AI-102 oder AI-900: Welche Azure AI-Zertifizierung passt zu Ihnen?

AI-900 gilt oft als Pflichtschritt vor AI-102.

Das ist nicht korrekt: AI-900 ist eine Fundamentals-Prüfung, während AI-102 eine rollenbasierte Associate-Zertifizierung für die Umsetzung von Azure-AI-Lösungen ist.

Die bessere Wahl hängt deshalb weniger von einer starren Reihenfolge ab als von Rolle, Praxisgrad und Ziel. Wer KI-Begriffe, Azure-AI-Dienste und Responsible-AI-Grundlagen sicher erklären möchte, findet in AI-900 den passenden Einstieg. Wer dagegen Anwendungen mit Azure AI Services, Azure OpenAI, Azure AI Search, Bot Service oder ähnlichen Diensten entwerfen, integrieren und betreiben soll, braucht den deutlich praktischeren Zuschnitt von AI-102.

Stand: Juli 2026. Prüfungsinhalte, Prüfungsdauer und Preise können sich ändern und regional abweichen. Für DACH sollten Kandidatinnen und Kandidaten die aktuellen Angaben im Microsoft-Zertifizierungsportal und im Pearson-VUE-Buchungsprozess prüfen; fixe Euro-Beträge wären ohne aktuellen Buchungskontext wenig belastbar.

Die schnelle Entscheidung: AI-900 oder AI-102?

AI-900 ist für Personen gedacht, die KI auf Azure verstehen, einordnen und mit Fachbereichen besprechen müssen. AI-102 richtet sich an technische Rollen, die KI-Funktionen in Anwendungen einbauen, Azure-Ressourcen konfigurieren und Lösungen produktionsnah absichern. Beide Prüfungen berühren Responsible AI, Azure-Dienste und typische KI-Anwendungsfälle, aber auf sehr unterschiedlicher Tiefe.

Eine belastbare Faustregel lautet: AI-900 passt, wenn KI-Kompetenz vor allem für Gespräche, Entscheidungen, Projektsteuerung oder den Einstieg gebraucht wird. AI-102 passt, wenn die Person nachweisen soll, dass sie Azure-AI-Funktionen in reale Lösungen einbauen kann. Wer noch nicht sicher ist, welche Rolle die Zertifizierung im eigenen Lernpfad spielt, kann sich zunächst einen Überblick über Microsoft-Zertifizierungen und Lernressourcen verschaffen; auch allgemeine Trainingsressourcen helfen, den technischen Anspruch besser einzuordnen.

Was AI-900 tatsächlich abdeckt

AI-900 prüft, ob Kandidatinnen und Kandidaten zentrale KI-Konzepte verstehen und Azure-AI-Dienste grob den richtigen Anwendungsfällen zuordnen können. Dazu gehören maschinelles Lernen, Computer Vision, Natural Language Processing, Sprachdienste und generative KI-Grundlagen. Ebenso wichtig sind Responsible-AI-Prinzipien wie Fairness, Zuverlässigkeit, Datenschutz, Transparenz und Verantwortlichkeit.

Der Wert von AI-900 liegt weniger darin, technische Lieferfähigkeit zu belegen. Die Zertifizierung stärkt vielmehr die Fähigkeit, über KI-Projekte präziser zu sprechen. In Recruiting- und Projektgesprächen kann das relevant sein, weil viele Rollen heute KI-Initiativen begleiten, Anforderungen formulieren oder Risiken erklären müssen, ohne selbst produktiven Code zu schreiben.

In der Praxis hilft AI-900 beispielsweise einem Projektmanager, die Grenzen eines Chatbots besser einzuschätzen, oder einer Business Analystin, zwischen Klassifikation, Dokumentenanalyse und Suchanreicherung zu unterscheiden. Auch Pre-Sales- und Beratungsrollen profitieren, weil sie Fachbereiche vor unrealistischen Erwartungen schützen können. AI-900 ist damit ein guter Einstieg für alle, die KI nicht nur als Schlagwort verwenden möchten, sondern Entscheidungen verständlicher vorbereiten müssen.

Was AI-102 deutlich anspruchsvoller macht

AI-102 prüft nicht nur, ob jemand Azure-AI-Dienste kennt. Die Prüfung zielt darauf ab, ob eine Person Lösungen entwerfen und umsetzen kann: Ressourcen bereitstellen, Dienste verbinden, Datenflüsse berücksichtigen, Authentifizierung planen, Anwendungen integrieren und Ergebnisse verantwortungsvoll ausliefern. Programmierkenntnisse in Python oder C# sowie solide Azure-Erfahrung sind deshalb keine Formalität, sondern praktisch notwendig.

Der inhaltliche Schwerpunkt hat sich durch generative KI stärker in Richtung Integration, Governance und Sicherheitsgrenzen verschoben. Azure OpenAI, Copilot Studio und Responsible-AI-Praktiken spielen in realen Projekten eine größere Rolle, weil Unternehmen nicht nur eine Demo bauen, sondern Antworten kontrollieren, Datenquellen absichern und Nutzungskosten steuern müssen. Für AI-102 bedeutet das: Wer nur Modellbegriffe auswendig lernt, verpasst den operativen Kern der Rolle.

Eine häufige Implementierungshürde liegt nicht im Modelltraining, sondern in der Umgebung um die KI-Lösung herum. Produktive Vorhaben brauchen Ressourcenkontingente, Zugriffsgenehmigungen für Dienste wie Azure OpenAI, Kostenkontrolle, Logging, Deployment-Prozesse und klare Verantwortlichkeiten. Gerade in DACH-Organisationen mit strengen Datenschutz- und Governance-Anforderungen entscheidet diese Umsetzungsdisziplin oft darüber, ob ein Proof of Concept den Weg in den Betrieb findet.

Reale Einsatzszenarien im Beruf

AI-900-Kompetenzen werden häufig dort gebraucht, wo KI-Initiativen bewertet, priorisiert oder vermittelt werden. Eine Produktmanagerin muss zum Beispiel verstehen, ob ein Use Case eher auf Dokumentenextraktion, Textanalyse oder semantischer Suche basiert. Ein Projektleiter muss abschätzen können, warum Datenqualität, Responsible AI und Akzeptanztests nicht erst am Ende eines Projekts relevant werden.

AI-102-Kompetenzen werden gebraucht, sobald die Lösung technisch greifbar wird. Ein AI Engineer muss eine Suchlösung mit Azure AI Search planen, eine Anwendung an Azure AI Services anbinden, Eingaben und Ausgaben absichern, Fehlerfälle behandeln und Berechtigungen sauber setzen. Bei generativer KI kommt hinzu, dass Prompts, Retrieval-Strategien, Inhaltsfilter, Monitoring und Kostenlimits zusammen gedacht werden müssen.

Für die Personalentscheidung ist der Unterschied ebenfalls wichtig. AI-900 signalisiert, dass eine Person KI-Grundlagen versteht und in Business-, Projekt- oder Pre-Sales-Gesprächen fundierter argumentieren kann. AI-102 signalisiert eher Lieferfähigkeit: also die Fähigkeit, von einem Prototyp über Integration und Tests bis zu einem kontrollierten Go-Live mitzuwirken.

Wer AI-900 wählen sollte

AI-900 ist sinnvoll, wenn noch wenig Erfahrung mit Azure oder KI vorhanden ist oder wenn die eigene Rolle stärker auf Kommunikation, Analyse und Steuerung ausgerichtet ist. Die Prüfung eignet sich für Einsteigerinnen und Einsteiger, die Begriffe wie Klassifikation, Regression, Computer Vision oder natürliche Sprachverarbeitung erst systematisch einordnen möchten. Sie eignet sich auch für Fachbereiche, die KI-Projekte besser beauftragen und bewerten wollen.

Ein typischer Fehler besteht darin, AI-900 als reine Vokabelprüfung zu behandeln. Besser ist es, die Lernziele mit konkreten Use Cases zu verbinden: Welche Art von Eingabedaten liegt vor, welcher Azure-Dienst passt dazu, welche Risiken entstehen und wie würde ein verantwortungsvoller Einsatz aussehen? Wer zusätzlich kurze Demos ausprobiert, versteht die Grenzen der Dienste schneller als durch Theorie allein.

Wer eine strukturierte Vorbereitung bevorzugt, kann einen AI-900 Trainingskurs nutzen, sofern der Kurs die Microsoft-Lernziele mit Szenarien und kurzen praktischen Übungen verbindet. Entscheidend ist nicht die Menge an Material, sondern ob die Lernenden nach der Vorbereitung erklären können, welcher Dienst welchen geschäftlichen Zweck erfüllt.

Wer AI-102 direkt wählen sollte

AI-102 kann direkt sinnvoll sein, wenn bereits praktische Erfahrung mit Azure, APIs, Authentifizierung, Anwendungsentwicklung oder Data-Workflows vorhanden ist. Entwicklerinnen, Data Scientists und Cloud Engineers müssen AI-900 nicht vorab bestehen, wenn sie die Grundlagen bereits beherrschen. Der direkte Weg spart Zeit, ist aber nur dann sinnvoll, wenn die Person bereit ist, in Labs und eigenen kleinen Projekten zu arbeiten.

Die Vorbereitung sollte produktionsnahe Aufgaben enthalten: einen Dienst bereitstellen, eine Anwendung anbinden, Berechtigungen testen, eine Such- oder Bot-Komponente integrieren und Fehlerzustände analysieren. Ein AI-102 Trainingskurs ist besonders dann hilfreich, wenn er nicht bei Theorie stehen bleibt, sondern die Umsetzung mit Azure-AI-Diensten, Responsible AI und Integrationsentscheidungen verbindet.

Programmierkenntnisse bleiben ein praktischer Erfolgsfaktor. Wer zwar Azure kennt, aber wenig Routine mit Python hat, sollte die Sprache nicht erst kurz vor der Prüfung anfassen. Ein ergänzender Python-Kurs kann sinnvoll sein, wenn die Lücke eher in Syntax, Skripting und API-Nutzung liegt als in den Azure-AI-Konzepten selbst.

Ein sinnvoller Lernpfad für Umsteiger und technische Rollen

Quereinsteigerinnen und Quereinsteiger sollten nicht automatisch mit einer Prüfung beginnen. Häufig ist es sinnvoller, zuerst zwei oder drei domänenspezifische Use Cases zu formulieren: etwa Dokumentenklassifikation im Versicherungsumfeld, Wissenssuche im Support oder Sprach-zu-Text in einem Serviceprozess. Danach lässt sich besser entscheiden, ob zunächst AI-900 für das Fundament reicht oder ob AI-102 direkt zum Ziel führt.

Für technische Rollen ist der Lernpfad anders. Hier sollte die Vorbereitung früh mit Hands-on-Labs starten, weil AI-102 ohne Umsetzungspraxis schnell abstrakt bleibt. Besonders wertvoll sind kurze Feedback-Schleifen: Lernziel lesen, Dienst konfigurieren, kleines Szenario testen, Fehler analysieren und die Architekturentscheidung dokumentieren. Das reduziert den verbreiteten Fehler, nur Dokumentation zu lesen oder sich auf Fragendumps zu verlassen.

Responsible AI sollte in beiden Lernpfaden nicht als Nebenthema behandelt werden. In AI-900 gehört es zum konzeptionellen Verständnis, in AI-102 zur praktischen Umsetzung. Wer Governance, Datenschutz, Inhaltsfilter, Monitoring und menschliche Kontrolle erst am Ende betrachtet, baut Lösungen, die in der Organisation schwer abnahmefähig sind.

Vorbereitung, Dauer und Prüfungsstrategie

Die im Ausgangsmaterial genannten Orientierungswerte von 20 bis 30 Lernstunden für AI-900 können für Personen mit Vorwissen ausreichen, sollten aber nicht als Garantie verstanden werden. Wer kaum Berührung mit Cloud- oder KI-Begriffen hatte, braucht mehr Zeit für Begriffsarbeit und praktische Einordnung. Für AI-102 hängt die Dauer stärker davon ab, wie routiniert jemand mit Azure, Code, APIs und Deployment-Fragen ist.

Eine gute Vorbereitung beginnt mit den offiziellen Microsoft-Lernzielen. Microsoft Learn veröffentlicht die Prüfungsseiten, die gemessenen Fähigkeiten und Hinweise zu Änderungen; diese Informationen sollten vor der Planung geprüft werden. Die Prosa der Lernmodule muss nicht auswendig gelernt werden, wichtiger ist die Fähigkeit, die Lernziele auf eigene Szenarien anzuwenden.

Übungsfragen können helfen, das Frageformat zu verstehen, ersetzen aber keine Labs. Besonders bei AI-102 sollte jede größere Themenfläche mindestens einmal praktisch nachvollzogen werden: Azure-AI-Ressource erstellen, Endpunkt nutzen, Zugriff absichern, Anwendung testen und Kostenwirkung beobachten. Wer nur liest, erkennt oft nicht, welche Entscheidungen in einer echten Implementierung voneinander abhängen.

Kosten und regionale Besonderheiten in DACH

Prüfungsgebühren werden über Microsoft und den Prüfungsanbieter angezeigt und können je nach Land, Währung, Steuern und Buchungssituation variieren. Die im ursprünglichen Material genannten US-Dollar-Richtwerte geben eine grobe Größenordnung, ersetzen aber keine aktuelle Preisprüfung. Für Deutschland, Österreich und die Schweiz sollten Kandidatinnen und Kandidaten daher immer die Buchungsseite zum Zeitpunkt der Anmeldung heranziehen.

Zum Budget gehören außerdem mögliche Zusatzkosten, die leicht übersehen werden. Bei AI-102 können Azure-Verbrauchskosten entstehen, wenn Labs außerhalb kostenloser Kontingente laufen oder Ressourcen nach Übungen nicht gelöscht werden. In Unternehmen kommen manchmal Freigabeprozesse für Azure OpenAI, Abonnements, Rollenberechtigungen und Kostenstellen hinzu; diese organisatorischen Punkte sollten vor einer intensiven Hands-on-Vorbereitung geklärt sein.

Häufige Fragen zu AI-900 und AI-102

Ist AI-900 eine Voraussetzung für AI-102?

Nein. AI-900 ist keine formale Voraussetzung für AI-102. Die Entscheidung sollte davon abhängen, ob die Person zuerst Grundlagenwissen aufbauen oder bereits technische Azure-AI-Lösungen umsetzen möchte.

Welche Prüfung ist schwieriger?

AI-102 ist in der Regel anspruchsvoller, weil sie technische Umsetzung, Azure-Erfahrung und Programmierpraxis voraussetzt. AI-900 bleibt stärker auf Begriffe, Dienstzuordnung und Grundverständnis fokussiert.

Reicht AI-900 für eine technische KI-Rolle?

Für eine technische KI-Rolle reicht AI-900 meist nicht aus. Die Zertifizierung kann den Einstieg unterstützen, aber Rollen mit Implementierungsverantwortung verlangen typischerweise praktische Fähigkeiten, wie sie eher durch AI-102 und Projektarbeit belegt werden.

Sollten beide Zertifizierungen abgelegt werden?

Das kann sinnvoll sein, wenn jemand systematisch von Grundlagen zu Umsetzung wechseln möchte. Wer bereits Azure- und Entwicklungserfahrung besitzt, kann AI-900 jedoch überspringen und direkt AI-102 anstreben.

Quellen und Prüfungsangaben prüfen

Vor der Anmeldung sollten Kandidatinnen und Kandidaten die offiziellen Microsoft-Learn-Seiten zu Exam AI-900 und Exam AI-102 prüfen. Dort stehen die aktuellen Skills measured, Prüfungsinformationen und Hinweise zu Änderungen. Für rollenbasierte Zertifizierungen sollten außerdem die Microsoft-Hinweise zur Verlängerung der Zertifizierung beachtet werden.

Diese Quellen sind besonders wichtig, weil sich Dienste und Prüfungsziele verändern. Generative KI, Azure OpenAI, Copilot Studio und Responsible-AI-Praktiken entwickeln sich weiter, und Microsoft passt Prüfungsinhalte entsprechend an. Eine Vorbereitung, die nur auf alten Zusammenfassungen beruht, kann deshalb Lücken enthalten.

Die passende Wahl für den nächsten Schritt

AI-900 ist die bessere Wahl, wenn die Person KI-Grundlagen verstehen, sicherer mit Fachbereichen sprechen oder eine fundierte Einstiegsbasis schaffen möchte. AI-102 ist die bessere Wahl, wenn praktische Azure-AI-Implementierung, Integration und produktionsnahe Verantwortung im Vordergrund stehen. Der wichtigste Entscheidungspunkt ist nicht die Reihenfolge der Zertifizierungen, sondern die Frage, ob aktuell Verständnis oder Lieferfähigkeit nachgewiesen werden soll.

Ein pragmatischer nächster Schritt ist, den eigenen Zieljob gegen die Prüfungsziele zu legen und eine kleine Azure-AI-Übung durchzuführen. Wer dabei vor allem Begriffe klären muss, startet mit AI-900; wer Architektur-, Code- und Betriebsfragen lösen möchte, sollte AI-102 planen. Readynez kann bei der strukturierten Vorbereitung unterstützen, doch die eigentliche Entscheidung entsteht aus Rolle, Vorwissen und dem Grad an Hands-on-Verantwortung.