1. RICE 模型核心概念：定义、AI 场景含义与权重基础逻辑

适用场景

• AI 产品立项评审，需要量化比较多个候选特性的优先级。
• AI 功能迭代排期，要求兼顾覆盖面、业务价值、技术不确定性和开发资源。
• AI 产品组合投资决策，需要从 Reach（触达）、Impact（影响）、Confidence（信心）、Effort（投入）四个维度统一度量。

前置条件

1. 已完成 AI 产品战略目标与用户画像的初步对齐。
2. 产品特性清单已产出版本，每个特性至少包含简要描述与预期业务价值。
3. 团队具备基础的“价值衡量”共识，至少有一位主导评审人负责权重校准。

操作步骤

1. 定义每个特性的 Reach（触达）：预估在固定时间窗口（如1季度）内受影响的唯一用户或实例数。AI 场景中，Reach = 调用次数 × 人均使用频次 × AI 模型覆盖率（考虑地域、语言、设备等限制）。
2. 定义每个特性的 Impact（影响）：衡量对核心业务指标的提升程度，通常按优先级分档（0.25×/0.5×/1×/2×/3×）。AI 场景需结合模型效果指标（如准确率提升、召回率改善、用户时长增长等）。
3. 定义每个特性的 Confidence（信心）：根据数据可信度、原型验证结果、历史同类项目成功率给出0.2～1.0的系数。AI 场景特别关注数据标注质量、模型评估方差、落地环境与训练环境的 GAP。
4. 定义每个特性的 Effort（投入）：以“人×月”为单位的全周期工作量（数据采集+特征工程+模型训练+部署+监控）。AI 场景需区分一次性投入（模型开发）与持续性投入（推理资源、数据更新标注）。
5. 计算 RICE 总分：RICE = (Reach × Impact × Confidence) ÷ Effort。按分数从高到低排序。

输入与输出物

输入物	输出物
AI 产品特性清单	RICE 评分表（含四维度数值与排序）
用户行为/请求日志摘要	权重校准记录（为何选择该置信度系数）
模型评估报告（精度/召回/离线指标）	综合优先级建议（Pick / Consider / Defer）
研发资源日历	排期风险提示（Effort 估算偏差范围）

责任边界

• 产品经理（PM）：负责 Reach 与 Impact 的初值设定，并组织评审会。
• 算法工程师（DE）：提供 Confidence 依据（模型性能数据、数据质量报告）。
• 研发经理（EM）：提供 Effort 估算并关联依赖项（基础设施、第三方API费用等）。
• 评审委员会：最终裁定权重调整（如因战略倾斜而调整 Impact 档位）。

记录材料

• RICE 评分电子表格（每行一个特性，列：Reach，Impact，Confidence，Effort，RICE Score）。
• 评审会议纪要（标注争议点与最终决策理由）。
• AI 场景特殊假设文档（如 Reach 计算中的模型覆盖率假设，Confidence 使用的验证集规模）。

异常处理

验收标准

1. 所有候选特性均已填写 Reach、Impact、Confidence、Effort 数值，无遗漏。
2. 每个维度的赋值依据（数据来源/假设/证据）已记录在评审备注中。
3. RICE 总分排序后，前3个特性已产生明确的“开发/否决”建议，且争议点已闭环保留签名。
4. AI 场景特殊参数（如模型覆盖面、推理成本折算工时）已与算法团队、研发团队确认并签 word。