AI-901 (AI901) Übungsfragen und Prüfungsfakten
10 eigene AI-901-Übungsfragen (AI901) mit Lösungen, die offiziellen Prüfungsfakten samt Themenbereichen und was 2026 die AI-900 ersetzt hat.
In diesem Artikel
AI-900 gibt es nicht mehr: Microsoft hat die Prüfung am 30. Juni 2026 eingestellt und durch AI-901: Microsoft Azure AI Fundamentals ersetzt. Das ist jetzt die einzige Prüfung für die Zertifizierung Microsoft Certified: Azure AI Fundamentals. Unten findest du 10 eigene AI-901-Übungsfragen mit Lösungen und kurzen Erklärungen, aufgeteilt auf die beiden offiziellen Themenbereiche im ungefähr gleichen Verhältnis wie in der echten Prüfung.
Versuch jede Frage zuerst selbst, bevor du die Antwort liest. Wenn du bisher mit einem AI-900-Übungstest gelernt hast, kommen dir die ersten vier Fragen bekannt vor. Die letzten sechs sind der neue Teil.
Das Wichtigste in Kürze
- AI-901 hat AI-900 am 30. Juni 2026 abgelöst. Der Name der Zertifizierung blieb gleich: Microsoft Certified: Azure AI Fundamentals.
- 55–60 % von AI-901 betreffen die Umsetzung von KI-Lösungen mit Microsoft Foundry, deshalb stammen 6 der 10 Fragen unten aus diesem Themenbereich.
- Microsoft erwartet von AI-901-Kandidaten Kenntnisse der Python-Syntax. Bei AI-900 war das nicht so.
- Du hast 45 Minuten und brauchst einen skalierten Wert von 700 von 1.000. Die Anzahl der Fragen veröffentlicht Microsoft nicht.
Was ist mit AI-900 passiert?
Microsoft hat die Prüfung AI-900 am 30. Juni 2026 eingestellt. Auf der AI-900-Prüfungsseite steht jetzt, dass die Prüfung „has been replaced by AI-901“, und die Seite zur Zertifizierung Azure AI Fundamentals nennt AI-901 als einzige Pflichtprüfung.
Die Änderung ist mehr als ein neuer Code. AI-900 prüfte fünf inhaltliche Bereiche: KI-Workloads, Machine Learning in Azure, Computer Vision, Natural Language Processing und generative KI. AI-901 hat zwei Themenbereiche, und der größere ist praktisch ausgerichtet:
| AI-900 (eingestellt) | AI-901 (aktuell) | |
|---|---|---|
| Themenbereiche | 5 inhaltliche Bereiche | 2: KI-Konzepte (40–45 %) und KI-Lösungen mit Microsoft Foundry umsetzen (55–60 %) |
| Programmieren | Nicht erforderlich | Kenntnisse der Python-Syntax erwartet |
| Schwerpunkt | KI-Workloads und Azure-Dienste beschreiben | KI-Konzepte beschreiben, dann in Foundry kleine Chat-Apps, Agents sowie Lösungen für Sprache, Bildverarbeitung und Datenextraktion bauen |
Deckt dein AI-900-Übungstest nur die linke Spalte ab, hilft er dir bei den Konzeptfragen weiter, lässt aber mehr als die Hälfte von AI-901 aus.
AI-901-Prüfungsfakten auf einen Blick
Diese Angaben stammen aus dem offiziellen AI-901-Lernleitfaden (Prüfungsinhalte, Stand 15. April 2026), der AI-901-Prüfungsseite, der Microsoft-Seite zur Prüfungsdauer und der Seite zur Bewertung, alle geprüft am 2026-10-26. Das komplette Datenblatt und einen Lernplan findest du auf unserer AI-901-Prüfungsseite.
| Fakt | Offizieller Wert |
|---|---|
| Prüfung | AI-901: Microsoft Azure AI Fundamentals |
| Zertifizierung | Microsoft Certified: Azure AI Fundamentals |
| Zeit | 45 Minuten (65 Minuten Gesamtzeit am Platz) |
| Bestehensgrenze | 700 auf einer Skala von 1–1.000 (skalierter Wert) |
| Fragen | Nicht veröffentlicht (laut Microsoft haben die meisten Prüfungen 40–60) |
| Preis | Hängt vom Land oder der Region ab, in der du die Prüfung ablegst |
| Abzug bei falschem Raten | Keiner |
| Themenbereich | Gewichtung | Fragen unten |
|---|---|---|
| 1. KI-Konzepte und -Fähigkeiten erkennen | 40–45 % | 1–4 |
| 2. KI-Lösungen mit Microsoft Foundry umsetzen | 55–60 % | 5–10 |
Laut Lernleitfaden betreffen die meisten Fragen allgemein verfügbare Funktionen, die Prüfung kann gängige Preview-Funktionen enthalten, und du solltest dich mit REST-APIs, SDKs und CLIs auskennen.
Themenbereich 1: KI-Konzepte und -Fähigkeiten erkennen
Frage 1
Ein Unternehmen startet einen Chatbot für den Kundenservice. Jedes Gespräch beginnt mit einer Nachricht, die erklärt, dass der Nutzer mit einem KI-System spricht, wobei es helfen kann und wo es sich irren kann. Welches Responsible-AI-Prinzip von Microsoft wird damit hauptsächlich unterstützt?
- A. Fairness
- B. Inklusion
- C. Transparenz
- D. Zuverlässigkeit und Sicherheit
Antwort: C. Transparenz bedeutet, dass Menschen verstehen, dass sie ein KI-System nutzen, wofür es gedacht ist und wo seine Grenzen liegen. Nutzern gleich zu Beginn zu sagen, dass sie mit einer KI sprechen und wo sie danebenliegen kann, ist ein direktes Beispiel dafür.
- A ist falsch, weil es bei Fairness darum geht, dass das System alle Personengruppen gerecht behandelt.
- B ist falsch, weil es bei Inklusion darum geht, für Menschen mit unterschiedlichen Fähigkeiten und Hintergründen zu entwickeln, etwa mit barrierefreien Oberflächen.
- D ist falsch, weil es bei Zuverlässigkeit und Sicherheit darum geht, dass das System wie vorgesehen arbeitet und sicher ausfällt. Ein Hinweistext ändert nichts am Verhalten des Modells.
Die sechs Prinzipien im Lernleitfaden sind Fairness, Zuverlässigkeit und Sicherheit, Datenschutz und Sicherheit, Inklusion, Transparenz und Verantwortlichkeit. Rechne mit Szenariofragen, bei denen du eine Maßnahme einem dieser Prinzipien zuordnen sollst.
Frage 2
Welche Aussage beschreibt am besten, wie ein Large Language Model auf einen Prompt antwortet?
- A. Es durchsucht seine Trainingsdaten nach dem gespeicherten Dokument, das am besten zum Prompt passt, und gibt es zurück.
- B. Es sagt wiederholt das wahrscheinlichste nächste Token voraus, auf Basis des Prompts und der bereits erzeugten Tokens.
- C. Es führt feste Regeln aus, die Entwickler für jede Art von Frage geschrieben haben.
- D. Es schlägt die Antwort jedes Mal in einer Datenbank im Internet nach.
Antwort: B. Ein Sprachmodell erzeugt Text Token für Token. Ein Token ist ein Textbaustein, oft ein Wortteil. In jedem Schritt sagt das Modell anhand von allem, was davor stand, ein wahrscheinliches nächstes Token voraus, hängt es an und wiederholt das, bis die Antwort fertig ist.
- A ist falsch, weil das Modell keine ganzen Dokumente speichert und zurückgibt, sondern neuen Text erzeugt.
- C ist falsch, weil das Verhalten beim Training aus Daten gelernt und nicht als Regeln geschrieben wird.
- D ist falsch, weil ein Modell allein nicht im Internet sucht. Eine App oder ein Agent kann die Suche als Tool ergänzen, das ist aber ein eigener Schritt.
Frage 3
Ein Händler will Tausende Produktbewertungen verarbeiten und die Namen von Produkten, Marken und Städten herausziehen, die Kunden erwähnen. Welche Textanalyse-Technik passt?
- A. Stimmungsanalyse (Sentiment Analysis)
- B. Entitätserkennung (Named Entity Recognition)
- C. Zusammenfassung
- D. Spracherkennung (Language Detection)
Antwort: B. Die Entitätserkennung findet benannte Dinge im Text und ordnet sie Kategorien zu, etwa Produkten, Organisationen, Personen und Orten.
- A ist falsch, weil die Stimmungsanalyse zeigt, ob eine Bewertung positiv, negativ oder neutral ist, aber nicht, welche Dinge darin genannt werden.
- C ist falsch, weil eine Zusammenfassung Text kürzt, statt bestimmte Elemente aufzulisten.
- D ist falsch, weil die Spracherkennung nur sagt, in welcher Sprache die Bewertung geschrieben ist.
Frage 4
Eine Navigations-App soll dem Fahrer die Fahrtanweisungen vorlesen. Welche Sprachfunktion braucht sie?
- A. Spracherkennung (Speech to Text)
- B. Sprachsynthese (Text to Speech)
- C. Sprechererkennung
- D. Schlüsselwortextraktion
Antwort: B. Die Sprachsynthese macht aus Text gesprochenes Audio, und genau das braucht man, um Anweisungen vorzulesen.
- A ist falsch, weil die Spracherkennung das Gegenteil tut: Sie macht aus gesprochenem Audio Text, zum Beispiel um die Sprachbefehle des Fahrers zu verstehen.
- C ist falsch, weil die Sprechererkennung feststellt, wer gerade spricht.
- D ist falsch, weil die Schlüsselwortextraktion eine Textanalyse-Technik ist und kein Audio erzeugt.
Themenbereich 2: KI-Lösungen mit Microsoft Foundry umsetzen
Frage 5
Ein Entwickler baut in Microsoft Foundry eine Chat-App. Jede Antwort muss höflich sein, in einfachem Englisch geschrieben und auf Fragen zu den Produkten des Unternehmens beschränkt, egal was der Nutzer eintippt. Wohin gehören diese Regeln?
- A. In den System-Prompt
- B. In jeden User-Prompt, den der Nutzer eintippt
- C. In den Namen des Modells
- D. In die Fehlermeldungen der App
Antwort: A. Der System-Prompt (System Message) legt Rolle, Ton, Umfang und Regeln des Modells für die ganze Unterhaltung fest. Der User-Prompt enthält die eigentliche Frage des Nutzers. Sie ändert sich in jedem Zug, und man kann sich nicht darauf verlassen, dass sie die Regeln wiederholt.
- B ist falsch, weil Nutzer die Regeln nicht selbst hinzufügen werden und die App sich nicht darauf verlassen sollte.
- C ist falsch, weil der Modell- oder Deployment-Name nur angibt, welches Modell aufgerufen wird.
- D ist falsch, weil Fehlermeldungen nicht beeinflussen, wie das Modell antwortet.
In unserem Leitfaden So schreibst du einen System-Prompt geht es genauer darum, was hineingehört.
Frage 6
Ein Entwickler wählt im Foundry-Modellkatalog ein Modell aus und will es aus einer Python-App aufrufen. Was muss er tun, bevor die App Prompts an das Modell senden kann?
- A. Das Modell mit Unternehmensdaten feinabstimmen (Fine-Tuning)
- B. Das Modell in der Foundry-Ressource bereitstellen und Endpoint und Namen dieses Deployments in der App verwenden
- C. Die Modellgewichte auf den Laptop herunterladen
- D. Einen Content-Understanding-Analyzer erstellen
Antwort: B. Ein Modell aus dem Katalog muss bereitgestellt werden, bevor du es nutzen kannst. Die App schickt ihre Anfragen dann an das Deployment, mit dem Projekt-Endpoint, dem Deployment-Namen und Zugangsdaten wie einem Schlüssel oder Microsoft Entra ID. Der Lernleitfaden nennt sowohl „deploy a model and interact with it in the Foundry portal“ als auch „create a lightweight chat client application by using the Foundry SDK“.
- A ist falsch, weil Fine-Tuning optional ist und man es nicht braucht, um ein Modell aufzurufen.
- C ist falsch, weil Foundry das bereitgestellte Modell hostet und du es über das Netzwerk aufrufst.
- D ist falsch, weil ein Analyzer für die Informationsextraktion mit Content Understanding da ist und nicht zum Chatten mit einem Modell.
Frage 7
Ein Entwickler schreibt diese einfache Chat-Schleife in Python. Nutzer beschweren sich, dass der Assistent vergisst, was sie eine Nachricht zuvor gesagt haben. Wie behebt man das?
system = {"role": "system", "content": "You are a helpful travel assistant."}
while True:
user_input = input("You: ")
messages = [system, {"role": "user", "content": user_input}]
reply = send_to_model(messages) # calls the deployed chat model
print("Assistant:", reply)
- A. Die Temperature erhöhen, damit sich das Modell mehr merkt
- B. Eine einzige
messages-Liste für die ganze Unterhaltung führen und vor jedem Aufruf jede Nutzernachricht und jede Antwort des Assistenten anhängen - C. Die System-Nachricht ans Ende der Liste verschieben
- D. Ein größeres Modell bereitstellen
Antwort: B. Ein Chat-Modell erinnert sich nicht an frühere Anfragen. Jeder Aufruf sieht nur die Nachrichten, die du mitschickst. Die Schleife baut messages in jedem Durchlauf neu auf, deshalb gehen frühere Beiträge verloren. Wenn du die Liste einmal anlegst und in jedem Durchlauf die Eingabe des Nutzers und die Antwort des Assistenten anhängst, bekommt das Modell den Gesprächsverlauf.
- A ist falsch, weil die Temperature bestimmt, wie zufällig die Ausgabe ist, nicht was das Modell sehen kann.
- C ist falsch, weil die Position der System-Nachricht fehlende Beiträge nicht zurückbringt.
- D ist falsch, weil auch ein größeres Modell nur die Nachrichten der Anfrage sieht.
Frage 8
Ein Team erstellt im Foundry-Portal einen einzelnen Agent, der Fragen von Mitarbeitenden zu den HR-Richtlinien des Unternehmens beantwortet. Die Richtlinien liegen als PDF-Dateien vor. Welche Änderung sorgt dafür, dass der Agent seine Antworten auf diese Dokumente stützt (Grounding)?
- A. Das File-Search-Tool zum Agent hinzufügen und die Richtliniendokumente hochladen
- B. Die maximale Antwortlänge erhöhen
- C. Dem Agent ein Bildgenerierungsmodell hinzufügen
- D. Die Anweisungen des Agents entfernen, damit er frei antwortet
Antwort: A. Tools erweitern, was ein Agent kann. Das File-Search-Tool indexiert hochgeladene Dateien in einem Vektorspeicher (Vector Store), sodass der Agent passende Textstellen abrufen und daraus antworten kann, statt aus dem Allgemeinwissen des Modells.
- B ist falsch, weil ein höheres Antwortlimit dem Agent kein neues Wissen gibt.
- C ist falsch, weil die Bildgenerierung Bilder erstellt, keine Antworten aus Dokumenten.
- D ist falsch, weil die Anweisungen die Rolle des Agents festlegen. Ohne sie wird er unzuverlässiger, nicht besser informiert.
Das Muster dahinter ist Retrieval-Augmented Generation. In unserem Beitrag zu Tool Calling und KI-Agents erfährst du, wie Agents entscheiden, wann sie ein Tool nutzen.
Frage 9
Ein Servicetechniker fotografiert ein beschädigtes Maschinenteil und fragt die App des Unternehmens: „Was ist das für ein Teil und was könnte daran kaputt sein?“ Welcher Ansatz passt in Foundry am besten?
- A. Das Foto und die Frage zusammen in einem Prompt an ein bereitgestelltes multimodales Modell schicken, das Bildeingaben akzeptiert
- B. Die Frage an ein Bildgenerierungsmodell schicken
- C. Das Foto mit Sprachsynthese in Audio umwandeln
- D. Eine Stimmungsanalyse auf den Dateinamen des Fotos anwenden
Antwort: A. Ein multimodales Modell kann ein Bild und Text im selben Prompt entgegennehmen und beides auswerten. Der Lernleitfaden nennt das, visuelle Eingaben in Prompts mit einem bereitgestellten multimodalen Modell zu interpretieren.
- B ist falsch, weil ein Bildgenerierungsmodell neue Bilder erzeugt und ein vorhandenes Foto nicht erklärt.
- C ist falsch, weil die Sprachsynthese Text in Audio umwandelt und mit Bildern nichts zu tun hat.
- D ist falsch, weil die Stimmungsanalyse mit Meinungen in Texten arbeitet und ein Dateiname nichts über das Teil verrät.
Frage 10
Ein Callcenter will seine aufgezeichneten Kundengespräche verarbeiten und pro Gespräch strukturierte Felder erhalten: eine kurze Zusammenfassung, das besprochene Produkt und ob der Kunde zufrieden war. Welches Foundry-Tool ist dafür gebaut?
- A. Azure Content Understanding in Foundry Tools, mit einem Analyzer, der die Felder definiert
- B. Ein Text-Embedding-Modell
- C. Ein Bildgenerierungsmodell
- D. Das File-Search-Tool eines Agents
Antwort: A. Content Understanding verarbeitet Dokumente, Bilder, Audio und Video zu einer strukturierten Ausgabe. Die gewünschten Felder definierst du in einem Analyzer-Schema, und es kann Werte extrahieren, klassifizieren oder erzeugen, zum Beispiel eine Gesprächszusammenfassung oder ein Zufriedenheitslabel. Die Auswertung nach Anrufen (Post-Call Analytics) gehört zu den Anwendungsfällen, die Microsoft nennt.
- B ist falsch, weil Embeddings Text für die Suche in Vektoren umwandeln und aus Audio keine beschrifteten Felder erzeugen.
- C ist falsch, weil die Bildgenerierung Bilder erstellt.
- D ist falsch, weil File Search einem Agent hilft, Fragen aus Dokumenten zu beantworten, aber nicht jede Aufnahme in strukturierte Felder umwandelt.
So wertest du dich selbst aus
Zähl deine richtigen Antworten von 10 und schau dann, wo du danebenlagst. Zehn Fragen sind zu wenig, um ein Prüfungsergebnis vorherzusagen, aber sie zeigen, welcher Themenbereich noch Arbeit braucht.
- 9–10 richtig: Übe mit längeren Sets unter Zeitdruck und geh die Fragen, die du falsch hattest, weiter durch.
- 6–8 richtig: Geh im Lernleitfaden die Stichpunkte des Themenbereichs durch, in dem du Fehler hattest.
- 5 oder weniger: Fang mit den Konzepten an. Unser Lernpfad Prompt Engineering behandelt die Ideen der generativen KI hinter den Fragen 2 und 5–8.
Wenn du bei mehreren der Fragen 5–10 falschlagst, ist der Foundry-Teil deine Lücke. Diese Fähigkeiten lernst du am besten durch Ausprobieren: ein Modell bereitstellen, einen System-Prompt schreiben und selbst einen kleinen Python-Chat-Client bauen.
Microsoft bietet für diese Zertifizierung außerdem einen kostenlosen Übungstest im AI Skills Navigator an (Anmeldung erforderlich). Du findest ihn über die AI-901-Prüfungsseite.
Wie diese Fragen entstanden sind
TokIQ Editorial hat diese Fragen anhand der Fähigkeiten aus dem AI-901-Lernleitfaden geschrieben (Prüfungsinhalte, Stand 15. April 2026). Es sind keine echten Prüfungsfragen, und sie stammen aus keiner Fragensammlung (Question Dump). Die Prüfungsfakten wurden am 2026-10-26 mit den oben verlinkten Seiten von Microsoft Learn abgeglichen. TokIQ ist eine unabhängige Übungs-App und steht in keiner Verbindung zu Microsoft, wird von Microsoft weder unterstützt noch gesponsert. Microsoft, Azure und Microsoft Foundry sind Marken der Microsoft-Unternehmensgruppe.
Du lernst auch für AWS? Probier unsere Beispielfragen zur AWS AI Practitioner (AIF-C01).
Mehr AI-901-Fragen üben
Wenn du jeden Tag ein kurzes Set wie dieses möchtest: TokIQ (bei Google Play, für das iPhone bald verfügbar) hat einen AI-901-Vorbereitungsmodus. Er bietet eine tägliche Session, die Fragen, die du falsch hattest, per Spaced Repetition wiederbringt, sich auf deinen schwächsten Themenbereich konzentriert und Mock-Prüfungen mit Zeitlimit enthält. Jede Frage nennt die offizielle Microsoft-Learn-Quelle, auf der sie beruht, und nach jeder Antwort gibt es eine Erklärung in deiner Sprache.
Du bist nicht sicher, ob AI-901 die richtige erste Prüfung ist? Vergleiche sie mit anderen Optionen in Welche KI-Zertifizierung zuerst? oder probier die Übungsfragen zum Google Generative AI Leader.
Häufige Fragen
Wurde die Prüfung AI-900 eingestellt?
Ja. Microsoft hat AI-900 am 30. Juni 2026 eingestellt und durch AI-901: Microsoft Azure AI Fundamentals ersetzt. Für die Zertifizierung Microsoft Certified: Azure AI Fundamentals musst du jetzt AI-901 bestehen; es ist die einzige Pflichtprüfung (Microsoft Learn, geprüft am 2026-10-26).
Was ist der Unterschied zwischen AI-900 und AI-901?
AI-900 hatte fünf inhaltliche Bereiche (KI-Workloads, Machine Learning in Azure, Computer Vision, NLP und generative KI). AI-901 hat zwei Themenbereiche: KI-Konzepte und -Fähigkeiten erkennen (40–45 %) und KI-Lösungen mit Microsoft Foundry umsetzen (55–60 %). Microsoft erwartet außerdem, dass AI-901-Kandidaten die Python-Syntax kennen. Mehr als die Hälfte der Prüfung dreht sich also darum, kleine Apps und Agents mit Foundry zu bauen.
Kann ich AI-900-Übungstests weiterhin für AI-901 nutzen?
Nur zum Teil. Die Konzeptfragen zu Responsible AI, Textanalyse, Sprache und Computer Vision helfen weiterhin beim ersten Themenbereich. AI-900-Sets decken aber nicht ab, wie man in Microsoft Foundry Modelle bereitstellt, Prompts schreibt, Agents baut und Content Understanding nutzt. Das sind 55–60 % von AI-901.
Wie lange dauert die AI-901-Prüfung und welche Punktzahl brauche ich zum Bestehen?
Microsoft-Fundamentals-Prüfungen dauern 45 Minuten, bei 65 Minuten Gesamtzeit am Platz. Die Punktzahl wird auf einer Skala von 1 bis 1.000 angegeben, zum Bestehen brauchst du 700 oder mehr. Es ist ein skalierter Wert, 700 entspricht also nicht 70 % der Fragen (Microsoft Learn, geprüft am 2026-10-26).
Wie viele Fragen hat AI-901?
Microsoft veröffentlicht die Fragenzahl für AI-901 nicht. Laut Microsoft haben die meisten Zertifizierungsprüfungen 40 bis 60 Fragen, die Zahl kann sich ändern. Falsches Raten wird nicht bestraft, beantworte also jede Frage.
Sind das echte AI-901-Prüfungsfragen?
Nein. TokIQ Editorial hat alle 10 Fragen anhand der Fähigkeiten aus dem offiziellen AI-901-Lernleitfaden selbst geschrieben. Microsoft hält die Prüfungsinhalte vertraulich, Seiten mit angeblich echten Fragen sind deshalb ein Risiko und keine Abkürzung. Für diese Zertifizierung bietet Microsoft außerdem einen kostenlosen Übungstest im AI Skills Navigator an (Anmeldung erforderlich).
- #AI-901
- #AI-900
- #Azure AI Fundamentals
- #Übungsfragen
- #Zertifizierung