17 maggio 2026Aggiornato il Fathy Shalaby12 min di lettura
Framework RICE con l'AI: dai un punteggio alle feature sulle evidenze, non a intuito
L'AI non cambia la formula RICE. Cambia da dove arrivano i dati. Ecco la formula, un esempio svolto e un workflow in quattro passaggi per valutare Reach, Impact, Confidence ed Effort a partire dalle evidenze.
Il framework RICE assegna a un lavoro il punteggio (Reach × Impact × Confidence) ÷ Effort. L'ha creato Intercom e Sean McBride l'ha pubblicato nel 2018. L'AI non cambia la formula; cambia da dove arrivano i dati. Usata bene, l'AI ricava il Reach dai dati di utilizzo, l'Impact dal feedback dei clienti raggruppato e la Confidence dalle evidenze che hai davvero, così il punteggio smette di essere un'ipotesi ben vestita.
Punti chiave
RICE usa scale fisse: l'Impact va da 0,25 a 3, la Confidence è 100%, 80% o 50%, e l'Effort si misura in persone-mese (Intercom, 2018).
I dati più deboli sono Impact ed Effort. In Microsoft solo un terzo delle idee testate ha migliorato la metrica a cui puntava (Kohavi et al., 2012), e in uno studio classico sulla planning fallacy gli studenti hanno impiegato 55,5 giorni per compiti che prevedevano di finire in 33,9 (Buehler et al., 1994, via Wikipedia).
I PM sanno che i dati sono scarni: il 35% di chi fa più fatica con la prioritizzazione indica come problema principale il reperimento dei dati giusti (Craft.io, 2023).
L'AI è già nel workflow: il 94% dei 379 professionisti di prodotto enterprise intervistati da Productboard usa l'AI ogni giorno o spesso (Productboard, 2025).
L'AI dovrebbe raccogliere e citare le evidenze per ogni dato. Le persone restano responsabili dei trade-off e dell'ordine finale.
Che cos'è il framework RICE?
RICE è un modello di scoring per confrontare il lavoro di prodotto. Il team di Intercom l'ha costruito "from first principles" perché i metodi esistenti rendevano difficile confrontare in modo coerente idee diverse, e l'articolo di McBride resta il riferimento (Intercom, 2018). Ogni lettera è una domanda:
Interviste, ticket di supporto, motivi di abbandono
Raggruppare il feedback, contare gli account per tema, citare la fonte
Confidence
Quanto siamo sicuri delle altre stime?
100% alta, 80% media, 50% bassa
Ciò che sostiene Reach e Impact
Verificare quali dati hanno evidenze e quali sono ipotesi
Effort
Quanto tempo di team richiederà?
Persone-mese (0,5 per meno di un mese)
Ticket passati di dimensioni simili
Trovare lavoro passato comparabile e la sua durata reale
La formula moltiplica i tre fattori di valore e divide per l'effort, ottenendo il "total impact per time worked". McBride precisa che "shouldn't be used as a hard and fast rule": un elemento con punteggio basso può passare per primo se è una dipendenza o un requisito imprescindibile per clienti chiave. Per una guida più approfondita a ogni dato, consulta la guida al framework di prioritizzazione RICE.
Come si calcola un punteggio RICE?
Moltiplica Reach × Impact × Confidence, poi dividi per l'Effort. L'articolo di Intercom fornisce i dati di tre progetti di esempio ma si ferma prima dei punteggi finali. Eccoli, calcolati:
Progetto
Reach (a trimestre)
Impact
Confidence
Effort (persone-mese)
Punteggio RICE
Progetto 1
450
3
100%
2
675
Progetto 2
2.000
1
80%
4
400
Progetto 3
800
2
50%
1
800
Il Reach del progetto 1 deriva da 500 clienti al mese che raggiungono un punto del funnel di registrazione, il 30% dei quali sceglie la nuova opzione, su 3 mesi: 500 × 0,3 × 3 = 450.
Guarda chi vince. Il progetto 3 è in cima con appena il 50% di confidenza, perché costa poco. È il punteggio che fa il suo lavoro: segnala una scommessa economica che vale la pena tentare. È anche un avvertimento. Un elemento con Confidence al 50% dovrebbe di solito guadagnarsi uno slot di sviluppo completo con un piccolo test. Prova i tuoi numeri con il calcolatore RICE gratuito.
Perché la maggior parte dei punteggi RICE sono ipotesi?
La formula è semplice. Sono i dati il punto in cui i team tagliano gli angoli.
La crisi della Confidence
La Confidence dovrebbe sgonfiare le stime deboli. In pratica si sceglie 80% perché 50% sembra impreparazione. Il Confidence Meter di Itamar Gilad lo dice chiaramente: la convinzione personale e gli aneddoti dovrebbero contare quasi nulla, e la confidenza dovrebbe salire solo con evidenze come test e dati (Itamar Gilad).
L'Impact di solito è sovrastimato
In Microsoft, solo un terzo delle idee testate in esperimenti controllati ha migliorato la metrica che doveva migliorare (Kohavi et al., 2012). Se il tuo team assegna Impact 2 o 3 alla maggior parte delle idee, la tua scala sta derivando verso l'alto.
L'Effort di solito è sottostimato
La planning fallacy è ben documentata. Nello studio di Buehler, Griffin e Ross del 1994, gli studenti prevedevano che la tesi avrebbe richiesto 33,9 giorni; in media ne servirono 55,5, e solo circa il 30% finì entro la propria stima (sintesi dello studio su Wikipedia). Gli ingegneri che stimano sotto la pressione della roadmap subiscono lo stesso bias.
Mettendo insieme le tre cose, un punteggio RICE può sbagliare di un multiplo, non di un margine. La soluzione sono dati migliori, non più decimali.
Come può l'AI migliorare lo scoring RICE? Un workflow in quattro passaggi
L'AI è brava a leggere grandi volumi di evidenze disordinate: ticket, trascrizioni di chiamate, export di analytics, issue passate. È esattamente il lavoro che la maggior parte dei PM salta quando assegna i punteggi. Usala per questi quattro passaggi.
Passaggio 1: basare l'Impact sul feedback dei clienti raggruppato
Esporta gli ultimi 90 giorni di ticket di supporto, note di chiamata e feedback. Chiedi a un modello di AI di raggrupparli per problema di fondo, contare gli account distinti per gruppo ed estrarre due o tre citazioni testuali per ciascuno. Poi associa i gruppi all'Impact:
Blocca un workflow centrale o compare nei motivi di abbandono → candidato a 2 o 3.
Attrito ripetuto con una soluzione alternativa → 1.
Richiesta occasionale, nessuna conseguenza indicata → 0,5 o 0,25.
Controlla ogni gruppo con le citazioni. L'AI raggruppa in base alle parole, e due clienti possono usare parole diverse per lo stesso problema. Il template per l'analisi dei ticket di supporto ti offre una base manuale con cui confrontarti.
Passaggio 2: validare il Reach con le product analytics
Sostituisci "molti utenti lo vogliono" con un numero. Fai scrivere all'AI la query di analytics (per esempio, gli account distinti che hanno aperto la pagina dei report nell'ultimo trimestre), poi eseguila tu. Conta le persone che raggiungono il workflow interessato, non l'intera base utenti. Un controllo delle product analytics prima di assegnare i punteggi evita l'errore comune di considerare raggiungibile ogni account.
Passaggio 3: confrontare l'Effort con le consegne passate
Dai all'AI lo scope e un elenco di ticket o epic passati con la loro durata effettiva. Chiedile i tre lavori più simili e quanto sono durati davvero. Se il team stima 1 persona-mese e il lavoro simile del passato ha avuto una media di 2, usa l'evidenza oppure annota perché stavolta sarà diverso. È il ragionamento per classe di riferimento: confronta con ciò che è successo, non con il caso migliore.
Passaggio 4: fare un audit della Confidence
Chiedi all'AI di elencare, per ogni dato, le evidenze che lo sostengono e di etichettarlo come osservato, dedotto o ipotizzato. Poi fissa la Confidence con una regola, non con l'umore. La scala qui sotto è un punto di partenza suggerito, che unisce i tre livelli di Intercom all'idea di Gilad che vengano prima le evidenze:
Evidenze dietro Reach e Impact
Confidence
Utilizzo misurato più un risultato di test o prototipo
100%
Dati di utilizzo più evidenze di clienti ripetute e con fonte
80%
Qualche aneddoto, la richiesta di uno stakeholder o una mossa di un concorrente
50%
Solo la convinzione del team
Sotto il 50%: fai un test prima di assegnare il punteggio
Prompt per l'audit della Confidence da copiare
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):
Cosa non può fare l'AI in un punteggio RICE?
L'AI rende i dati più economici da raccogliere. Non li rende veri. Contano tre limiti.
Può sbagliare con sicurezza. Nel sondaggio Stack Overflow 2025, il 46% degli sviluppatori non si fidava dell'accuratezza dell'output dell'AI e il 33% sì; il 66% ha indicato le risposte "almost right, but not quite" come principale frustrazione (Stack Overflow, 2025). Tratta ogni numero suggerito dall'AI come una bozza con una fonte allegata, oppure scartalo.
Conta le menzioni, non l'importanza. Dieci ticket di utenti gratuiti e uno del tuo cliente più grande non sono comparabili, e un modello non conosce le priorità dei tuoi segmenti se non gliele dici.
Non conosce la tua strategia. RICE ordina gli elementi l'uno rispetto all'altro. Se qualcuno di essi serva l'obiettivo di questo trimestre è un'altra questione; perché i framework di prioritizzazione falliscono affronta proprio questo divario.
Quando dovresti ignorare il punteggio RICE?
RICE ha un'inclinazione incorporata: dividere per l'Effort premia il lavoro piccolo e sicuro. Se segui i punteggi alla cieca, finisci nella trappola dell'incrementale: una roadmap di piccoli miglioramenti mentre le scommesse più grandi non si qualificano mai perché oggi il loro Reach è basso e il loro Effort alto.
Scavalca il punteggio, e annota perché, quando:
È una dipendenza. Qualcosa più in alto nell'elenco non può uscire senza di esso. L'articolo di Intercom cita questo caso.
È un requisito imprescindibile. I clienti chiave non compreranno né resteranno senza, qualunque sia il punteggio.
È una scommessa strategica deliberata. Alcuni team riservano una quota fissa di capacità, per esempio il 20%, a scommesse che lo scoring non sceglierebbe mai. Quel numero è una convenzione diffusa, non un risultato di ricerca; scegli il tuo e tienilo visibile.
Le evidenze sono troppo scarse per dare un punteggio. Sotto il 50% di Confidence, il passo successivo giusto è un test, non una classifica.
Registra ogni eccezione perché il ragionamento sopravviva alla riunione. Un decision log funziona bene per questo.
Foglio di lavoro RICE assistito dall'AI da copiare
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:
Errori comuni con il RICE assistito dall'AI
Incollare un elenco di feature in un chatbot e chiedere i punteggi. Senza evidenze, il modello riempie i vuoti con numeri plausibili. Ottieni falsa precisione, solo più in fretta.
Lasciare che l'AI stabilisca la Confidence del proprio output. L'audit della Confidence controlla le evidenze che hai fornito, non la sicurezza del modello.
Misurare il Reach come totale degli utenti. Il Reach è il numero di persone che raggiungono il workflow interessato nel periodo.
Dare un punteggio una volta e non ricontrollare mai. Dopo il lancio, confronta l'Impact previsto con il risultato. Quel feedback è l'unico modo per calibrare la tua scala.
Nascondere le eccezioni. Se la scelta del CEO salta la coda, registrala come eccezione con una motivazione invece di ritoccare i dati finché il punteggio non concorda.
Dove si inserisce Specky
La vista di prioritizzazione di Specky assegna un punteggio a un backlog con RICE, ICE o criteri ponderati. Il suo scoring con l'AI suggerisce tutti e quattro i dati RICE a partire dal contesto del tuo Product Graph, come chiamate con i clienti, feedback, ticket e dati di prodotto, e aggiunge per ogni elemento una motivazione di una frase. Ogni dato resta modificabile e la classifica resta una tua decisione. Per un metodo più ampio che va oltre RICE, leggi come dare priorità alle feature di prodotto.
Domande frequenti
Qual è la formula RICE?
La formula RICE è (Reach × Impact × Confidence) ÷ Effort. Il Reach è il numero di persone coinvolte per periodo, l'Impact è valutato da 0,25 a 3, la Confidence è 50%, 80% o 100%, e l'Effort si misura in persone-mese. Per esempio, Reach 800, Impact 2, Confidence 50% ed Effort 1 danno un punteggio di 800.
Qual è un buon punteggio RICE?
Non esiste un buon punteggio universale, perché il Reach dipende dalla tua base utenti e dal periodo. I punteggi RICE hanno senso solo rispetto ad altri elementi valutati dallo stesso team, con le stesse definizioni, nello stesso giro. Considera pari gli elementi che distano circa il 20% o meno, e decidi in base alla strategia o alle evidenze.
Come si imposta la Confidence in RICE?
Lega la Confidence alle evidenze, non alle sensazioni. Usa 100% quando l'utilizzo misurato e un test sostengono le stime, 80% quando hai dati più evidenze di clienti ripetute, e 50% per aneddoti o richieste di stakeholder. La scala di Intercom tratta qualsiasi valore sotto il 50% come un moonshot, il che di solito significa che conviene testare prima di assegnare il punteggio.
ChatGPT o un altro strumento di AI può calcolare i punteggi RICE?
L'AI può fare l'aritmetica e, cosa più utile, raccogliere evidenze per ogni dato: raggruppare il feedback per l'Impact, scrivere query di analytics per il Reach e trovare lavoro passato comparabile per l'Effort. Non dovrebbe inventare i dati. Dalle le tue evidenze, chiedile di citare ciò che sostiene ogni numero e lascia la classifica finale al team.
Qual è la differenza tra RICE e ICE?
RICE aggiunge il Reach e misura l'Effort in persone-mese, quindi chiede quante persone tocca un cambiamento. ICE valuta Impact, Confidence ed Ease su scale approssimative, di solito da 1 a 10, ed è più rapido da applicare. RICE si adatta a prodotti maturi con dati di utilizzo; ICE a rapidi esperimenti di crescita. La scorecard di prioritizzazione dei casi d'uso AI presenta una terza opzione per le idee di AI.
Come si misura il Reach in RICE?
Conta le persone o gli account che raggiungeranno il workflow interessato in un periodo fisso, di solito un trimestre. Ricavalo dalle product analytics quando possibile. L'esempio di Intercom moltiplica 500 clienti al mese che raggiungono un passaggio della registrazione per il 30% che sceglie l'opzione per 3 mesi, ottenendo un Reach di 450 a 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