AI agent 平台最常见的一种错觉，是把“功能已经稳定”理解成“现在可以大规模切换了”。单个租户、单个部门、单个流程跑通，确实说明平台能力开始成熟；但大规模迁移时，系统面对的不再只是功能风险，而是支持容量、review 队列、例外处理、回滚窗口和客户沟通会一起被放大。很多迁移事故并不是因为模型突然变差，而是因为团队一次性切得太多，让原本可控的问题在同一周里堆成了组织性事故。
问题通常出在 rollout 方式。平台团队容易按时间表或客户优先级切流，觉得越快完成越好；业务团队则希望尽量早迁，以便更快享受自动化收益。可如果 cohort 不是按风险相似性、兜底能力和支持承载能力来切，而只是按“谁先来、谁重要”来切，平台就会在最需要可解释性的阶段失去归因边界。等异常开始出现时，谁也说不清到底是某个 domain 问题、某类租户问题，还是整个平台还没准备好。
所以 rollout wave planning 的价值，不是让迁移更保守，而是让平台用更少的组织代价换更多的确定性。没有 cohort slicing，大规模推广永远更像赌一次“这次应该不会一起出事”。
建议配合 AI agent Benchmark Suite 与 Acceptance Bar、AI agent Customer-Facing Incident Communication、AI agent Support Replay Pack 与 Escalation Handoff 和 AI agent Portfolio Control Tower 一起看。
波次切分最怕按日历排，而不是按风险切片
| 切分方式 | 看起来为什么合理 | 真正的隐患 |
|---|---|---|
| 按时间表切 | 方便项目管理和对外承诺 | 风险相异租户被混在同一波里，出问题很难归因 |
| 按客户重要度切 | 先服务重点客户 | 一旦出问题，最贵客户最先感受到波动 |
| 按风险相似性切 | 同一波次共享相近数据结构、权限、fallback 和支持路径 | 更容易观察、回滚和提炼迁移经验 |
很多 rollout 失败并不是切得太快，而是切得太混。看似每一波都不大，但因为业务域、连接器、地区、权限模型和人工 review 习惯都混在一起，平台根本无法从第一波学到足够明确的东西，就被推着进入第二波。
Cohort 设计真正要看的，不只是技术相似性，还要看支持承载能力
一个可操作的 cohort 至少应该同时考虑：
- 流程相似性：输入结构、输出格式、例外类型是否足够接近
- 风险相似性：是否都依赖同类 review、同类审批或同类高风险动作
- 支持路径：出了问题是否会落到同一批支持、同一批 domain owner 身上
- 回滚难度：一旦退回旧流程，是否会牵涉同一类切换动作
原因很简单。AI agent rollout 不只是系统切流，还会切换人们处理问题的方式。支持链路和 domain owner 是否准备好，常常和模型质量同样决定这波迁移能不能稳住。
一个常见事故：每个租户单看都不复杂，放在一起却把支持链路压穿了
某团队准备把一套文档审查自动化在两周内推广到十几个业务部门。单看每个部门，都不是高难度场景，平台也已经通过了离线 benchmark。问题出在他们把所有部门按业务优先级混排进三波 rollout。第一波就同时包含了两个高例外部门、一个海外区域团队和一个依赖特殊审批的客户。功能层面没有大面积崩，但支持同学很快被不同类型的问题同时拖住：
- 一类是权限和审批链路不一致
- 一类是历史文档字段口径差异很大
- 一类是业务负责人不接受当前 fallback 方式
平台最后被迫暂停第二波，不是因为模型分数不够，而是因为第一波根本没法提供清晰经验。后来他们重做 cohort：先按流程相似性和 fallback 路径重组，再把支持值守能力纳入波次容量。这样之后，第一波的经验才能真正被第二波复用。
真正成熟的 rollout，不是“顺利切过去”，而是每一波都能产出下一波的门槛信息
每一波 rollout 至少应该回答三类问题：
- 哪类问题是场景固有问题，下一波类似 cohort 会继续遇到
- 哪类问题只是当前 cohort 的特殊性，不该影响下一波判断
- 哪类信号说明平台还不能继续放量，必须先修系统或修支持链路
如果每一波结束后团队只得到一个模糊结论，比如“总体还行，但有一些问题”，那说明 cohort 切得仍然不够好。因为平台没法据此决定到底该继续、暂停，还是改切分方式。
如果你现在只能先补一层，先把“谁不能和谁同波上线”写出来
很多平台会先做更复杂的 rollout 仪表盘，但更有区分力的第一步，往往是把最容易相互干扰的迁移类型先列出来。哪些租户不能和哪些租户同波，哪些高例外场景必须后置，哪些需要同一批支持人员值守。只要这份冲突表还不存在，平台就会继续把 rollout 当成排期问题，而不是风险切片问题。
AI agent 平台的大规模推广，不怕慢一点，怕的是一次把太多不同的未知数绑进同一波。切得对，平台才能越迁越稳；切得乱，平台只会越迁越不敢迁。
延伸阅读：
