Examen AI-901: Microsoft Azure AI Fundamentals

radio_button_uncheckedshort_textDescripción rápida y datos esenciales del examen

Información verificada en las páginas oficiales de Microsoft el 31 de julio de 2026. El contenido programático considerado es el vigente desde el 15 de abril de 2026.

Vista rápida

El AI-901 es el examen actual para la certificación Microsoft Certified: Azure AI Fundamentals. Reemplaza a AI-900 y mantiene el nivel introductorio, pero presenta una orientación más práctica: del 55 % al 60 % de la evaluación está asociada a la implementación de soluciones en Microsoft Foundry. El candidato debe comprender los principales tipos de carga de trabajo de IA y saber cómo realizar actividades básicas con prompts, modelos, agentes, texto, voz, visión por computadora y extracción de información.

Datos esenciales del examen

radio_button_uncheckedshort_text1. Introducción

La inteligencia artificial ya no es un tema restringido a los laboratorios de investigación y ha pasado a formar parte del desarrollo diario de aplicaciones, servicios digitales, automatización corporativa y experiencias multimodales. En este escenario, la certificación Microsoft Certified: Azure AI Fundamentals funciona como una puerta de entrada para los profesionales que necesitan comprender los conceptos esenciales de la IA y reconocer cómo estos conceptos se transforman en soluciones en la nube de Microsoft Azure.

El examen AI-901 es la evaluación asociada a esta certificación. Está diseñado para validar no solo la capacidad de reconocer términos y tipos de cargas de trabajo, sino también habilidades técnicas fundamentales para usar las capacidades de Azure AI a través de Microsoft Foundry. La matriz actual dedica la mayor parte del peso de la prueba a la implementación básica de soluciones, lo que hace que el examen sea más aplicado que una evaluación puramente conceptual.

Este artículo presenta el propósito del examen, el perfil esperado del candidato, la estructura de la evaluación, los contenidos requeridos y la importancia práctica de cada dominio. También aclara la transición de AI-900 a AI-901 e indica cómo interpretar correctamente el nivel de profundidad requerido.

radio_button_uncheckedshort_text2. ¿Qué es el examen AI-901?

El AI-901: Microsoft Azure AI Fundamentals es el examen que actualmente cumple con el requisito de certificación Microsoft Certified: Azure AI Fundamentals. Tras la aprobación, el candidato demuestra conocimientos fundamentales sobre inteligencia artificial y habilidades iniciales para trabajar con soluciones de IA en el ecosistema de Azure.

Microsoft clasifica el examen como una credencial de nivel de entrada. Sin embargo, "principiante" no significa una ausencia total de práctica técnica. El perfil oficial establece que el candidato debe tener conocimientos conceptuales de soluciones de IA en Azure, tener habilidades técnicas fundamentales para trabajar con ellas, comprender la sintaxis y técnicas de programación en Python y estar familiarizado con los recursos de Azure. También se espera contacto con formas comunes de integración, como API REST, SDK e interfaces de línea de comandos.

La prueba está asociada al rol de Ingeniero de IA, aunque no pretende validar el nivel de profundidad de una certificación intermedia o avanzada. Su objetivo es verificar si el candidato puede identificar el tipo apropiado de IA para un escenario, comprender los principios responsables involucrados y realizar tareas simples de creación y consumo de soluciones en Microsoft Foundry.

Examen y certificación no son lo mismo

AI-901 es el código del examen. Microsoft Certified: Azure AI Fundamentals es el nombre de la certificación que se obtiene al cumplir el requisito. Actualmente no hay exámenes relacionados adicionales: aprobar el AI-901 es el requisito enumerado para esta credencial.

radio_button_uncheckedshort_text3. La transición de AI-900 a AI-901

El AI-901 reemplazó al anterior AI-900, que se retiró el 30 de junio de 2026. La certificación Azure AI Fundamentals se mantuvo, pero el examen utilizado para obtenerla se actualizó para reflejar la evolución del portafolio de IA de Microsoft y la creciente centralidad del Microsoft Foundry.

AI-900 dividió la evaluación en cinco áreas conceptuales: cargas de trabajo y consideraciones de IA, principios de aprendizaje automático, visión por computadora, procesamiento del lenguaje natural e IA generativa. AI-901 reorganizó la matriz en solo dos dominios principales y comenzó a reservar entre el 55 % y el 60 % de la puntuación para implementar soluciones con Foundry.

Este cambio indica una diferencia importante en las expectativas. En el examen anterior, un candidato con buena comprensión conceptual y conocimiento general de los servicios podría estar bien ubicado. En AI-901, el estudio meramente teórico tiende a ser insuficiente, porque la matriz menciona explícitamente tareas como desplegar modelos, interactuar a través del portal, crear clientes livianos con SDK, probar agentes y construir aplicaciones simples que procesen texto, voz, imágenes y documentos.

Comparación resumida

radio_button_uncheckedshort_text4. ¿A quién está destinado AI-901?

La audiencia oficial está formada por personas que se encuentran al inicio de su carrera desarrollando soluciones de inteligencia artificial. Esto incluye a los profesionales que aún no son ingenieros de IA pero que desean establecer una base técnica verificable para comprender, crear prototipos e integrar capacidades de IA en Azure.

El examen suele estar especialmente indicado para los siguientes perfiles:

• Desarrolladores principiantes de IA que ya dominan los fundamentos de la programación y desean aprender sobre el ecosistema de Microsoft para aplicaciones generativas, multimodales y agentes.
• Profesionales de la tecnología que trabajan con aplicaciones, API, integración, nube, datos o automatización y necesitan comprender dónde encajan las capacidades de IA en una arquitectura.
• Estudiantes de informática, ingeniería, análisis de sistemas, ciencia de datos o un campo relacionado que busquen una primera credencial de Microsoft en inteligencia artificial.
• Arquitectos, analistas técnicos, consultores y profesionales de preventa que necesitan hablar con equipos de ingeniería sobre modelos, implementación, seguridad, uso responsable e integración.
• Profesionales que estudiaron para el AI-900, pero quieren actualizar su preparación para la nueva matriz centrada en el Microsoft Foundry.

Por otro lado, AI-901 no está diseñado para demostrar un dominio avanzado del entrenamiento de modelos, matemáticas de aprendizaje automático, MLOps, arquitectura de producción distribuida o desarrollo de agentes complejos. Los profesionales que ya diseñan e implementan sistemas completos de IA pueden encontrar el examen introductorio demasiado introductorio. Aún así, puede resultar útil para organizar la terminología oficial de Microsoft y validar la familiaridad con la plataforma.

Un examen introductorio pero no totalmente técnico.

El principal cambio de perfil con respecto a AI-900 es que AI-901 supone conocimientos básicos de Python, programación y recursos de Azure. No es necesario ser un experto, pero el candidato debe comprender cómo una aplicación se autentica, llama a un endpoint, envía entradas, recibe respuestas y trata una solución de IA como parte de un sistema de software.

radio_button_uncheckedshort_text5. Conocimientos previos recomendados

Microsoft no requiere certificación previa y no incluye exámenes relacionados obligatorios. Aun así, el perfil oficial y las rutas de aprendizaje indican una base mínima recomendada. El candidato debe comprender conceptos de informática, matemáticas elementales, Python y fundamentos de la nube.

1. Computación y programación: variables, tipos de datos, estructuras condicionales, repetición, funciones, módulos, manejo básico de errores y lectura de ejemplos de código en Python.
2. Integración de aplicaciones: nociones de HTTP, solicitudes y respuestas, JSON, autenticación, endpoints y uso de bibliotecas o SDKs para consumir servicios.
3. Azure: conceptos de suscripción, grupo de recursos, región, implementación, identidad, permisos, almacenamiento, computación y creación de recursos administrados.
4. Matemáticas básicas: interpretación de probabilidades, métricas, datos estructurados y no estructurados e idea general de cómo los modelos aprenden patrones. La matriz no requiere demostraciones matemáticas avanzadas.
5. Conceptos de IA: diferencia entre modelos predictivos y generativos, texto, habla, visión, extracción de información, multimodalidad y agentes.

El candidato también debe sentirse cómodo con el vocabulario práctico: portal, proyecto, endpoint, implementación de modelo, credencial, SDK, prompt del sistema, prompt del usuario, agente, herramienta, entrada multimodal y contenido extraído.

radio_button_uncheckedshort_text6. Estructura y características de la prueba

La matriz vigente desde el 15 de abril de 2026 divide la evaluación en dos grandes áreas. La primera comprueba si el candidato comprende los conceptos, capacidades y escenarios de la IA. La segunda evalúa la implementación básica de soluciones en Microsoft Foundry. Los porcentajes representan la proporción aproximada de preguntas asignadas a cada área y muestran dónde se debe concentrar el esfuerzo de estudio.

La puntuación mínima informada por Microsoft es 700. Este valor no debe interpretarse como un porcentaje directo de respuestas correctas, porque Microsoft utiliza una escala de puntuación. La página oficial también indica que la mayoría de las preguntas abordan funciones de disponibilidad general, aunque las funciones de vista previa pueden aparecer cuando se utilizan ampliamente.

En la fecha de revisión de este artículo, la página del examen solo mostraba el idioma inglés y no indicaba una fecha de retirada. Microsoft también advierte que, cuando un examen no esté disponible en el idioma preferido del candidato, se puede solicitar tiempo adicional. Las tarifas de inscripción varían según el país o región donde se realice el examen y deben confirmarse al programarlo.

Otro punto administrativo relevante es la recomendación de registrar la prueba con una cuenta personal de Microsoft. La propia Microsoft advierte que los registros asociados a una sola cuenta de la organización pueden perderse si el usuario abandona la institución o empresa.

radio_button_uncheckedshort_text7. Dominio 1: Identificar conceptos y capacidades de IA (40% a 45%)

Este dominio evalúa si el candidato puede comprender los fundamentos que guían la elección y el uso de soluciones de IA. No basta con memorizar los nombres de los productos. Es necesario reconocer riesgos, capacidades, limitaciones y el tipo de modelo o carga de trabajo apropiado para una necesidad empresarial.

7.1 Principios de IA responsable

Las soluciones de IA pueden afectar a las personas, los procesos y las decisiones. Por tanto, la matriz requiere que el candidato sepa describir seis dimensiones de la IA responsable. Las preguntas pueden presentar un escenario y preguntar qué consideración se debe priorizar, qué riesgo está presente o qué acción reduce un problema determinado.

1. Equidad: evaluar si el sistema trata injustamente de manera diferente a grupos e individuos. En un modelo de crédito, por ejemplo, se debe verificar si las características correlacionadas con los grupos protegidos producen resultados discriminatorios.
2. Confiabilidad y seguridad: garantizar que la solución funcione de manera consistente, se pruebe en condiciones realistas, maneje fallas y evite resultados peligrosos o inesperados.
3. Privacidad y seguridad: proteja datos, credenciales, prompts, salidas e información personal. Esto implica acceso controlado, almacenamiento adecuado, minimización de datos y prevención de exposición indebida.
4. Inclusión: diseñar soluciones que puedan ser utilizadas por personas con diferentes capacidades, contextos, lenguajes y necesidades, evitando que la tecnología excluya a una parte del público.
5. Transparencia: Permitir que los usuarios comprendan cuándo interactúan con la IA, cuáles son las limitaciones de la solución y, cuando corresponda, cómo se produjo el resultado.
6. Responsabilidad: definir quién es el responsable del sistema, decisiones de implementación, seguimiento y corrección de problemas. La decisión final no debe atribuirse de manera abstracta al modelo.

En la práctica, estas dimensiones se superponen. Una aplicación de análisis de CV puede tener riesgos de equidad, privacidad y transparencia al mismo tiempo. El examen puede requerir que el candidato identifique la inquietud más directamente asociada con el escenario presentado.

7.2 Componentes y configuraciones del modelo de IA

La matriz requiere que el candidato describa cómo funcionan los modelos generativos, seleccione modelos según las capacidades y reconozca las opciones de implementación y los parámetros de configuración. El nivel esperado es conceptual y operativo: entender qué cambia al elegir otro modelo, otra modalidad u otra configuración.

Entre los aspectos que se deben entender están:

• Los modelos generativos toman una entrada, procesan el contexto y producen nuevos resultados, como texto, código, imagen, audio o contenido multimodal.
• Los diferentes modelos pueden variar en calidad, velocidad, costo, tamaño del contexto, modalidades admitidas, capacidad de razonamiento e idoneidad para una tarea.
• Una implementación hace que el modelo esté disponible para el consumo de las aplicaciones, generalmente a través de un endpoint, credenciales y parámetros definidos en el entorno.
• Los parámetros de generación influyen en el comportamiento de respuesta, como el grado de variabilidad, el límite de producción y la preferencia por alternativas más o menos probables.
• La elección del modelo debe partir del escenario: clasificar texto, chatear, analizar una imagen, generar una figura, responder a un audio o ejecutar una tarea agencial no son necesidades idénticas.

El examen puede presentar dos o más alternativas y preguntar qué modelo o tipo de implementación cumple mejor con los requisitos de multimodalidad, costo, latencia o capacidad. El candidato no necesita memorizar todos los modelos disponibles en el catálogo, pero sí debe comprender los criterios de selección.

7.3 Cargas de trabajo de IA

La tercera parte del dominio conceptual implica reconocer escenarios para cargas de trabajo comunes. La habilidad principal es transformar una necesidad descrita en lenguaje empresarial en el tipo de solución técnica más adecuada.

IA generativa

Creación o transformación de contenidos. Los ejemplos incluyen responder preguntas, resumir documentos, producir texto, generar imágenes y ayudar a escribir código. El candidato debe distinguir la generación de contenidos del análisis determinista o la extracción estructurada.

IA con agentes

Soluciones en las que a un agente se le asigna un objetivo, utiliza instrucciones y contexto, puede invocar herramientas y sigue pasos para completar una tarea. El agente no es sólo un chatbot: puede planificar acciones, consultar fuentes e interactuar con servicios.

Análisis de texto

Procesamiento de contenido textual para identificar palabras clave, entidades, sentimiento, temas, idioma, resumen y otras características semánticas.

Voz

Reconocimiento de voz para convertir voz en texto y síntesis para transformar texto en voz. También pueden aparecer escenarios de interacción hablada con modelos multimodales.

Visión por computadora

Interpretación de imágenes y contenido visual, incluida la descripción, el análisis, el reconocimiento de elementos y el uso de información visual en prompts multimodales.

Generación de imágenes

Producción de nuevos elementos visuales a partir de instrucciones textuales u otros insumos, distinguiendo la generación del análisis visual.

Extracción de información

Transformación de documentos, formularios, imágenes, audio o vídeo en datos y campos útiles. La atención se centra en obtener estructura a partir de contenido no estructurado o semiestructurado.

radio_button_uncheckedshort_text8. Dominio 2: Implementar soluciones de IA utilizando Microsoft Foundry (55 % a 60 %)

Este es el dominio más importante y la característica más llamativa de AI-901. El candidato debe reconocer cómo se crea, configura, prueba y consume una solución. La palabra “implementar” debe interpretarse en el nivel fundamental: ejecutar tareas guiadas en el portal, comprender pequeños fragmentos de código y ensamblar aplicaciones livianas, sin requerir una arquitectura de producción avanzada.

8.1 El papel de Microsoft Foundry

Microsoft Foundry sirve como una plataforma central para explorar modelos, organizar proyectos, implementar recursos, crear agentes, probar prompts e integrar capacidades de IA en aplicaciones. En el contexto del examen, representa el entorno unificado en el que se desarrollan y consumen diferentes cargas de trabajo.

El candidato debe comprender la relación entre el portal y el código. El portal le permite configurar y probar recursos visualmente; el SDK y los endpoints permiten que una aplicación utilice estos mismos recursos mediante programación. En una pregunta, una actividad se puede describir como configuración en el portal de Foundry o como consumo por parte de un pequeño cliente de Python.

8.2 Aplicaciones y agentes de IA generativa

La matriz enumera cinco habilidades específicas para la IA generativa y los agentes: elaborar prompts efectivas, implementar un modelo, interactuar con él en el portal, crear un cliente de chat liviano, construir y probar una solución con un solo agente y crear un cliente para ese agente.

1. Prompts del sistema y del usuario: el prompt del sistema establece el comportamiento general, reglas, roles y límites; el mensaje del usuario contiene la solicitud concreta. El candidato debe saber separar las instrucciones permanentes de la tarea actual y formular solicitudes claras, contextualizadas y verificables.
2. Despliegue del modelo: Seleccione un modelo, póngalo a disposición en el proyecto, defina un despliegue y obtenga los elementos necesarios para la integración. La implementación convierte una opción del catálogo en un recurso consumible.
3. Interacción del portal: utilice una experiencia de prueba para enviar prompts, observar respuestas y ajustar instrucciones o parámetros antes de integrar la solución en el código.
4. Cliente de chat con SDK: inicializa un cliente, autentica, hace referencia a la implementación, envía mensajes y maneja la respuesta. El código tiende a ser breve, pero el candidato debe comprender el flujo.
5. Agente único: definir instrucciones, recursos y comportamiento de un agente; pruébalo en el portal; luego cree una aplicación cliente que envíe solicitudes y rastree respuestas o ejecuciones.

¿Qué significa “cliente ligero”?

Es una pequeña aplicación, creada para demostrar la integración con el servicio. En general, implica algunos pasos: configurar el endpoint y la autenticación, crear instancias de un cliente, enviar entradas, recibir salidas y presentar o procesar el resultado. No se trata de construir una plataforma de producción completa.

8.3 Texto y voz

El candidato debe saber construir una aplicación sencilla que realice análisis de texto, responder a comandos hablados a través de un modelo multimodal implementado y utilizar Azure Speech en Foundry Tools.

En el análisis de texto, el estudio debe incluir la identificación de palabras clave, entidades, sentimiento y resúmenes. La pregunta puede solicitar el recurso apropiado, la secuencia de integración básica o la interpretación del resultado devuelto. Es importante comprender que los modelos de propósito general pueden realizar tareas textuales, mientras que las herramientas especializadas ofrecen capacidades estructuradas para ciertos escenarios.

En el habla hay dos caminos principales. Un servicio especializado puede reconocer y sintetizar voz; un modelo multimodal puede aceptar instrucciones de audio o habladas como parte de la interacción. El candidato debe reconocer cuándo utilizar la transcripción, la síntesis, la interacción conversacional o una combinación de estas capacidades.

8.4 Visión e imágenes por computadora

La matriz le pide al candidato que interprete las entradas visuales en prompts con modelos multimodales, cree nuevas salidas visuales con modelos generativos y desarrolle una aplicación liviana con capacidades de visión.

Interpretar una imagen significa enviar contenido visual junto con instrucciones y solicitar un análisis, descripción, comparación, identificación o respuesta contextual. Generar una imagen significa crear nuevo contenido visual a partir de un mensaje. Estos procesos utilizan diferentes modalidades y pueden requerir diferentes modelos y endpoints.

En una aplicación de visión liviana, el flujo generalmente incluye preparar la imagen o su referencia, enviar la entrada al modelo, definir la instrucción de análisis y procesar la respuesta. El candidato debe conocer los formatos aceptados, los límites de entrada, la seguridad del contenido y la idoneidad del modelo para el objetivo.

8.5 Extracción de información con Azure Content Understanding

La extracción de información es una de las áreas que más destaca la expansión de AI-901. La matriz menciona explícitamente Azure Content Understanding en Foundry Tools para extraer datos de documentos y formularios, imágenes, audio y video.

El objetivo es convertir contenido complejo en información utilizable. En un formulario, esto podría significar identificar campos y valores; en una imagen, localizar elementos o datos; en audio, reconocer segmentos e información relevante; en vídeo, combinar señales visuales y sonoras. La aplicación cliente recibe información, solicita análisis y utiliza la salida estructurada en el proceso de negocio.

El candidato debe entender la diferencia entre simplemente generar una descripción libre y extraer datos con estructura. En muchos escenarios corporativos, el valor está en transformar contenidos no estructurados en campos que puedan alimentar sistemas, búsquedas, validaciones o automatizaciones.

radio_button_uncheckedshort_text9. Qué puede aparecer en preguntas prácticas y de escenarios

Microsoft no publica el formato exacto de todas las preguntas con anticipación, pero la matriz le permite predecir los tipos de razonamiento que el candidato deberá aplicar. En lugar de limitarse a estudiar definiciones aisladas, es más eficaz practicar decisiones y secuencias de implementación.

1. Elección de carga de trabajo: una empresa quiere identificar nombres de organizaciones y ubicaciones en las reseñas de los clientes. El candidato debe reconocer el análisis de texto con detección de entidades, no con generación de imágenes o síntesis de voz.
2. IA responsable: un sistema tiene tasas de error muy diferentes entre grupos de usuarios. La principal preocupación es la equidad, aunque la confiabilidad y la responsabilidad también pueden desempeñar un papel en la solución.
3. Modelo multimodal: una aplicación necesita recibir una fotografía y responder preguntas sobre el contenido visual. La elección debe recaer en un modelo con capacidades de visión, no en un modelo exclusivamente textual.
4. Solicitud: una aplicación siempre debe responder en un formato determinado y evitar revelar datos confidenciales. Las reglas persistentes pertenecen al indicador del sistema; la pregunta específica pertenece al mensaje del usuario.
5. Agente: un asistente necesita consultar una fuente o realizar una acción para lograr un objetivo. El escenario sugiere una solución agente con herramientas, no sólo una respuesta generada sin acceso a recursos externos.
6. Comprensión del contenido: una organización desea extraer campos de contratos, imágenes adjuntas y grabaciones de reuniones. La solución debe considerar la extracción multimodal y la generación de resultados estructurados.
7. Cliente de Python: un fragmento de código crea un cliente, utiliza un endpoint y una credencial y envía una solicitud. La pregunta puede preguntar qué elemento falta, qué método inicia la interacción o cómo se obtiene la respuesta.

Como la guía informa que el candidato debe conocer API REST, SDK y CLI, pueden aparecer preguntas que comparen métodos de acceso o muestren pequeños fragmentos de comandos y código. El objetivo no es memorizar una aplicación extensa, sino comprender el papel del endpoint, la autenticación, los parámetros, la carga útil, el modelo implementado y la respuesta.

radio_button_uncheckedshort_text10. El nivel esperado de Python

AI-901 no es un examen de programación Python, pero Python aparece como una habilidad básica. Esto significa que el candidato debe ser capaz de leer y comprender un cliente de IA sencillo, identificar sus componentes y realizar pequeñas adaptaciones.

Se recomienda dominar:

• Creación de variables, cadenas, listas y diccionarios.
• Importación de paquetes y clases.
• Creación de instancias de cliente y paso de parámetros.
• Lectura de valores en objetos o respuestas JSON.
• Uso de funciones y estructuras condicionales básicas.
• Manejo de errores simple y validación de entradas.
• Uso seguro de credenciales, prefiriendo variables de entorno o mecanismos de identidad a secretos codificados.

No es necesario estudiar algoritmos avanzados, bibliotecas de ciencia de datos en profundidad o entrenamiento manual de redes neuronales para alcanzar el alcance descrito. La prioridad es comprender la integración entre la aplicación y los recursos implementados en Azure.

radio_button_uncheckedshort_text11. Cómo interpretar la mención del aprendizaje automático

La descripción resumida en la página del examen incluso menciona "principios fundamentales del aprendizaje automático en Azure". Sin embargo, la guía de estudio actual organiza las habilidades en dos dominios y no incluye una sección independiente de aprendizaje automático como existía en AI-900. En la matriz actual, el conocimiento relacionado con los modelos aparece principalmente en la operación del modelo generativo, la selección del modelo, las opciones de implementación y el reconocimiento de la carga de trabajo.

Para el estudio se debe tomar como referencia principal la guía de habilidades medida desde el 15 de abril de 2026. Sigue siendo útil conocer conceptos básicos de modelos, datos, entrenamiento e inferencia, pero el candidato debe evitar dedicar la mayor parte de su tiempo a algoritmos clásicos que no aparecen explícitamente en la matriz actual. El enfoque práctico es utilizar las capacidades disponibles en el Microsoft Foundry.

Regla de prioridad para el estudio.

Cuando una descripción general y una matriz detallada parezcan tener énfasis diferentes, priorice la guía de estudio más reciente y sus temas de “Habilidades medidas”. Es el documento que detalla cómo se evalúan las habilidades.

radio_button_uncheckedshort_text12. Itinerarios oficiales de preparación

Microsoft ofrece dos rutas de aprendizaje de seis módulos. Se complementan entre sí: la primera desarrolla la base conceptual; el segundo lleva al candidato a practicar en Azure y Microsoft Foundry.

12.1 Conceptos de IA para desarrolladores y profesionales de la tecnología

Esta ruta de aprendizaje es introductoria y solo requiere conocimientos básicos de informática y matemáticas. Abarca conceptos y terminología generales de IA antes de profundizar en las cargas de trabajo más importantes:

• Introducción a los conceptos de IA e IA responsable.
• IA generativa, grandes modelos de lenguaje, prompts y agentes.
• Procesamiento del lenguaje natural y análisis de textos.
• Reconocimiento y síntesis de voz.
• Visión por computadora.
• Extraer información de documentos, imágenes y otras fuentes no estructuradas.

12.2 Introducción a las aplicaciones y agentes de IA en Azure

Esta ruta de aprendizaje presupone conceptos básicos de informática y Python. Muestra cómo comenzar con cargas de trabajo y soluciones en Microsoft Foundry e incluye actividades prácticas:

• Comience a utilizar la IA en Azure y a utilizar endpoints de Foundry.
• Modelos generativos y agentes en Microsoft Foundry.
• Análisis de texto y construcción de un cliente de Python ligero.
• Reconocimiento y síntesis de voz con Azure Speech.
• Análisis visual y generación de imágenes o videos con modelos multimodales y generativos.
• Extrayendo información con Azure Content Understanding.

La secuencia más coherente es estudiar primero los conceptos y luego repetir cada área en su versión práctica. Por ejemplo: comprender el PLN y el análisis de texto; luego realizar el módulo de análisis de texto en Azure. Este emparejamiento reduce la distancia entre definición e implementación.

radio_button_uncheckedshort_text13. Estrategia de estudio recomendada

Una preparación eficaz debe reflejar la distribución de la prueba. Como el dominio de implementación representa del 55 % al 60 %, no es apropiado dedicar casi todo el tiempo a memorizar conceptos. El candidato deberá combinar lectura, práctica en el portal y lectura de ejemplos cortos en Python.

1. Mapear la matriz: convertir cada viñeta oficial en un objetivo de estudio verificable. Evite utilizar únicamente resúmenes AI-900 antiguos.
2. Construya la base conceptual: estudie la IA responsable, los tipos de carga de trabajo, los modelos generativos, la multimodalidad, el análisis de texto, el habla, la visión, los agentes y la extracción de información.
3. Practique en Foundry: cree o explore un proyecto, pruebe un modelo, ajuste prompts, observe endpoints, comprenda las implementaciones y experimente con un agente simple.
4. Juegue con clientes livianos: lea y ejecute pequeños ejemplos de chat, análisis de texto, habla, visión y extracción de información. Centrarse en la estructura común de las integraciones.
5. Entrene las decisiones arquitectónicas: para cada escenario, responda: ¿qué carga de trabajo, qué tipo de modelo, qué herramienta, qué entrada, qué salida y qué riesgo de IA es responsable?
6. Utilice la evaluación de práctica oficial: Microsoft proporciona una evaluación de práctica en AI Skills Navigator. El acceso requiere autenticación y puede ayudar a identificar lagunas antes del examen.
7. Revisa la guía cerca de la prueba: los exámenes se actualizan periódicamente. Confirme la fecha y matriz actuales antes de programar o realizar la evaluación.

radio_button_uncheckedshort_text14. Para quién AI-901 puede no ser suficiente

La certificación valida los fundamentos. No reemplaza la experiencia en proyectos reales y no demuestra, de forma aislada, la capacidad de liderar soluciones complejas de IA. Algunos objetivos profesionales requieren estudios adicionales:

• Entrenar, evaluar y optimizar modelos de aprendizaje automático requiere profundizar en datos, estadísticas, experimentación y Azure Machine Learning.
• La creación de aplicaciones de IA en producción requiere arquitectura, seguridad, observabilidad, costos, rendimiento, pruebas, gobernanza e integración con sistemas empresariales.
• Desarrollar agentes avanzados requiere herramientas, memoria, grounding, evaluación, protección contra instrucciones maliciosas, coordinación de flujos y control de acciones.
• La implementación de soluciones reguladas requiere conocimientos adicionales de privacidad, cumplimiento, auditoría, gestión de riesgos y políticas organizativas.

Por tanto, AI-901 debe entenderse como un punto de partida. Su valor radica en crear un lenguaje común, organizar los fundamentos y demostrar el contacto inicial con la plataforma. La consolidación profesional se produce cuando estos conocimientos se aplican en laboratorios, proyectos y funciones reales.

radio_button_uncheckedshort_text15. Conclusión

El examen AI-901 actualiza la certificación Azure AI Fundamentals para una etapa en la que la inteligencia artificial generativa, la multimodalidad, los agentes y la extracción de contenido forman parte del desarrollo de software. Mantiene un alcance de nivel principiante, pero requiere un candidato más técnico que el anterior AI-900: alguien capaz de comprender conceptos y realizar implementaciones básicas en Microsoft Foundry.

El contenido evaluado se concentra en dos bloques. El primero trata sobre IA responsable, modelos y cargas de trabajo. El segundo, con mayor peso, aborda la implementación de aplicaciones generativas y con agentes, texto, voz, visión artificial, generación de imágenes y extracción de información con Content Understanding. La presencia explícita de Python, SDK, API REST y CLI refuerza que la preparación debe incluir práctica.

La certificación está dirigida principalmente a estudiantes, desarrolladores y profesionales de la tecnología que comienzan su recorrido por las soluciones de inteligencia artificial en Azure. Para este público, AI-901 ofrece una base actualizada para comprender la plataforma, hablar con equipos técnicos y después avanzar hacia proyectos y credenciales de mayor profundidad.

Referencias oficiales

1. Microsoft Learn. Examen AI-901: Fundamentos de IA de Microsoft Azure. Consultado el 31 de julio de 2026.
2. Microsoft Learn. Guía de estudio para el examen AI-901: Fundamentos de IA de Microsoft Azure. Consultado el 31 de julio de 2026.
3. Microsoft Learn. Microsoft Certified: Azure AI Fundamentals. Consultado el 31 de julio de 2026.
4. Microsoft Learn. Conceptos de IA para desarrolladores y profesionales de la tecnología. Consultado el 31 de julio de 2026.
5. Microsoft Learn. Comience a utilizar aplicaciones y agentes de IA en Azure. Consultado el 31 de julio de 2026.
6. Microsoft Learn. Examen AI-900: Fundamentos de IA de Microsoft Azure (retirado). Consultado el 31 de julio de 2026.
7. Microsoft Learn. Curso AI-901T00-A: Introducción a la IA en Azure. Consultado el 31 de julio de 2026.

Nota: Microsoft puede cambiar las páginas de certificación y los objetivos del examen. Antes de realizarlo, consulte nuevamente la página oficial y la guía de estudio más reciente.