人数没变，就是加了 AI 工具。

更多关于 AI 修图的定价逻辑，可以参考电商修图AI定价模型对比，了解不同方案的成本结构。

但收回来的过程并不是完全顺滑的。有一个问题叶青提前没想到：外包那一年积累的图片库里，有大量”凑合能用”的图——色温基本对、白边基本干净，但细节处理和品牌标准有差距。这些图分散在各个 SKU 的详情页里，一开始运营团队不觉得是问题，觉得”也能用”。但随着新图的质量基准拉高，旧图的问题开始在对比中暴露出来。那半年里，叶青的团队在日常新增任务之外，还要分批次把旧图重新处理一遍，这是一笔隐性的补课成本，当初决定外包的时候根本没有预计到。

关于 AI 修图质量的判断标准，可以参考AI修图质量怎么判：一套可操作的评估框架，叶青团队目前也在用类似的方法来验收每批次图片。

设计师的反馈倒是比叶青预计的正面。她原以为团队会觉得用 AI 工具是在”降低”工作的技术含量，但实际上三个人都表示：以前修图最烦的是重复性的批量工作，白底抠图、色温统一这类任务，做了十几张就没意思了，现在这些全部交给 AI，她们更多的精力放在主图构图、场景创意和品牌视觉方向上，反而更有意思了。关于团队在 AI 辅助下的完整批量生产流程，可以看电商视觉批量生产流水线这篇文章的拆解。

如果你关心具体落地时的细节，AI修图交付验收清单给出了一套可操作的交付检查步骤，收回业务初期叶青团队用这个框架建立了自己的内部验收标准。

---

不是所有团队都应该收回来

叶青的故事有一个清晰的前提：她们遇到了一个改变产能方程的变量，而且她们有能力把这个变量用好。

如果没有 AI 工具的引入，内部团队的产能上限没有变化，那收回来的账就不一定好看——同样的人手，不可能同时消化日常新增和旧图补课，要么质量下滑，要么招人，招人的成本可能比外包费还高。

另外，有些品类的修图标准真的可以文字化和参数化，比如标准白底图、统一背景的服装正面图，这类需求其实很适合外包，因为”理解品牌调性”这个壁垒在这里不存在，外包团队只要执行参数就够了。川木的问题在于，她们的产品调性很难参数化，木质感的温度和氛围是一种感受，不是一个色值。

还有团队规模的问题。如果团队只有一个人，或者 SKU 数量很少，内部消化加上 AI 工具的产能可能远远够用，本来就不需要外包；但如果是一个日均需要处理 2000 张以上、品类复杂的大体量运营团队，完全收回来不一定是最优解，混合模式——标准化批量交外包、品牌调性关键图内部做——可能更务实。

关于 AI 修图引入后常见的失败原因，AI修图失败的真实原因这篇复盘了几个典型案例，值得在做决策之前读一遍，避免用错误的期望去衡量工具。

叶青最后告诉我，她现在最后悔的不是当初外包，而是外包之后没有尽早建立质量跟踪机制。如果第一个月就开始记那张表，她可能在第二个月就发现了修改率的变化趋势，可以更早调整，而不是等到双十一那 63 张返工图砸下来才意识到问题的规模。

决定本身不是关键，知道什么时候该重新看这个决定，才是。