17 mai 2026Mis à jour le Fathy Shalaby12 min de lecture
Méthode RICE et IA : scorer vos fonctionnalités sur des preuves, pas sur des intuitions
L’IA ne change pas la formule RICE. Elle change l’origine des données. Voici la formule, un exemple chiffré et un workflow en quatre étapes pour scorer Reach, Impact, Confidence et Effort à partir de preuves.
La méthode RICE note un chantier avec la formule (Reach × Impact × Confidence) ÷ Effort. Intercom l’a conçue et Sean McBride l’a publiée en 2018. L’IA ne change pas la formule ; elle change l’origine des données. Bien utilisée, l’IA tire le Reach des données d’usage, l’Impact des retours clients regroupés et la Confidence des preuves que vous détenez réellement. Le score cesse alors d’être une supposition habillée de chiffres.
L’essentiel
RICE utilise des échelles fixes : l’Impact va de 0,25 à 3, la Confidence vaut 100 %, 80 % ou 50 %, et l’Effort se mesure en personnes-mois (Intercom, 2018).
Les données les plus fragiles sont l’Impact et l’Effort. Chez Microsoft, seul un tiers des idées testées a amélioré la métrique visée (Kohavi et al., 2012), et dans une étude classique sur le biais de planification, des étudiants ont mis 55,5 jours pour des tâches qu’ils prévoyaient de terminer en 33,9 jours (Buehler et al., 1994, via Wikipedia).
Les PM savent que leurs données sont minces : 35 % de ceux qui peinent le plus à prioriser citent comme principal problème l’accès aux bonnes données (Craft.io, 2023).
L’IA fait déjà partie du quotidien : 94 % des 379 professionnels produit d’entreprise interrogés par Productboard utilisent l’IA tous les jours ou souvent (Productboard, 2025).
L’IA doit rassembler et citer les preuves de chaque donnée. Les arbitrages et l’ordre final restent l’affaire des humains.
Qu’est-ce que la méthode RICE ?
RICE est un modèle de scoring qui permet de comparer des chantiers produit. L’équipe d’Intercom l’a construit « from first principles », car les méthodes existantes se prêtaient mal à une comparaison cohérente d’idées très différentes, et l’article de McBride reste la référence (Intercom, 2018). Chaque lettre correspond à une question :
Combien de personnes cela touchera-t-il sur une période donnée ?
Nombre par trimestre, p. ex. 800 clients
Product analytics, listes de comptes
Écrire et exécuter la requête d’usage ; compter les comptes qui atteignent le workflow
Impact
Dans quelle mesure cela rapproche-t-il chaque personne de l’objectif ?
3 massif, 2 élevé, 1 moyen, 0,5 faible, 0,25 minime
Entretiens, tickets de support, motifs de désabonnement
Regrouper les retours, compter les comptes par thème, citer la source
Confidence
Quel degré de certitude avons-nous sur les autres estimations ?
100 % élevée, 80 % moyenne, 50 % faible
Tout ce qui étaye Reach et Impact
Vérifier quelles données reposent sur des preuves et lesquelles sont des hypothèses
Effort
Combien de temps d’équipe cela demandera-t-il ?
Personnes-mois (0,5 pour moins d’un mois)
Anciens tickets de taille comparable
Retrouver des travaux passés comparables et leur durée réelle
La formule multiplie les trois facteurs de valeur et divise par l’effort, ce qui donne « total impact per time worked ». McBride précise qu’elle « shouldn’t be used as a hard and fast rule » : un élément mal noté peut passer en premier s’il s’agit d’une dépendance ou d’un prérequis pour des clients clés. Pour un guide plus détaillé de chaque donnée, consultez le guide du framework de priorisation RICE.
Comment calculer un score RICE ?
Multipliez Reach × Impact × Confidence, puis divisez par l’Effort. L’article d’Intercom donne les données de trois projets exemples mais s’arrête avant les scores finaux. Les voici, calculés :
Projet
Reach (par trimestre)
Impact
Confidence
Effort (personnes-mois)
Score RICE
Projet 1
450
3
100 %
2
675
Projet 2
2 000
1
80 %
4
400
Projet 3
800
2
50 %
1
800
Le Reach du projet 1 vient de 500 clients par mois qui atteignent une étape du tunnel d’inscription, dont 30 % choisissent la nouvelle option, sur 3 mois : 500 × 0,3 × 3 = 450.
Regardez qui gagne. Le projet 3 arrive en tête avec seulement 50 % de confiance, parce qu’il coûte peu. C’est le score qui fait son travail : il signale un pari peu coûteux qui mérite d’être tenté. C’est aussi un avertissement. Un élément à 50 % de Confidence devrait généralement gagner sa place dans le développement complet grâce à un petit test. Testez vos propres chiffres avec le calculateur RICE gratuit.
Pourquoi la plupart des scores RICE sont-ils des suppositions ?
La formule est simple. C’est sur les données que les équipes font des économies.
La crise de la Confidence
La Confidence est censée pénaliser les estimations fragiles. En pratique, on choisit 80 % parce que 50 % donne l’impression de ne pas être prêt. Le Confidence Meter d’Itamar Gilad est sans ambiguïté : la conviction personnelle et les anecdotes ne devraient presque rien peser, et la confiance ne devrait monter qu’avec des preuves comme des tests et des données (Itamar Gilad).
L’Impact est généralement surestimé
Chez Microsoft, seul un tiers des idées testées en expérimentation contrôlée a amélioré la métrique qu’elles visaient (Kohavi et al., 2012). Si votre équipe attribue un Impact de 2 ou 3 à la plupart des idées, votre échelle dérive vers le haut.
L’Effort est généralement sous-estimé
Le biais de planification est bien documenté. Dans l’étude de Buehler, Griffin et Ross de 1994, des étudiants prévoyaient de terminer leur mémoire en 33,9 jours ; il leur en a fallu 55,5 en moyenne, et seuls 30 % environ ont respecté leur propre estimation (résumé de l’étude sur Wikipedia). Les ingénieurs qui estiment sous la pression de la roadmap subissent le même biais.
En cumulant les trois, un score RICE peut se tromper d’un multiple, pas seulement d’une marge. La solution passe par de meilleures données, pas par plus de décimales.
Comment l’IA peut-elle améliorer le scoring RICE ? Un workflow en quatre étapes
L’IA excelle à lire de gros volumes de preuves désordonnées : tickets, transcriptions d’appels, exports d’analytics, anciennes issues. C’est précisément le travail que la plupart des PM sautent au moment de scorer. Servez-vous-en pour ces quatre étapes.
Étape 1 : appuyer l’Impact sur des retours clients regroupés
Exportez les 90 derniers jours de tickets de support, de notes d’appels et de retours. Demandez à un modèle d’IA de les regrouper par problème sous-jacent, de compter les comptes distincts par groupe et d’extraire deux ou trois citations verbatim pour chacun. Associez ensuite les groupes à un Impact :
Bloque un workflow central ou apparaît dans les motifs de désabonnement → candidat à 2 ou 3.
Friction répétée avec une solution de contournement → 1.
Demande ponctuelle, aucune conséquence citée → 0,5 ou 0,25.
Vérifiez chaque groupe à l’aide des citations. L’IA regroupe selon la formulation, et deux clients peuvent employer des mots différents pour le même problème. Le modèle d’analyse des tickets de support fournit une base manuelle de comparaison.
Étape 2 : valider le Reach avec les product analytics
Remplacez « beaucoup d’utilisateurs veulent ça » par un nombre. Faites rédiger la requête d’analytics par l’IA (par exemple, les comptes distincts ayant ouvert la page de reporting au dernier trimestre), puis exécutez-la vous-même. Comptez les personnes qui atteignent le workflow concerné, pas l’ensemble de votre base d’utilisateurs. Un contrôle des product analytics avant le scoring évite l’erreur fréquente qui consiste à compter chaque compte comme atteignable.
Étape 3 : confronter l’Effort aux livraisons passées
Donnez à l’IA le périmètre et une liste de tickets ou d’epics passés avec leur durée réelle. Demandez les trois travaux les plus proches et le temps qu’ils ont réellement pris. Si l’équipe estime 1 personne-mois et que des travaux similaires en ont demandé 2 en moyenne, retenez les faits ou notez pourquoi cette fois sera différente. C’est le raisonnement par classe de référence : on se compare à ce qui s’est passé, pas au meilleur scénario.
Étape 4 : mener un audit de Confidence
Demandez à l’IA de lister, pour chaque donnée, les preuves sur lesquelles elle repose et de la qualifier d’observée, d’inférée ou d’hypothétique. Fixez ensuite la Confidence avec une règle, pas selon l’humeur. L’échelle ci-dessous est un point de départ suggéré, qui combine les trois niveaux d’Intercom et l’idée de Gilad selon laquelle les preuves passent d’abord :
Preuves derrière Reach et Impact
Confidence
Usage mesuré et résultat de test ou de prototype
100 %
Données d’usage et preuves clients répétées et sourcées
80 %
Quelques anecdotes, une demande d’un stakeholder ou une initiative d’un concurrent
50 %
Seulement la conviction de l’équipe
Moins de 50 % : testez avant de scorer
Prompt d’audit de Confidence à copier
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):
Que ne peut pas faire l’IA dans un score RICE ?
L’IA rend les données moins coûteuses à rassembler. Elle ne les rend pas vraies. Trois limites comptent.
Elle peut se tromper avec aplomb. Dans l’enquête Stack Overflow 2025, 46 % des développeurs se méfiaient de l’exactitude des résultats de l’IA et 33 % leur faisaient confiance ; 66 % citaient les réponses « almost right, but not quite » comme première frustration (Stack Overflow, 2025). Traitez tout chiffre proposé par l’IA comme un brouillon assorti d’une source, ou écartez-le.
Elle compte les mentions, pas l’importance. Dix tickets d’utilisateurs gratuits et un de votre plus gros client ne sont pas comparables, et un modèle ignore vos priorités de segments si vous ne les lui indiquez pas.
Elle ne connaît pas votre stratégie. RICE classe les éléments les uns par rapport aux autres. Savoir si l’un d’eux sert l’objectif du trimestre est une autre question ; pourquoi les frameworks de priorisation échouent traite précisément de cet écart.
Quand faut-il ignorer le score RICE ?
RICE a un biais intégré : diviser par l’Effort récompense le travail petit et sûr. Si vous suivez aveuglément les scores, vous tombez dans le piège de l’incrémental : une roadmap faite d’améliorations mineures, tandis que les paris plus ambitieux ne se qualifient jamais, parce que leur Reach est faible aujourd’hui et leur Effort élevé.
Passez outre le score, et notez pourquoi, lorsque :
C’est une dépendance. Un élément placé plus haut dans la liste ne peut pas être livré sans lui. L’article d’Intercom mentionne ce cas.
C’est un prérequis. Des clients clés n’achèteront pas ou ne resteront pas sans cela, quel que soit son score.
C’est un pari stratégique assumé. Certaines équipes réservent une part fixe de leur capacité, par exemple 20 %, à des paris que le scoring ne retiendrait jamais. Ce chiffre est une convention courante, pas un résultat de recherche ; choisissez le vôtre et gardez-le visible.
Les preuves sont trop minces pour scorer. En dessous de 50 % de Confidence, la bonne étape suivante est un test, pas un classement.
Consignez chaque dérogation pour que le raisonnement survive à la réunion. Un journal de décisions convient bien à cet usage.
Fiche RICE assistée par IA à copier
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:
Erreurs fréquentes avec le RICE assisté par IA
Coller une liste de fonctionnalités dans un chatbot et demander des scores. Sans preuves, le modèle comble les trous avec des chiffres plausibles. Vous obtenez une fausse précision, simplement plus vite.
Laisser l’IA fixer la Confidence de sa propre production. L’audit de Confidence vérifie les preuves que vous avez fournies, pas la certitude du modèle.
Mesurer le Reach comme le nombre total d’utilisateurs. Le Reach est le nombre de personnes qui atteignent le workflow concerné au cours de la période.
Scorer une fois et ne jamais revérifier. Après le lancement, comparez l’Impact prévu au résultat. Ce retour est le seul moyen d’étalonner votre échelle.
Cacher les dérogations. Si le choix du CEO passe devant tout le monde, enregistrez-le comme une dérogation motivée plutôt que de modifier les données jusqu’à ce que le score soit d’accord.
Où Specky intervient
La vue de priorisation de Specky note un backlog avec RICE, ICE ou des critères pondérés. Son scoring par IA suggère les quatre données RICE à partir du contexte de votre Product Graph, comme les appels clients, les retours, les tickets et les données produit, et ajoute pour chaque élément une justification en une phrase. Chaque donnée reste modifiable et le classement reste votre décision. Pour une méthode plus large qui dépasse RICE, lisez comment prioriser les fonctionnalités produit.
Questions fréquentes
Quelle est la formule RICE ?
La formule RICE est (Reach × Impact × Confidence) ÷ Effort. Le Reach est le nombre de personnes touchées par période, l’Impact est noté de 0,25 à 3, la Confidence vaut 50 %, 80 % ou 100 %, et l’Effort se mesure en personnes-mois. Par exemple, un Reach de 800, un Impact de 2, une Confidence de 50 % et un Effort de 1 donnent un score de 800.
Qu’est-ce qu’un bon score RICE ?
Il n’existe pas de bon score universel, car le Reach dépend de votre base d’utilisateurs et de la période. Les scores RICE n’ont de sens que relativement aux autres éléments notés par la même équipe, avec les mêmes définitions, dans la même session. Considérez comme ex æquo les éléments à moins de 20 % d’écart environ et décidez selon la stratégie ou les preuves.
Comment fixer la Confidence dans RICE ?
Reliez la Confidence aux preuves, pas au ressenti. Prenez 100 % lorsque l’usage mesuré et un test étayent les estimations, 80 % lorsque vous avez des données et des preuves clients répétées, et 50 % pour des anecdotes ou des demandes de stakeholders. L’échelle d’Intercom traite tout ce qui est sous 50 % comme un moonshot, ce qui signifie généralement qu’il faut tester avant de scorer.
ChatGPT ou un autre outil d’IA peut-il calculer des scores RICE ?
L’IA sait faire le calcul et, plus utile encore, rassembler des preuves pour chaque donnée : regrouper les retours pour l’Impact, rédiger des requêtes d’analytics pour le Reach et retrouver des travaux passés comparables pour l’Effort. Elle ne doit pas inventer les données. Donnez-lui vos preuves, demandez-lui de citer ce qui étaye chaque chiffre et laissez le classement final à l’équipe.
Quelle est la différence entre RICE et ICE ?
RICE ajoute le Reach et mesure l’Effort en personnes-mois ; il demande donc combien de personnes un changement touche. ICE note l’Impact, la Confidence et l’Ease sur des échelles approximatives, généralement de 1 à 10, et s’applique plus vite. RICE convient aux produits matures dotés de données d’usage, ICE aux expériences de croissance rapides. La grille de priorisation des cas d’usage IA présente une troisième option pour les idées d’IA.
Comment mesurer le Reach dans RICE ?
Comptez les personnes ou les comptes qui atteindront le workflow concerné sur une période fixe, généralement un trimestre. Tirez le chiffre des product analytics lorsque c’est possible. L’exemple d’Intercom multiplie 500 clients par mois qui atteignent une étape d’inscription par les 30 % qui choisissent l’option, puis par 3 mois, ce qui donne un Reach de 450 par trimestre.
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