RICE 的问题：Confidence 和 Effort 会系统性失真
RICE 是 Reach 乘 Impact 乘 Confidence 除以 Effort。这套在 AI 产品上有两个坑。一是 Effort 严重低估：一个 AI 功能写 prompt 两天出 demo，但做到「可用」要建评测集、做兜底、调提示词、处理长尾 case，经常是两三个月。表面成本只有真实成本的一个零头，用 RICE 一算，AI 功能个个分数虚高，排期全乱。
举个具体的例子。我们评估过两个需求：给内容审核加 AI 初筛，RICE 算出来平平无奇；做 AI 自动写周报，分数很高。实际做下来，写周报那个 Effort 翻了三倍——每个人想要的格式不一样、数据口径不一样，长尾需求没完没了；审核初筛看着不性感，但错误可兜底（人再审一遍）、效果可量化，两周就上线了。所以现在我看到 AI 需求的第一反应是：先把 Effort 乘三，再算分。
二是 Impact 不是线性的。传统功能做到 80 分有 80 分的价值，AI 功能不是——准确率 60% 的 AI 助手 Impact 是负的，用户被坑一次就走；准确率过了 85% 那个坎，价值才突然跳正。我的修法：RICE 别当打分表，当对齐工具，它的真正价值是强制团队把覆盖人数、影响、信心、成本摆到一张桌上吵。另外给 Confidence 加一条 AI 专属纪律：凡是效果依赖模型表现、还没拿真实 case 验证过的需求，信心分上限打七折。
KANO 更适合 AI 产品，因为兴奋型需求贬值极快
KANO 把需求分必备、期望、兴奋、无差异、反向五类。AI 行业的特殊性在于：兴奋型功能的半衰期可能只有半年。2022 年底 ChatGPT 能写诗，全网惊呼；2024 年豆包、Kimi 都能写，这就成了期望型；今天哪个模型写不了诗会被用户骂。半年前发布会上的亮点，现在就是及格线。
所以我的用法是每季度重做一次 KANO 调研，重点盯迁移：哪些功能正从兴奋掉到期望——掉下来的就要保证质量不掉队，这是防守；新资源集中投向新的兴奋点，这是进攻。还有一个容易被忽略的类别是反向型需求：不是所有用户都想要 AI。WPS 的 AI 弹窗、一些笔记软件强推的 AI 助手都被用户吐槽过，给「关掉 AI」留个体面的入口，本身就是在满足需求。
KANO 调研在 AI 产品上还有个执行细节：别问用户「你想不想要 AI 功能」，没人会说不想，问了全是假阳性。要问行为：「过去一个月，你为解决某个问题花过钱、或者花过两小时以上吗？」愿意付出过代价的需求才是真需求，嘴上想要的要打折。
AI 特有的第三个维度：可行性必须进优先级公式
传统排序只看价值和成本，AI 产品必须再加一条「做不做得出来」：技术成熟度够不够、数据拿不拿得到。一个用户价值满分但模型只能做到 60% 正确的需求，排第一也是浪费。我的实操是两步排序：先按用户价值分档（必须做、应该做、可做），每一档内部再按可行性和成本排——价值高的档里，先做可行性高的，快速交付、快速积累信任和反馈，把难啃的放在团队手感起来之后。排进迭代的需求，两周内必须能看到真实使用数据，看不到就先撤下来，别占着位置空转。
别迷信框架
说实话，真正决定优先级的从来不是公式，是三件事：公司今年的战略要什么、北极星指标是什么、少数关键用户的真实声音有多响。框架的作用是让吵架有共同语言——当销售说客户急要、老板说战略需要、你说用户数据不支持时，RICE 那张表至少能让三方在说同一件事。谁把框架当自动答题机，谁就是在把决策责任外包给一张 Excel。还有个最朴素的土办法：看团队的兴奋点和用户的抱怨点在哪交汇，客服每天被问一百遍的问题、用户在群里自发安利的功能，比任何打分表都诚实。框架用熟之后的标志，是你能说出每个框架在你的产品上失真的具体位置，而不是把分数算到小数点后一位——精度越高，假客观越严重，讨论反而越容易跑偏。