Die AI-900 ist ein Grundlagenzertifikat für Azure AI, bei dem für viele die zentrale Frage weniger die Prüfung selbst ist als der Nutzen des Signals im eigenen Job.
Die Microsoft Azure AI Fundamentals Zertifizierung, geprüft über das Examen AI-900, richtet sich an Personen, die KI-Konzepte, typische Workloads und Azure AI Services verstehen wollen, ohne sofort als KI-Engineer arbeiten zu müssen. Sie lohnt sich besonders dann, wenn du in Projekten, Beratung, Produktmanagement, Analyse, Pre-Sales, IT-Betrieb oder Teamführung über KI mitreden musst und dafür eine strukturierte, nachweisbare Grundlage brauchst.
Zuletzt aktualisiert: 2026. Prüfungsinhalte, Buchungsdetails und Preise können sich ändern; verbindlich sind immer die aktuellen Angaben auf Microsoft Learn und im jeweiligen Prüfungsportal.
Was AI-900 tatsächlich abdeckt
AI-900 ist kein tiefes Machine-Learning-Engineering-Examen. Die Prüfung fragt Grundlagen ab: was KI leisten kann, wie sich Machine Learning, Computer Vision, Natural Language Processing und generative KI einordnen lassen, welche Azure-Dienste dafür relevant sind und welche Prinzipien für verantwortungsvolle KI gelten. Microsoft führt die geprüften Bereiche in der offiziellen Skills Outline für das Examen AI-900 auf; diese sollte die wichtigste Referenz für die Vorbereitung sein.
Wichtig ist die aktuelle Terminologie. Viele ältere Materialien sprechen noch von „Cognitive Services“. In Azure ist heute vor allem von Azure AI Services die Rede, also von Diensten wie Azure AI Language, Azure AI Vision, Azure AI Speech, Azure AI Search, Azure AI Document Intelligence und Azure OpenAI Service, je nach Prüfungsstand und Verfügbarkeit. Für die Prüfung geht es nicht darum, diese Dienste produktionsreif zu konfigurieren, sondern ihren Zweck, typische Einsatzfälle und Grenzen zu erkennen.
Ein häufig unterschätzter Bereich ist Responsible AI. Microsoft behandelt Themen wie Fairness, Zuverlässigkeit, Datenschutz, Transparenz, Sicherheit und Verantwortlichkeit nicht als Randnotiz. In der Prüfung tauchen solche Prinzipien regelmäßig in Szenarien auf, etwa wenn ein Team ein Modell für automatisierte Entscheidungen nutzt oder sensible Daten verarbeitet. Gerade im DACH-Raum ist dieses Wissen praktisch relevant, weil KI-Projekte früh Fragen zu Datenschutz, Governance, Datenstandort und Nachvollziehbarkeit aufwerfen.
Für wen sich AI-900 lohnt und für wen eher nicht
AI-900 lohnt sich am meisten, wenn du KI verstehen und in Azure-Kontexten einordnen musst, aber nicht täglich Modelle trainierst oder produktive KI-Pipelines entwickelst. Projektmanager, Business Analysten, Consultants, Pre-Sales-Rollen, HR- oder L&D-Verantwortliche, Product Owner und IT-Generalisten profitieren davon, weil das Zertifikat eine gemeinsame Sprache schafft. Es zeigt, dass jemand Begriffe wie Klassifikation, Regression, Vision, Language, generative KI und Responsible AI nicht nur gehört hat, sondern sie in Azure-Szenarien einordnen kann.
Für Quereinsteiger ist AI-900 ein guter Einstieg, weil die Prüfung keine tiefe Mathematik und keine Programmiererfahrung voraussetzt. Sie hilft, die eigene Lernrichtung zu klären: Wer nach den Grundlagen stärker in die technische Umsetzung möchte, kann später AI-102 ansteuern. Wer dagegen merkt, dass der eigene Fokus eher auf Datenmodellen, Datenbanken und Analytics liegt, ist mit DP-900 oft näher am Ziel; der Microsoft Azure Trainingsbereich kann helfen, diese Richtungen im Kontext einzuordnen.
Weniger sinnvoll ist AI-900 als alleiniger Nachweis für erfahrene Machine-Learning-Ingenieure, Data Scientists oder Entwickler, die bereits produktive KI-Systeme bauen und keinen besonderen Azure-Bezug haben. Für diese Gruppe ist das Examen meist zu grundlegend. Der Nutzen entsteht dann eher als Azure-spezifische Orientierung oder als formaler Nachweis für Kundengespräche, Ausschreibungen oder interne Kompetenzmodelle, nicht als technischer Kompetenzsprung.
Wie die AI-900-Prüfung aufgebaut ist
Die Prüfung wird häufig als „Multiple Choice“ beschrieben, doch das ist zu ungenau. In der Praxis können verschiedene Antwortformate vorkommen, darunter Single Response, Multiple Response, Zuordnungs- oder Drag-and-Drop-Aufgaben sowie kurze Szenariofragen. Du solltest deshalb nicht nur Definitionen auswendig lernen, sondern erkennen können, welcher Dienst oder welches KI-Prinzip zu einer beschriebenen Situation passt.
Die Skills-Measured-Übersicht von Microsoft ist dabei wichtiger als beliebige Fragenkataloge. Sie zeigt, welche Themenbereiche aktuell prüfungsrelevant sind, und schützt vor einer typischen Fehlvorbereitung: zu viel Zeit in Modellmathematik oder Python-Details zu investieren, während Azure AI Services, Workload-Erkennung und Responsible AI zu kurz kommen. Für ein Fundamentals-Examen zahlen sich kurze Labs, Lernchecks und regelmäßige Wiederholungen stärker aus als theoretische Vertiefungen, die nicht prüfungsleitend sind.
In Projekten ist genau diese Breite nützlich. Wer AI-900 gut vorbereitet, kann besser einschätzen, ob für ein Dokumentenprojekt eher Azure AI Document Intelligence, für eine Suchlösung eher Azure AI Search oder für Spracheingabe eher Azure AI Speech relevant ist. Auch technische Nicht-Entwickler können dadurch in Workshops präzisere Fragen stellen, etwa zu Rollenberechtigungen, Managed Identities, Kostenkontrolle, Datenspeicherung und geeigneten Azure-Regionen.
Kosten und Buchung im DACH-Kontext
Die Prüfungsgebühr für Fundamentals-Examen wird im Buchungsprozess länderspezifisch angezeigt, in Deutschland, Österreich und der Schweiz also nicht pauschal in GBP oder USD. Für AI-900 liegt der angezeigte Preis häufig im Bereich um 99 EUR beziehungsweise dem lokalen Gegenwert; je nach Land, Steuerbehandlung, Testanbieter, Währung und Microsoft-Preisstand kann der Betrag abweichen. Ob Umsatzsteuer enthalten ist oder zusätzlich ausgewiesen wird, sollte immer direkt im Prüfungsportal geprüft werden.
Gebucht wird das Examen über Microsofts Zertifizierungsseite und den dort angebundenen Prüfungsanbieter. Zur Auswahl stehen je nach Verfügbarkeit Online-Proctoring und Testcenter. Online-Prüfungen sind bequem, erfordern aber eine stabile Umgebung, Identitätsprüfung, funktionierende Kamera und einen regelkonformen Arbeitsplatz. Testcenter sind oft die ruhigere Wahl, wenn die technische Umgebung zu Hause unsicher ist.
Voucher, Unternehmensguthaben oder zeitweise Promotions können die Kosten reduzieren, sollten aber nicht fest eingeplant werden. Auch Retake-Regeln können sich ändern und hängen von Microsofts aktuellen Richtlinien ab. Sinnvoll ist deshalb, erst dann zu buchen, wenn die Lernphase realistisch abgeschlossen werden kann, statt mit einem frühen Termin unnötigen Druck aufzubauen.
Ein realistischer Lernplan für zwei bis vier Wochen
Für AI-900 reicht in vielen Fällen eine kurze, konzentrierte Vorbereitung, wenn sie konsequent an den offiziellen Skills gemessen wird. Der Schwerpunkt sollte auf Verständnis und Wiedererkennen liegen: Welche Workload liegt vor, welcher Azure-Dienst passt, welche Responsible-AI-Frage entsteht und welche Aussage ist zu allgemein oder technisch überzogen?
- Woche 1: Lies die aktuelle Skills Outline, arbeite die Microsoft-Learn-Grundlagenmodule zu KI-Konzepten, Machine Learning und Azure AI Services durch und notiere die wichtigsten Dienstnamen mit typischen Einsatzfällen.
- Woche 2: Nutze kurze Hands-on-Übungen in einer Sandbox oder kostenlosen Azure-Umgebung, um Services wie Language, Vision, Speech oder Document Intelligence zumindest oberflächlich gesehen zu haben.
- Woche 3: Wiederhole Responsible AI, generative KI und typische Szenarien, und prüfe mit Übungsfragen, ob du Begründungen verstehst statt nur Antworten wiederzuerkennen.
- Woche 4: Schließe Wissenslücken, simuliere eine Prüfungssituation und buche den Termin erst, wenn die Fehlermuster klar kleiner geworden sind.
Wer strukturierter lernen möchte, kann ein Azure AI Fundamentals Training für AI-900 nutzen, sollte es aber nicht als Ersatz für eigene Wiederholung verstehen. Entscheidend ist, dass die Vorbereitung prüfungsnah bleibt und kurze Praxisübungen enthält. Ein kleines Mini-Projekt, etwa eine Dokumentanalyse-Demo oder ein einfacher Sprach-zu-Text-Test mit Kostenlimit, erhöht außerdem den praktischen Wert des Zertifikats im Gespräch mit Arbeitgebern.
Typische Fehler bei der Vorbereitung
Der häufigste Fehler ist ein falscher Tiefenschwerpunkt. AI-900 verlangt keine ausführliche Modelloptimierung, kein produktives MLOps-Design und keine mathematische Herleitung von Algorithmen. Wer sich wochenlang in neuronalen Netzen verliert, aber Azure AI Services und Responsible AI nur überfliegt, bereitet sich am Bedarf vorbei vor.
Ein zweiter Fehler ist reines Fragenlernen. Übungsfragen können helfen, aber sie ersetzen nicht das Verständnis der Szenarien. Die Prüfung kann denselben Inhalt anders formulieren, und dann zählt, ob du das zugrunde liegende Prinzip erkennst: Ist es ein Vision-Problem, ein Language-Szenario, eine Suchanforderung, ein ML-Klassifikationsfall oder eine Governance-Frage?
Ein dritter Fehler betrifft Azure-Praxis. Auch wenn AI-900 keine Administratorprüfung ist, hilft ein kurzer Blick in die Azure-Oberfläche. Wer einmal gesehen hat, wie Ressourcen erstellt, Regionen gewählt, Zugriff geregelt und Kosten beobachtet werden, versteht Projektgespräche besser. In DACH-Unternehmen sind genau diese Punkte oft entscheidend, weil KI-Prototypen schnell an Datenschutz, Beschaffung, Rollenmodellen und Budgetkontrolle vorbeilaufen können.
Was nach AI-900 sinnvoll ist
AI-900 ist ein Fundament, kein Endpunkt. Nach der Prüfung hängt der nächste Schritt davon ab, welche Rolle du anstrebst. Für technische Umsetzung in Azure ist AI-102 die naheliegende Fortsetzung, weil dort Design und Implementierung von KI-Lösungen im Mittelpunkt stehen. Für Daten- und Analytics-Rollen ist DP-900 häufig sinnvoller, weil dort relationale und nicht-relationale Daten, Analysekonzepte und Azure-Datendienste stärker gewichtet werden.
Auch ohne sofortige Anschlusszertifizierung kann AI-900 wertvoll sein, wenn du das Wissen sichtbar machst. Ein kleines Portfolio-Beispiel, eine interne Demo, eine sauber dokumentierte Use-Case-Bewertung oder ein Entscheidungsprotokoll zu Responsible AI sagt in vielen Gesprächen mehr aus als ein Badge allein. Hiring-Teams achten bei Grundlagenzertifikaten oft darauf, ob Bewerber das Gelernte auf reale Anforderungen übertragen können.
Für Teams kann AI-900 außerdem als gemeinsamer Mindeststandard dienen. Wenn Business, IT, Datenschutz und Produktentwicklung dieselben Grundbegriffe nutzen, werden frühe KI-Diskussionen sachlicher. Das ersetzt keine Governance, keine Sicherheitsarchitektur und keine technische Expertise, senkt aber die Reibung in der Phase, in der Use Cases bewertet und Risiken eingeordnet werden.
Häufige Fragen zu AI-900
Ist AI-900 schwer?
AI-900 gilt als einsteigerfreundliches Fundamentals-Examen, ist aber nicht trivial, wenn du noch keine Berührung mit Cloud, Daten oder KI hattest. Die Schwierigkeit liegt weniger in Mathematik als im sauberen Zuordnen von Begriffen, Workloads, Azure-Diensten und Responsible-AI-Prinzipien.
Brauche ich Programmierkenntnisse?
Nein, Programmierkenntnisse sind für AI-900 nicht der Kern. Ein grundlegendes technisches Verständnis hilft, aber die Prüfung zielt auf Konzepte, Einsatzfälle und Azure-Dienste, nicht auf das Schreiben von Code.
Reicht Microsoft Learn zur Vorbereitung?
Microsoft Learn ist eine sehr gute Grundlage, sofern du die aktuellen AI-900-Module und die Skills Outline systematisch nutzt. Ergänzend sind kurze Labs und gute Übungsfragen hilfreich, weil sie zeigen, ob du Szenarien wirklich einordnen kannst.
Wie lange ist die Zertifizierung gültig?
Microsoft-Zertifizierungsregeln können sich ändern, daher sollte die aktuelle Gültigkeit immer auf Microsoft Learn geprüft werden. Wichtig ist außerdem, dass sich KI-Dienste und Prüfungsinhalte weiterentwickeln; das praktische Wissen sollte deshalb regelmäßig aktualisiert werden.
Die Entscheidung auf den Punkt gebracht
AI-900 lohnt sich, wenn du KI-Grundlagen im Azure-Kontext verstehen, beruflich glaubwürdig kommunizieren und eine klare Basis für weitere Cloud- oder KI-Lernpfade schaffen möchtest. Der größte Nutzen entsteht für Rollen an der Schnittstelle zwischen Business, Technologie und Governance, nicht für Personen, die bereits fortgeschrittene ML-Systeme entwickeln.
Ein sinnvoller nächster Schritt ist, die offiziellen Prüfungsziele mit deiner Rolle abzugleichen und anschließend zwei bis vier Wochen fokussiert zu lernen. Wenn du eine geführte Vorbereitung bevorzugst oder mehrere Microsoft-Themen planst, kann Readynez über Microsoft Unlimited Training und eine direkte Kontaktaufnahme bei der Planung unterstützen.
