17. Mai 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
RICE-Framework mit KI: Features auf Basis von Belegen bewerten, nicht per Bauchgefühl
KI verändert die RICE-Formel nicht. Sie verändert, woher die Eingaben kommen. Hier findest du die Formel, ein durchgerechnetes Beispiel und einen Workflow in vier Schritten, um Reach, Impact, Confidence und Effort anhand von Belegen zu bewerten.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Das RICE-Framework bewertet ein Vorhaben mit (Reach × Impact × Confidence) ÷ Effort. Intercom hat es entwickelt, Sean McBride hat es 2018 veröffentlicht. KI verändert die Formel nicht; sie verändert, woher die Eingaben kommen. Richtig eingesetzt holt KI die Reach aus Nutzungsdaten, den Impact aus gebündeltem Kundenfeedback und die Confidence aus den Belegen, die du tatsächlich hast. So bleibt der Score keine hübsch verpackte Vermutung.
Das Wichtigste in Kürze
RICE arbeitet mit festen Skalen: Impact reicht von 0,25 bis 3, Confidence ist 100 %, 80 % oder 50 %, und Effort wird in Personenmonaten gemessen (Intercom, 2018).
Die schwächsten Eingaben sind Impact und Effort. Bei Microsoft hat nur ein Drittel der getesteten Ideen die Kennzahl verbessert, auf die sie abzielten (Kohavi et al., 2012), und in einer klassischen Studie zur Planungsfehlschluss-Verzerrung brauchten Studierende 55,5 Tage für Aufgaben, die sie auf 33,9 Tage geschätzt hatten (Buehler et al., 1994, via Wikipedia).
PMs wissen, dass die Eingaben dünn sind: 35 % derjenigen, die bei der Priorisierung am meisten Probleme haben, nennen als Hauptproblem, an die richtigen Daten zu kommen (Craft.io, 2023).
KI ist längst Teil des Workflows: 94 % von 379 befragten Product-Profis in Unternehmen nutzen laut Productboard täglich oder oft KI (Productboard, 2025).
KI sollte zu jeder Eingabe Belege sammeln und zitieren. Die Abwägungen und die endgültige Reihenfolge bleiben Sache der Menschen.
Was ist das RICE-Framework?
RICE ist ein Scoring-Modell, um Product-Arbeit zu vergleichen. Das Team von Intercom hat es „from first principles“ entwickelt, weil sich unterschiedliche Ideen mit den bestehenden Methoden kaum konsistent vergleichen ließen. McBrides Beitrag ist bis heute die Referenz (Intercom, 2018). Jeder Buchstabe steht für eine Frage:
Feedback clustern, Accounts pro Thema zählen, die Quelle zitieren
Confidence
Wie sicher sind wir uns bei den übrigen Schätzungen?
100 % hoch, 80 % mittel, 50 % niedrig
Alles, was Reach und Impact belegt
Prüfen, welche Eingaben Belege haben und welche Annahmen sind
Effort
Wie viel Teamzeit wird es kosten?
Personenmonate (0,5 für unter einen Monat)
Frühere Tickets ähnlicher Größe
Vergleichbare frühere Arbeit finden und ihre tatsächliche Dauer
Die Formel multipliziert die drei Wertfaktoren und teilt durch den Effort. Das ergibt den „total impact per time worked“. McBride betont, dass sie „shouldn't be used as a hard and fast rule“: Ein Eintrag mit niedrigem Score kann trotzdem zuerst drankommen, wenn er eine Abhängigkeit ist oder für wichtige Kund:innen zum Pflichtprogramm gehört. Eine ausführlichere Anleitung zu jeder Eingabe findest du im Leitfaden zum RICE-Priorisierungsframework.
Wie berechnet man einen RICE-Score?
Multipliziere Reach × Impact × Confidence und teile dann durch den Effort. Intercoms Artikel nennt die Eingaben für drei Beispielprojekte, hört aber vor den fertigen Scores auf. Hier sind sie durchgerechnet:
Projekt
Reach (pro Quartal)
Impact
Confidence
Effort (Personenmonate)
RICE-Score
Projekt 1
450
3
100 %
2
675
Projekt 2
2.000
1
80 %
4
400
Projekt 3
800
2
50 %
1
800
Die Reach von Projekt 1 ergibt sich so: 500 Kund:innen pro Monat erreichen eine bestimmte Stelle im Signup-Funnel, 30 % davon wählen die neue Option, und das über 3 Monate: 500 × 0,3 × 3 = 450.
Schau dir an, was gewinnt. Projekt 3 steht ganz oben, obwohl die Confidence nur bei 50 % liegt, einfach weil es günstig ist. Genau dafür ist der Score da: Er zeigt eine billige Wette, die einen Versuch wert ist. Gleichzeitig ist es eine Warnung. Ein Eintrag mit 50 % Confidence sollte sich in der Regel erst mit einem kleinen Test einen vollen Build-Slot verdienen. Rechne mit deinen eigenen Zahlen im kostenlosen RICE-Rechner.
Warum sind die meisten RICE-Scores bloße Vermutungen?
Die Formel ist einfach. Bei den Eingaben sparen Teams an der falschen Stelle.
Die Confidence-Krise
Confidence soll schwache Schätzungen abwerten. In der Praxis wählen Leute 80 %, weil 50 % unvorbereitet klingt. Itamar Gilads Confidence Meter bringt es auf den Punkt: Eigene Überzeugung und Anekdoten sollten fast nichts zählen, und die Confidence sollte nur mit Belegen wie Tests und Daten steigen (Itamar Gilad).
Der Impact wird meist überschätzt
Bei Microsoft hat nur ein Drittel der in kontrollierten Experimenten getesteten Ideen die Kennzahl verbessert, für die sie gedacht waren (Kohavi et al., 2012). Wenn dein Team die meisten Ideen mit Impact 2 oder 3 bewertet, driftet deine Skala nach oben.
Der Effort wird meist unterschätzt
Der Planungsfehlschluss (Planning Fallacy) ist gut belegt. In der Studie von Buehler, Griffin und Ross aus dem Jahr 1994 sagten Studierende voraus, ihre Abschlussarbeit dauere 33,9 Tage; im Schnitt brauchten sie 55,5 Tage, und nur etwa 30 % wurden innerhalb ihrer eigenen Schätzung fertig (Wikipedia-Zusammenfassung der Studie). Engineers, die unter Roadmap-Druck schätzen, unterliegen derselben Verzerrung.
Rechnet man die drei zusammen, kann ein RICE-Score um ein Vielfaches danebenliegen, nicht nur um ein paar Prozent. Die Lösung sind bessere Eingaben, nicht mehr Nachkommastellen.
Wie kann KI das RICE-Scoring verbessern? Ein Workflow in vier Schritten
KI ist gut darin, große Mengen unübersichtlicher Belege zu lesen: Tickets, Gesprächsprotokolle, Analytics-Exporte, frühere Issues. Genau diese Arbeit überspringen die meisten PMs beim Scoring. Nutze sie für diese vier Schritte.
Schritt 1: Den Impact mit gebündeltem Kundenfeedback untermauern
Exportiere Support-Tickets, Gesprächsnotizen und Feedback der letzten 90 Tage. Lass ein KI-Modell sie nach dem zugrunde liegenden Problem clustern, die verschiedenen Accounts pro Cluster zählen und zu jedem Cluster zwei oder drei wörtliche Zitate herausziehen. Ordne die Cluster dann dem Impact zu:
Blockiert einen zentralen Workflow oder taucht in Kündigungsgründen auf → Kandidat für 2 oder 3.
Wiederholte Reibung mit einem Workaround → 1.
Gelegentliche Anfrage, keine genannte Konsequenz → 0,5 oder 0,25.
Prüfe jeden Cluster anhand der Zitate. KI gruppiert nach Wortlaut, und zwei Kund:innen können dasselbe Problem mit unterschiedlichen Worten beschreiben. Die Vorlage zur Analyse von Support-Tickets liefert dir eine manuelle Vergleichsbasis.
Schritt 2: Die Reach mit Product Analytics validieren
Ersetze „viele Nutzer:innen wollen das“ durch eine Zahl. Lass die KI die Analytics-Abfrage entwerfen (zum Beispiel: eindeutige Accounts, die im letzten Quartal die Reporting-Seite geöffnet haben), und führe sie dann selbst aus. Zähle die Personen, die den betroffenen Workflow erreichen, nicht deine gesamte Nutzerbasis. Ein Product-Analytics-Check vor dem Scoring fängt den häufigen Fehler ab, jeden Account als erreichbar zu zählen.
Schritt 3: Den Effort mit früherer Lieferung abgleichen
Gib der KI den Umfang und eine Liste früherer Tickets oder Epics mit ihrer tatsächlichen Dauer. Bitte sie um die drei ähnlichsten Arbeiten und darum, wie lange diese wirklich gedauert haben. Wenn das Team 1 Personenmonat schätzt und ähnliche frühere Arbeit im Schnitt 2 brauchte, nimm die Evidenz oder halte fest, warum es diesmal anders ist. Das ist Reference-Class-Denken: Vergleiche mit dem, was passiert ist, nicht mit dem Idealfall.
Schritt 4: Ein Confidence-Audit durchführen
Bitte die KI, für jede Eingabe die zugrunde liegenden Belege aufzulisten und sie als beobachtet, abgeleitet oder angenommen zu kennzeichnen. Lege die Confidence dann per Regel fest, nicht nach Stimmung. Die folgende Stufenleiter ist ein Vorschlag für den Einstieg und kombiniert Intercoms drei Stufen mit Gilads Evidence-first-Idee:
Belege hinter Reach und Impact
Confidence
Gemessene Nutzung plus Test- oder Prototyp-Ergebnis
100 %
Nutzungsdaten plus wiederholte, belegte Kundenevidenz
80 %
Ein paar Anekdoten, eine Stakeholder-Anfrage oder ein Schritt der Konkurrenz
50 %
Nur die Überzeugung des Teams
Unter 50 %: erst testen, dann bewerten
Kopierbarer Prompt für das Confidence-Audit
You are auditing a RICE score. For the item below, list each input
(Reach, Impact, Confidence, Effort). For each one:
1. Quote or link the evidence provided that supports it.
2. Label it OBSERVED (measured or directly seen), INFERRED
(reasoned from evidence) or ASSUMED (no evidence given).
3. Flag any number that has no evidence.
Do not invent evidence. If none is provided, say "none provided".
Then recommend a Confidence level (100%, 80%, 50%) using this rule:
[paste your confidence ladder]
Item:
Proposed inputs:
Evidence (tickets, call notes, analytics output, past tickets):
Was kann KI bei einem RICE-Score nicht leisten?
KI macht die Eingaben billiger zu beschaffen. Sie macht sie nicht wahr. Drei Grenzen sind wichtig.
Sie kann selbstsicher falschliegen. In der Stack-Overflow-Umfrage 2025 misstrauten 46 % der Entwickler:innen der Genauigkeit von KI-Ausgaben, 33 % vertrauten ihr; 66 % nannten Antworten, die „almost right, but not quite“ sind, als größte Frustration (Stack Overflow, 2025). Behandle jede von KI vorgeschlagene Zahl als Entwurf mit Quellenangabe, oder verwirf sie.
Sie zählt Nennungen, nicht Wichtigkeit. Zehn Tickets von Free-Nutzer:innen und eines von deinem größten Kunden sind nicht vergleichbar, und ein Modell kennt deine Segment-Prioritäten nicht, solange du sie ihm nicht sagst.
Sie kennt deine Strategie nicht. RICE ordnet Einträge im Verhältnis zueinander. Ob einer davon dem Ziel dieses Quartals dient, ist eine andere Frage; warum Priorisierungs-Frameworks scheitern behandelt genau diese Lücke.
Wann solltest du den RICE-Score ignorieren?
RICE hat eine eingebaute Schlagseite: Die Division durch den Effort belohnt kleine, sichere Arbeit. Wer Scores blind folgt, landet in der Inkrementalismus-Falle: einer Roadmap voller kleiner Verbesserungen, während größere Wetten nie durchkommen, weil ihre Reach heute niedrig und ihr Effort hoch ist.
Überstimme den Score, und schreibe auf, warum, wenn:
Es eine Abhängigkeit ist. Etwas weiter oben auf der Liste kann ohne diesen Eintrag nicht ausgeliefert werden. Intercoms Artikel nennt diesen Fall.
Es zum Pflichtprogramm gehört. Wichtige Kund:innen kaufen oder bleiben nicht ohne dieses Feature, egal wie der Score aussieht.
Es eine bewusste strategische Wette ist. Manche Teams reservieren einen festen Anteil der Kapazität, etwa 20 %, für Wetten, die das Scoring nie auswählen würde. Diese Zahl ist eine verbreitete Konvention, kein Forschungsergebnis; wähle deine eigene und halte sie sichtbar.
Die Belege zu dünn zum Bewerten sind. Unter 50 % Confidence ist der richtige nächste Schritt ein Test, kein Ranking.
Protokolliere jede Ausnahme, damit die Begründung die Besprechung überlebt. Ein Decision Log eignet sich dafür gut.
Kopierbares KI-gestütztes RICE-Arbeitsblatt
Item:
Outcome it serves this quarter:
REACH
Definition (who, which workflow, which period):
Number:
Source (query, dashboard, export):
IMPACT (3 / 2 / 1 / 0.5 / 0.25)
Score:
Feedback cluster(s) and account count:
Two sourced quotes:
CONFIDENCE (100 / 80 / 50%)
Score:
Evidence level per the ladder:
What would raise it:
EFFORT (person-months)
Team estimate:
Comparable past work and actual duration:
Final estimate and reason:
RICE score:
Override? (dependency / table stakes / strategic bet / too thin to score):
Owner: Review date:
Häufige Fehler beim KI-gestützten RICE
Eine Feature-Liste in einen Chatbot kopieren und nach Scores fragen. Ohne Belege füllt das Modell Lücken mit plausiblen Zahlen. Du bekommst Scheingenauigkeit, nur schneller.
Die KI die Confidence für ihre eigene Ausgabe festlegen lassen. Das Confidence-Audit prüft die Belege, die du geliefert hast, nicht die Sicherheit des Modells.
Reach als Gesamtzahl der Nutzer:innen messen. Reach ist die Zahl der Personen, die den betroffenen Workflow im Zeitraum erreichen.
Einmal bewerten und nie nachprüfen. Vergleiche nach dem Launch den vorhergesagten Impact mit dem Ergebnis. Nur dieses Feedback kalibriert deine Skala.
Ausnahmen verstecken. Wenn der Favorit des CEO vorgezogen wird, erfasse das als Ausnahme mit Begründung, statt die Eingaben so lange zu verschieben, bis der Score passt.
Wo Specky ins Spiel kommt
Die Priorisierungsansicht von Specky bewertet ein Backlog mit RICE, ICE oder gewichteten Kriterien. Das KI-Scoring schlägt alle vier RICE-Eingaben aus dem Kontext deines Product Graph vor, etwa aus Kundengesprächen, Feedback, Tickets und Produktdaten, und ergänzt zu jedem Eintrag eine Begründung in einem Satz. Jede Eingabe bleibt editierbar, und das Ranking bleibt deine Entscheidung. Eine breitere Methode, die über RICE hinausgeht, findest du in So priorisierst du Product-Features.
Häufig gestellte Fragen
Wie lautet die RICE-Formel?
Die RICE-Formel lautet (Reach × Impact × Confidence) ÷ Effort. Reach ist die Zahl der betroffenen Personen pro Zeitraum, Impact wird von 0,25 bis 3 bewertet, Confidence beträgt 50 %, 80 % oder 100 %, und Effort wird in Personenmonaten gemessen. Beispiel: Reach 800, Impact 2, Confidence 50 % und Effort 1 ergeben einen Score von 800.
Was ist ein guter RICE-Score?
Einen allgemein guten Score gibt es nicht, weil die Reach von deiner Nutzerbasis und dem Zeitraum abhängt. RICE-Scores sind nur im Vergleich zu anderen Einträgen aussagekräftig, die dasselbe Team mit denselben Definitionen in derselben Runde bewertet hat. Behandle Einträge, die höchstens etwa 20 % auseinanderliegen, als Gleichstand und entscheide nach Strategie oder Belegen.
Wie legt man die Confidence bei RICE fest?
Binde die Confidence an Belege, nicht an Gefühle. Nimm 100 %, wenn gemessene Nutzung und ein Test die Schätzungen stützen, 80 %, wenn du Daten plus wiederholte Kundenevidenz hast, und 50 % bei Anekdoten oder Stakeholder-Anfragen. Intercoms Skala behandelt alles unter 50 % als Moonshot, und das heißt meist: erst testen, dann bewerten.
Kann ChatGPT oder ein anderes KI-Tool RICE-Scores berechnen?
KI kann rechnen und, was nützlicher ist, Belege für jede Eingabe sammeln: Feedback für den Impact clustern, Analytics-Abfragen für die Reach entwerfen und vergleichbare frühere Arbeit für den Effort finden. Sie sollte die Eingaben nicht erfinden. Gib ihr deine Belege, lass sie zitieren, was jede Zahl stützt, und überlasse das endgültige Ranking dem Team.
Was ist der Unterschied zwischen RICE und ICE?
RICE fügt die Reach hinzu und misst den Effort in Personenmonaten, fragt also, wie viele Personen eine Änderung betrifft. ICE bewertet Impact, Confidence und Ease auf groben Skalen, meist von 1 bis 10, und ist schneller anzuwenden. RICE passt zu reifen Produkten mit Nutzungsdaten, ICE zu schnellen Growth-Experimenten. Die Scorecard zur Priorisierung von KI-Use-Cases behandelt eine dritte Option für KI-Ideen.
Wie misst man die Reach bei RICE?
Zähle die Personen oder Accounts, die den betroffenen Workflow in einem festen Zeitraum erreichen, meist einem Quartal. Hole die Zahl, wo möglich, aus Product Analytics. Intercoms Beispiel multipliziert 500 Kund:innen pro Monat, die einen Signup-Schritt erreichen, mit den 30 %, die die Option wählen, und mit 3 Monaten. Das ergibt eine Reach von 450 pro Quartal.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing