17 mei 2026Bijgewerkt op Fathy Shalaby12 min leestijd
RICE-framework met AI: score features op basis van bewijs, niet op gevoel
AI verandert de RICE-formule niet. Het verandert waar de invoer vandaan komt. Hier vind je de formule, een uitgewerkt voorbeeld en een workflow in vier stappen om Reach, Impact, Confidence en Effort op basis van bewijs te scoren.
Het RICE-framework scoort een stuk werk als (Reach × Impact × Confidence) ÷ Effort. Intercom bouwde het en Sean McBride publiceerde het in 2018. AI verandert de formule niet; het verandert waar de invoer vandaan komt. Goed gebruikt haalt AI de Reach uit gebruiksdata, de Impact uit geclusterde klantfeedback en de Confidence uit het bewijs dat je echt hebt, zodat de score geen mooi verpakte gok meer is.
Belangrijkste punten
RICE gebruikt vaste schalen: Impact loopt van 0,25 tot 3, Confidence is 100%, 80% of 50%, en Effort wordt gemeten in persoonmaanden (Intercom, 2018).
De zwakste invoer is Impact en Effort. Bij Microsoft verbeterde slechts een derde van de geteste ideeën de metric waarop ze mikten (Kohavi et al., 2012), en in een klassiek onderzoek naar de planning fallacy deden studenten 55,5 dagen over taken waarvan ze dachten dat ze 33,9 dagen zouden duren (Buehler et al., 1994, via Wikipedia).
PM'ers weten dat de invoer dun is: 35% van degenen die het meeste moeite hebben met prioriteren zegt dat het grootste probleem is om aan de juiste data te komen (Craft.io, 2023).
AI zit al in de workflow: 94% van de 379 door Productboard ondervraagde productprofessionals bij grote bedrijven gebruikt dagelijks of vaak AI (Productboard, 2025).
AI hoort per invoer bewijs te verzamelen en te citeren. Mensen blijven eigenaar van de afwegingen en de uiteindelijke volgorde.
Wat is het RICE-framework?
RICE is een scoremodel om productwerk te vergelijken. Het team van Intercom bouwde het "from first principles", omdat bestaande methodes het lastig maakten om verschillende ideeën consistent te vergelijken, en het artikel van McBride blijft de referentie (Intercom, 2018). Elke letter is een vraag:
Feedback clusteren, accounts per thema tellen, de bron citeren
Confidence
Hoe zeker zijn we van de andere schattingen?
100% hoog, 80% gemiddeld, 50% laag
Wat Reach en Impact ook onderbouwt
Nagaan welke invoer bewijs heeft en welke aannames zijn
Effort
Hoeveel teamtijd kost het?
Persoonmaanden (0,5 voor minder dan een maand)
Eerdere tickets van vergelijkbare omvang
Vergelijkbaar eerder werk vinden en de echte doorlooptijd
De formule vermenigvuldigt de drie waardefactoren en deelt door de effort, wat "total impact per time worked" oplevert. McBride is duidelijk dat het "shouldn't be used as a hard and fast rule": een item met een lage score kan als eerste worden opgepakt als het een afhankelijkheid is of een must-have voor belangrijke klanten. Voor een diepere uitleg van elke invoer, zie de gids voor het RICE-prioriteringsframework.
Hoe bereken je een RICE-score?
Vermenigvuldig Reach × Impact × Confidence en deel dan door Effort. Het artikel van Intercom geeft de invoer voor drie voorbeeldprojecten, maar stopt voor de eindscores. Hier zijn ze uitgewerkt:
Project
Reach (per kwartaal)
Impact
Confidence
Effort (persoonmaanden)
RICE-score
Project 1
450
3
100%
2
675
Project 2
2.000
1
80%
4
400
Project 3
800
2
50%
1
800
De Reach van project 1 komt van 500 klanten per maand die een punt in de aanmeldfunnel bereiken, waarvan 30% voor de nieuwe optie kiest, over 3 maanden: 500 × 0,3 × 3 = 450.
Kijk wat er wint. Project 3 staat bovenaan met maar 50% confidence, omdat het goedkoop is. Dat is de score die zijn werk doet: hij wijst een goedkope gok aan die het proberen waard is. Het is ook een waarschuwing. Een item met 50% confidence moet meestal eerst een kleine test doen voordat het een volledig bouwslot krijgt. Reken met je eigen cijfers in de gratis RICE-calculator.
Waarom zijn de meeste RICE-scores gokjes?
De formule is simpel. De invoer is waar teams bezuinigen.
De confidence-crisis
Confidence hoort zwakke schattingen te corrigeren. In de praktijk kiezen mensen 80% omdat 50% onvoorbereid klinkt. Itamar Gilads Confidence Meter maakt het punt duidelijk: eigen overtuiging en anekdotes zouden bijna niets mogen tellen, en confidence zou alleen moeten stijgen met bewijs zoals tests en data (Itamar Gilad).
Impact wordt meestal overschat
Bij Microsoft verbeterde slechts een derde van de ideeën die in gecontroleerde experimenten werden getest de metric waarvoor ze bedoeld waren (Kohavi et al., 2012). Als je team de meeste ideeën een Impact van 2 of 3 geeft, schuift je schaal omhoog.
Effort wordt meestal onderschat
De planning fallacy is goed gedocumenteerd. In het onderzoek van Buehler, Griffin en Ross uit 1994 voorspelden studenten dat hun scriptie 33,9 dagen zou kosten; gemiddeld kostte het 55,5 dagen, en slechts ongeveer 30% was klaar binnen de eigen schatting (samenvatting van het onderzoek op Wikipedia). Engineers die schatten onder roadmapdruk hebben last van dezelfde bias.
Zet die drie bij elkaar en een RICE-score kan er een veelvoud naast zitten, niet slechts een marge. De oplossing is betere invoer, niet meer decimalen.
Hoe kan AI RICE-scoring verbeteren? Een workflow in vier stappen
AI is goed in het lezen van grote hoeveelheden rommelig bewijs: tickets, gespreksopnames, analytics-exports, oude issues. Dat is precies het werk dat de meeste PM'ers bij het scoren overslaan. Gebruik het voor deze vier stappen.
Stap 1: Onderbouw Impact met geclusterde klantfeedback
Exporteer de laatste 90 dagen aan supporttickets, gespreksnotities en feedback. Vraag een AI-model ze te clusteren op onderliggend probleem, het aantal unieke accounts per cluster te tellen en per cluster twee of drie letterlijke quotes te halen. Koppel de clusters daarna aan Impact:
Blokkeert een kernworkflow of komt voor in opzegredenen → kandidaat voor 2 of 3.
Herhaalde frictie met een workaround → 1.
Incidenteel verzoek, geen gevolg genoemd → 0,5 of 0,25.
Controleer elk cluster aan de hand van de quotes. AI groepeert op woordkeus, en twee klanten kunnen verschillende woorden gebruiken voor hetzelfde probleem. De template voor supportticketanalyse geeft je een handmatige basis om mee te vergelijken.
Stap 2: Valideer Reach met product analytics
Vervang "veel gebruikers willen dit" door een getal. Laat AI de analyticsquery opstellen (bijvoorbeeld unieke accounts die het afgelopen kwartaal de rapportagepagina openden) en draai die zelf. Tel de mensen die de betrokken workflow bereiken, niet je hele gebruikersbestand. Een product analytics-check vóór het scoren voorkomt de veelgemaakte fout om elk account als bereikbaar te tellen.
Stap 3: Toets Effort aan eerdere oplevering
Geef AI de scope en een lijst met eerdere tickets of epics met hun werkelijke doorlooptijd. Vraag om de drie meest vergelijkbare stukken werk en hoe lang ze echt duurden. Als het team 1 persoonmaand schat en vergelijkbaar werk gemiddeld 2 kostte, gebruik dan het bewijs of schrijf op waarom het deze keer anders is. Dit is reference-class-denken: vergelijk met wat er gebeurd is, niet met het beste scenario.
Stap 4: Voer een confidence-audit uit
Vraag AI om per invoer het bewijs erachter op te sommen en te labelen als waargenomen, afgeleid of aangenomen. Bepaal Confidence dan met een regel, niet met een bui. De onderstaande ladder is een voorgesteld startpunt dat Intercoms drie niveaus combineert met Gilads idee dat bewijs voorop staat:
Bewijs achter Reach en Impact
Confidence
Gemeten gebruik plus een test- of prototyperesultaat
100%
Gebruiksdata plus herhaald, bronvermeld klantbewijs
80%
Een paar anekdotes, een verzoek van een stakeholder of een zet van een concurrent
50%
Alleen de overtuiging van het team
Onder 50%: eerst testen, dan scoren
Kopieerbare prompt voor de 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):
Wat kan AI niet in een RICE-score?
AI maakt de invoer goedkoper om te verzamelen. Het maakt hem niet waar. Drie beperkingen zijn belangrijk.
Het kan met overtuiging fout zitten. In de Stack Overflow-enquête van 2025 wantrouwde 46% van de ontwikkelaars de juistheid van AI-uitvoer en vertrouwde 33% erop; 66% noemde antwoorden die "almost right, but not quite" zijn als grootste frustratie (Stack Overflow, 2025). Behandel elk door AI voorgesteld getal als een concept met een bron erbij, of gooi het weg.
Het telt vermeldingen, geen belang. Tien tickets van gratis gebruikers en één van je grootste klant zijn niet vergelijkbaar, en een model kent je segmentprioriteiten niet tenzij je ze vertelt.
Het kent je strategie niet. RICE rangschikt items ten opzichte van elkaar. Of een van die items bijdraagt aan het resultaat van dit kwartaal is een aparte vraag; waarom prioriteringsframeworks falen behandelt precies die kloof.
Wanneer moet je de RICE-score negeren?
RICE heeft een ingebouwde scheefstand: delen door Effort beloont klein, veilig werk. Wie scores blind volgt, trapt in de incrementele valkuil: een roadmap vol kleine verbeteringen, terwijl grotere gokken nooit kwalificeren omdat hun Reach nu laag is en hun Effort hoog.
Overrule de score, en schrijf op waarom, wanneer:
Het een afhankelijkheid is. Iets hoger op de lijst kan niet live zonder dit. Intercoms artikel noemt dit geval.
Het een must-have is. Belangrijke klanten kopen of blijven niet zonder, wat de score ook is.
Het een bewuste strategische gok is. Sommige teams reserveren een vast deel van de capaciteit, bijvoorbeeld 20%, voor gokken die scoring nooit zou kiezen. Dat getal is een gangbare conventie, geen onderzoeksresultaat; kies je eigen getal en houd het zichtbaar.
Het bewijs te dun is om te scoren. Onder 50% confidence is de juiste volgende stap een test, geen ranking.
Log elke override zodat de redenering de meeting overleeft. Een decision log werkt hier goed voor.
Kopieerbaar AI-ondersteund RICE-werkblad
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:
Veelgemaakte fouten met AI-ondersteunde RICE
Een featurelijst in een chatbot plakken en om scores vragen. Zonder bewijs vult het model de gaten met plausibele getallen. Je krijgt schijnprecisie, alleen sneller.
AI de Confidence van zijn eigen uitvoer laten bepalen. De confidence-audit controleert het bewijs dat jij hebt aangeleverd, niet de zekerheid van het model.
Reach meten als totaal aantal gebruikers. Reach is het aantal mensen dat de betrokken workflow in de periode bereikt.
Eén keer scoren en nooit meer controleren. Vergelijk na de lancering de voorspelde Impact met het resultaat. Die feedback is de enige manier waarop je schaal wordt gekalibreerd.
Overrides verbergen. Als de favoriet van de CEO de rij voorbijgaat, leg dat dan vast als override met een reden in plaats van de invoer bij te schaven tot de score het eens is.
Waar Specky past
De prioriteringsweergave van Specky scoort een backlog met RICE, ICE of gewogen criteria. De AI-scoring stelt alle vier de RICE-invoeren voor op basis van de context in je Product Graph, zoals klantgesprekken, feedback, tickets en productdata, en voegt per item een onderbouwing van één zin toe. Elke invoer blijft aanpasbaar en de ranking blijft jouw beslissing. Voor een bredere methode die verder gaat dan RICE, lees hoe je productfeatures prioriteert.
Veelgestelde vragen
Wat is de RICE-formule?
De RICE-formule is (Reach × Impact × Confidence) ÷ Effort. Reach is het aantal getroffen mensen per periode, Impact wordt gescoord van 0,25 tot 3, Confidence is 50%, 80% of 100%, en Effort wordt gemeten in persoonmaanden. Bijvoorbeeld: Reach 800, Impact 2, Confidence 50% en Effort 1 geeft een score van 800.
Wat is een goede RICE-score?
Er is geen universeel goede score, omdat Reach afhangt van je gebruikersbestand en de periode. RICE-scores zeggen alleen iets ten opzichte van andere items die hetzelfde team met dezelfde definities in dezelfde ronde heeft gescoord. Beschouw items die binnen ongeveer 20% van elkaar liggen als gelijkspel en beslis op basis van strategie of bewijs.
Hoe bepaal je Confidence in RICE?
Koppel Confidence aan bewijs, niet aan gevoel. Gebruik 100% wanneer gemeten gebruik en een test de schattingen ondersteunen, 80% wanneer je data plus herhaald klantbewijs hebt, en 50% voor anekdotes of verzoeken van stakeholders. Intercoms schaal beschouwt alles onder 50% als een moonshot, wat meestal betekent dat je eerst moet testen voordat je scoort.
Kunnen ChatGPT of een andere AI-tool RICE-scores berekenen?
AI kan het rekenwerk doen en, nuttiger nog, bewijs verzamelen voor elke invoer: feedback clusteren voor Impact, analyticsqueries opstellen voor Reach en vergelijkbaar eerder werk vinden voor Effort. Het mag de invoer niet verzinnen. Geef het je bewijs, laat het citeren wat elk getal onderbouwt en laat de uiteindelijke ranking bij het team.
Wat is het verschil tussen RICE en ICE?
RICE voegt Reach toe en meet Effort in persoonmaanden, en vraagt dus hoeveel mensen een wijziging raakt. ICE scoort Impact, Confidence en Ease op ruwe schalen, meestal 1–10, en is sneller toe te passen. RICE past bij volwassen producten met gebruiksdata; ICE bij snelle growth-experimenten. De scorecard voor het prioriteren van AI-use cases behandelt een derde optie voor AI-ideeën.
Hoe meet je Reach in RICE?
Tel de mensen of accounts die de betrokken workflow in een vaste periode bereiken, meestal een kwartaal. Haal het waar mogelijk uit product analytics. Intercoms voorbeeld vermenigvuldigt 500 klanten per maand die een aanmeldstap bereiken met de 30% die de optie kiest en met 3 maanden, wat een Reach van 450 per kwartaal geeft.
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