RICE框架总览：定义、四要素、适用边界与AI需求结合的意义
在AI产品需求管理中，优先级排序往往比传统软件更棘手——模型效果不确定、数据准备周期长、用户行为反馈滞后。RICE框架（Reach、Impact、Confidence、Effort）提供了一种结构化打分方法，帮助产品团队在资源有限时客观权衡需求。
1. 什么是RICE框架？
RICE由Intercom团队提出，用于评估功能或需求的优先级。每个需求按四个维度分别打分（1～10分或自定义分制），最终得分 = (Reach × Impact × Confidence) / Effort，得分越高优先级越高。在AI产品中，RICE不仅适用于功能开发，还能指导数据清洗、模型调优、评估指标设计等需求。
2. 四要素详解（AI语境）
| 要素 | 定义 | AI产品中的评估维度 | 示例（智能客服意图识别） |
|---|---|---|---|
| Reach（触达范围） | 单位时间内受影响的用户量或业务量 | 用户量、会话量、模型调用次数、新场景覆盖率 | 新增“退换货”意图，影响每周20万会话 → Reach=8 |
| Impact（影响力） | 需求达成后对核心指标（如准确率、用户满意度）的提升程度 | 模型精度/召回提升、人工转接率降低、A/B测试效果差异 | 预期准确率从85%升至92% → Impact=9 |
| Confidence（信心指数） | 对效果预估的把握，基于数据/经验/原型 | 用户访谈验证度、可复用的预训练模型、相似场景历史数据 | 已有5家竞品验证同类意图 → Confidence=7 |
| Effort（投入成本） | 所需人天、算力、数据标注、云服务等综合成本 | 标注团队工期、GPU训练时长、推理资源增量、业务配合复杂度 | 需标注3000条语料 + 2周训练调优 → Effort=6 |
✏️ 课堂练习：假设你的团队正在评估“为AI写作助手增加多语言风格切换”需求。请根据下表试填RICE四要素（参考值范围见表格下方）。
（后续课程会给出完整案例计算）
（后续课程会给出完整案例计算）
3. 适用边界：何时用RICE，何时换方法？
- 适用于：多个方案需要横向对比、功能需求与数据需求混合、项目周期在两周以上、有初步数据支撑场景。
- 不适用或需调整：纯探索性研究（无用户预估）、短期紧急事故、需求数量极少（≤3个可手动排序）、纯技术债务清理（建议用成本收益比）。
4. 与AI需求结合的核心意义
- 量化不确定性：AI需求经常遇到“效果不可预测”，Confidence维度强制团队评估数据/模型验证的完整性。
- 避免算力浪费：Effort不仅算开发工时，还包含GPU/TPU租用费、标注预算，避免“高投入低产出”的需求被误判。
- 驱动用户访谈：Impact与Confidence的填写需要真实用户反馈，倒逼产品经理在需求拆解前完成关键访谈。
- 对齐验收标准：每个RICE分数对应后续章节中“指标验证”与“验收标准”的输入，形成从评估到交付的闭环。
💡 最佳实践：在AI产品中，建议采用“连续打分制”而非“布尔判断”，并预留0.5分浮动（如7.5分），避免因四舍五入导致排序胶着。同时，每轮RICE评估后应更新Confidence分数——随着原型验证或用户反馈增多，分数可能动态调整。
5. RICE框架流程结构
6. 本章小结：从需求拆解到交付的关联
RICE框架的输出将直接作为后续章节的输入：
- 用户场景 & 业务问题：Reach与Impact的数值需要场景化描述支撑（第2～3章）。
- 用户访谈 & 需求拆解：Confidence分数取决于访谈验证质量（第4～6章）。
- 方案表达 & 指标验证：Effort的估算、Impact的回落预期将影响原型设计（第7～10章）。
- 验收标准 & 交付物模板：RICE分数可作为验收“是否值得继续投入”的门控条件（第28～30章）。