AWS AI Practitioner (AIF-C01): preguntas de ejemplo
12 preguntas de práctica originales de AIF-C01 de los cinco dominios del examen, con la respuesta correcta y por qué las demás opciones son incorrectas.
En este artículo
- Datos del examen AIF-C01 de un vistazo
- Dominio 1: Fundamentals of AI and ML
- Dominio 2: Fundamentals of GenAI
- Dominio 3: Applications of Foundation Models
- Dominio 4: Guidelines for Responsible AI
- Dominio 5: Security, Compliance, and Governance for AI Solutions
- Cómo evaluar tu resultado
- Cómo se escribieron estas preguntas
- Practica más preguntas de AIF-C01
A continuación tienes 12 preguntas de práctica originales para el examen AWS Certified AI Practitioner (AIF-C01), con la respuesta correcta y una explicación breve de cada una, incluido por qué las otras opciones son incorrectas. Cubren los cinco dominios oficiales en una proporción parecida a la del examen real, para que descubras tus puntos débiles antes del día del examen.
Intenta resolver cada pregunta antes de leer la respuesta. Adivinar primero y comprobar después es lo que hace que la práctica se quede; leer la respuesta de inmediato da más bien la sensación de aprender.
Puntos clave
- AIF-C01 tiene 65 preguntas (50 puntuadas) en 90 minutos, y se aprueba con una puntuación escalada de 700 sobre 1.000.
- El dominio 3, Applications of Foundation Models, pesa el 28% de la nota, por eso 4 de las 12 preguntas de abajo salen de él.
- La mayoría de las preguntas de AIF-C01 miden si sabes relacionar una necesidad de negocio con el concepto o el servicio de AWS adecuado, no si sabes construir un modelo.
- Cuando dos respuestas parecen correctas, la opción más barata, administrada y menos personalizada suele ser la que AWS busca en un escenario de nivel fundamental.
Datos del examen AIF-C01 de un vistazo
Estos datos provienen de la guía oficial del examen AIF-C01 y de la página de AWS Certified AI Practitioner, consultadas el 2026-10-21. Para la lista completa de datos, lo que cubre cada dominio y un plan de estudio, consulta nuestra página de preparación del examen AIF-C01.
| Dato | Valor oficial |
|---|---|
| Preguntas | 65 (50 puntuadas, 15 sin puntuar) |
| Tiempo | 90 minutos |
| Puntuación para aprobar | 700 (puntuación escalada 100–1.000) |
| Precio | 100 USD |
| Tipos de pregunta | Opción múltiple, respuesta múltiple, ordenación, emparejamiento |
| Dominio | Peso | Preguntas de abajo |
|---|---|---|
| 1. Fundamentals of AI and ML | 20% | 1–2 |
| 2. Fundamentals of GenAI | 24% | 3–4 |
| 3. Applications of Foundation Models | 28% | 5–8 |
| 4. Guidelines for Responsible AI | 14% | 9–10 |
| 5. Security, Compliance, and Governance for AI Solutions | 14% | 11–12 |
La guía actual del examen es la versión 1.1, publicada el 30 de abril de 2026. Añadió a los objetivos la IA agéntica, la ingeniería de contexto, Model Context Protocol (MCP) y Amazon Bedrock AgentCore, así que los simulacros más antiguos pueden dejar fuera esos temas.
Dominio 1: Fundamentals of AI and ML
Pregunta 1
Una empresa de retail quiere agrupar a sus clientes según su comportamiento de compra. No tiene etiquetas previas para los grupos. ¿Qué tipo de aprendizaje automático encaja con esta tarea?
- A. Aprendizaje supervisado con un modelo de clasificación
- B. Aprendizaje no supervisado con clustering
- C. Aprendizaje por refuerzo con una función de recompensa
- D. Aprendizaje supervisado con un modelo de regresión
Respuesta: B. El clustering es no supervisado: encuentra grupos en datos que no tienen etiquetas, que es exactamente la situación descrita.
- A y D son incorrectas porque el aprendizaje supervisado necesita ejemplos etiquetados (grupos conocidos u objetivos numéricos conocidos), y la empresa no los tiene.
- C es incorrecta porque el aprendizaje por refuerzo entrena a un agente mediante recompensas por sus acciones en un entorno; aquí no hay agente ni acciones.
Pregunta 2
Un modelo logra un 98% de precisión con sus datos de entrenamiento, pero solo un 71% con datos nuevos que nunca ha visto. ¿Cuál es el problema más probable?
- A. Subajuste (underfitting)
- B. Sobreajuste (overfitting)
- C. Deriva de datos (data drift) en el conjunto de entrenamiento
- D. El endpoint de inferencia es demasiado pequeño
Respuesta: B. El sobreajuste significa que el modelo aprendió demasiado de cerca los datos de entrenamiento, incluido su ruido, y por eso no generaliza. Una gran diferencia entre el rendimiento en entrenamiento y en validación es la señal clásica.
- A es incorrecta porque un modelo subajustado también rinde mal con los datos de entrenamiento.
- C es incorrecta porque la deriva describe datos de producción que cambian con el tiempo, después del entrenamiento.
- D es incorrecta porque el tamaño de la instancia afecta a la velocidad y al coste, no a la precisión.
Dominio 2: Fundamentals of GenAI
Pregunta 3
Un equipo quiere crear un chatbot que llame a modelos de fundación de varios proveedores mediante una sola API, sin aprovisionar ni administrar servidores. ¿Qué servicio de AWS encaja mejor?
- A. Amazon SageMaker AI con un trabajo de entrenamiento personalizado
- B. Amazon Bedrock
- C. Amazon EC2 con instancias GPU
- D. Amazon Comprehend
Respuesta: B. Amazon Bedrock es un servicio totalmente administrado que da acceso por API a modelos de fundación de Amazon y de otros proveedores, así que no hay infraestructura que gestionar.
- A es incorrecta porque un trabajo de entrenamiento sirve para construir o ajustar tu propio modelo, algo que el equipo no necesita.
- C es incorrecta porque alojar modelos por tu cuenta en EC2 implica administrar servidores, justo lo contrario del requisito.
- D es incorrecta porque Amazon Comprehend es un servicio de procesamiento del lenguaje natural (entidades, sentimiento, clasificación), no una forma de llamar a modelos de fundación de propósito general.
Pregunta 4
Una empresa nota que los costes de su IA generativa se disparan cuando los usuarios pegan documentos largos en el prompt. ¿Qué lo explica?
- A. El precio bajo demanda de los modelos suele basarse en el número de tokens de entrada y de salida.
- B. Los prompts largos obligan a reentrenar el modelo.
- C. El precio se basa en el número de usuarios de la API.
- D. Los prompts largos siempre usan un modelo más grande.
Respuesta: A. Los modelos de texto suelen facturarse por token, y un token es un fragmento de texto (a menudo parte de una palabra). Un documento largo pegado añade muchos tokens de entrada a cada solicitud, así que el coste crece con la longitud del prompt.
- B es incorrecta porque la inferencia no reentrena el modelo.
- C es incorrecta porque el número de usuarios no determina el coste por solicitud.
- D es incorrecta porque el modelo lo elige la aplicación, no la longitud del prompt.
Dominio 3: Applications of Foundation Models
Pregunta 5
Un banco usa un modelo de fundación para rellenar una plantilla fija de informe. Las respuestas varían demasiado entre solicitudes idénticas. ¿Qué cambio en los parámetros de inferencia ayuda más?
- A. Subir la temperatura
- B. Bajar la temperatura
- C. Aumentar la longitud máxima de salida
- D. Quitar las secuencias de parada (stop sequences)
Respuesta: B. La temperatura controla la aleatoriedad con la que el modelo elige el siguiente token. Una temperatura más baja hace la salida más centrada y consistente, algo adecuado para rellenar plantillas.
- A es incorrecta porque una temperatura más alta hace la salida más variada y creativa, lo contrario de lo que quiere el banco.
- C es incorrecta porque la longitud de salida limita lo larga que puede ser una respuesta, no lo consistente que es.
- D es incorrecta porque las secuencias de parada solo terminan la generación en un punto elegido.
Pregunta 6
Una empresa quiere un asistente interno que responda preguntas sobre sus políticas de recursos humanos. Las políticas cambian cada mes y las respuestas deben reflejar la versión actual. ¿Qué enfoque es más rentable?
- A. Preentrenar un nuevo modelo de fundación con las políticas
- B. Hacer fine-tuning de un modelo cada mes con las nuevas políticas
- C. Usar Retrieval Augmented Generation (RAG) con Amazon Bedrock Knowledge Bases
- D. Pegar todas las políticas en un prompt few-shot como ejemplos
Respuesta: C. RAG recupera los pasajes relevantes de los documentos actuales en el momento de la pregunta y se los da al modelo como contexto. Cuando cambian las políticas basta con actualizar la base de conocimiento, sin reentrenar.
- A es incorrecta porque el preentrenamiento es, con diferencia, la opción de personalización más cara.
- B es incorrecta porque el fine-tuning mensual cuesta tiempo y dinero, y el fine-tuning sirve más para enseñar un estilo o una tarea que para mantener los datos al día.
- D es incorrecta porque pegar todas las políticas en cada prompt eleva el coste en tokens y puede superar la ventana de contexto; los ejemplos enseñan un formato, no un conjunto de documentos.
Si RAG es nuevo para ti, nuestra guía sobre la generación aumentada por recuperación explica el patrón paso a paso.
Pregunta 7
Un prompt le pide a un modelo que clasifique tickets de soporte en una de cinco categorías, pero el modelo sigue usando sus propios nombres de categoría. ¿Cuál es la solución más sencilla de prompt engineering?
- A. Añadir unos pocos ejemplos etiquetados que usen los nombres exactos de las categorías (few-shot prompting)
- B. Hacer fine-tuning del modelo con 10.000 tickets
- C. Subir la temperatura
- D. Cambiar a un modelo más grande
Respuesta: A. Unos pocos ejemplos resueltos con las etiquetas exactas muestran al modelo la salida esperada, y enumerar las categorías permitidas en la instrucción también ayuda. Probarlo no cuesta nada y es el primer paso antes de opciones más pesadas.
- B es incorrecta porque el fine-tuning puede funcionar, pero es mucho más caro que arreglar primero el prompt.
- C es incorrecta porque una temperatura más alta hace la salida menos predecible.
- D es incorrecta porque un modelo más grande puede seguir inventando etiquetas si el prompt nunca muestra el formato esperado.
Nuestro artículo sobre zero-shot vs few-shot prompting explica cuándo ayudan los ejemplos y cuándo salen mal.
Pregunta 8
Un equipo quiere una métrica automática para comparar resúmenes generados por un modelo con resúmenes de referencia escritos por personas. ¿Qué métrica está diseñada para esto?
- A. ROUGE
- B. Error cuadrático medio
- C. F1 score para clasificación de imágenes
- D. Latencia
Respuesta: A. ROUGE (Recall-Oriented Understudy for Gisting Evaluation) mide el solapamiento entre el texto generado y el texto de referencia, y se usa habitualmente en resumen automático. La guía del examen también enumera BLEU (muy usada en traducción), BERTScore y LLM-as-a-judge.
- B es incorrecta porque el error cuadrático medio mide el error de predicción numérica en regresión.
- C es incorrecta porque la tarea es resumir texto, no clasificar imágenes.
- D es incorrecta porque la latencia mide la velocidad, no la calidad.
Dominio 4: Guidelines for Responsible AI
Pregunta 9
Una entidad de crédito quiere comprobar si su modelo de aprobación de préstamos trata de forma injusta a solicitantes de distintos grupos de edad, tanto en los datos de entrenamiento como en las predicciones del modelo. ¿Qué capacidad de AWS está pensada para esto?
- A. Amazon SageMaker Clarify
- B. AWS CloudTrail
- C. Amazon Textract
- D. Amazon Bedrock Knowledge Bases
Respuesta: A. SageMaker Clarify detecta posibles sesgos en los datos y en las predicciones del modelo, y además ofrece explicaciones de atribución de características sobre cómo influyen las entradas en las predicciones.
- B es incorrecta porque CloudTrail registra la actividad de la API; no analiza la equidad del modelo.
- C es incorrecta porque Textract extrae texto y datos de documentos.
- D es incorrecta porque Knowledge Bases ofrece recuperación para aplicaciones RAG.
Pregunta 10
Los reguladores exigen que una empresa explique a cada cliente por qué el modelo rechazó su solicitud. ¿Qué opción respalda mejor este requisito?
- A. Usar la red neuronal profunda más precisa disponible, sin importar su interpretabilidad
- B. Usar un modelo más interpretable, o añadir herramientas de explicabilidad que muestren qué características influyeron en cada decisión
- C. Ocultar las entradas del modelo para proteger la propiedad intelectual
- D. Aumentar el tamaño del conjunto de datos de entrenamiento
Respuesta: B. La IA responsable en AWS incluye transparencia y explicabilidad. Un modelo más simple e interpretable, o explicaciones de atribución de características, permite a la empresa decirle a un cliente qué factores llevaron a la decisión. El equilibrio entre rendimiento e interpretabilidad es un tema recurrente del examen.
- A es incorrecta porque un modelo que nadie puede explicar puede incumplir el requisito regulatorio aunque sea preciso.
- C es incorrecta porque ocultar las entradas reduce la transparencia.
- D es incorrecta porque más datos pueden mejorar la precisión, pero no explican decisiones individuales.
Dominio 5: Security, Compliance, and Governance for AI Solutions
Pregunta 11 (elige dos)
El chatbot de cara al cliente de una empresa, creado con Amazon Bedrock, debe bloquear los intentos de anular sus instrucciones y no debe revelar datos personales de los clientes en las respuestas. ¿Qué dos medidas cubren estos requisitos? (Selecciona DOS.)
- A. Configurar Amazon Bedrock Guardrails con un filtro de ataques de prompt
- B. Configurar los filtros de información sensible de Amazon Bedrock Guardrails para enmascarar o bloquear datos personales
- C. Aumentar la temperatura del modelo
- D. Guardar el prompt del sistema en un bucket público de Amazon S3
- E. Desactivar los registros para que los atacantes no puedan leerlos
Respuesta: A y B. Guardrails puede detectar ataques de prompt como los jailbreaks y la prompt injection, y sus filtros de información sensible pueden bloquear o enmascarar información de identificación personal en las entradas y las salidas. Juntos cubren ambos requisitos.
- C es incorrecta porque la temperatura cambia la aleatoriedad, no la seguridad.
- D es incorrecta porque un bucket público expone el prompt del sistema a cualquiera.
- E es incorrecta porque los registros hacen falta para auditoría y respuesta a incidentes; la solución es restringir el acceso a ellos, no desactivarlos.
Puedes leer más sobre el ataque en nuestro artículo prompt injection explicada.
Pregunta 12
Un auditor pide a la empresa que demuestre quién llamó a las API de Amazon Bedrock y cuándo, durante los últimos 90 días. ¿Qué servicio de AWS proporciona ese registro?
- A. AWS CloudTrail
- B. Amazon Inspector
- C. AWS Trusted Advisor
- D. Amazon Macie
Respuesta: A. CloudTrail registra las llamadas a la API realizadas en una cuenta de AWS, incluido quién hizo cada llamada, cuándo y desde dónde, por lo que es el registro de auditoría para este tipo de preguntas.
- B es incorrecta porque Amazon Inspector analiza cargas de trabajo en busca de vulnerabilidades de software.
- C es incorrecta porque Trusted Advisor ofrece recomendaciones de buenas prácticas sobre costes, seguridad y límites.
- D es incorrecta porque Amazon Macie descubre datos sensibles en Amazon S3.
Cómo evaluar tu resultado
Cuenta tus respuestas correctas sobre 12 y fíjate en qué dominios fallaste más que en el total. Doce preguntas son pocas para predecir el resultado del examen; fallar una del dominio 3 pesa más que fallar una del dominio 4 solo porque el dominio 3 tiene el doble de peso en el examen real.
- 10–12 correctas: pasa a práctica cronometrada con exámenes completos y sigue repasando las preguntas que falles.
- 7–9 correctas: vuelve a los objetivos de los dominios que fallaste en la guía del examen.
- 6 o menos: empieza por los conceptos. Nuestra ruta para aprender prompt engineering cubre las ideas de IA generativa que hay detrás de los dominios 2 y 3.
Las preguntas que fallas valen más que las que aciertas. Anota por qué elegiste la respuesta equivocada y prueba una pregunta parecida unos días después.
Cómo se escribieron estas preguntas
TokIQ Editorial escribió estas preguntas a partir de los enunciados de tareas de la guía del examen AIF-C01 (versión 1.1). No son preguntas reales del examen ni proceden de ningún volcado de preguntas; AWS mantiene confidencial el contenido de sus exámenes. Los datos del examen se comprobaron con las páginas de AWS enlazadas arriba el 2026-10-21. TokIQ no está afiliada ni respaldada por Amazon Web Services.
¿Estudias también el examen de fundamentos de IA de Microsoft? Consulta nuestras preguntas de práctica de AI-901, que además explican qué sustituyó a AI-900.
Practica más preguntas de AIF-C01
Si quieres una serie corta como esta cada día, TokIQ (en Google Play, próximamente en iPhone) tiene un modo de preparación para AIF-C01: una sesión diaria que te devuelve las preguntas que fallaste con repetición espaciada, da más peso a tu dominio más débil e incluye simulacros. Cada pregunta cita la fuente oficial de AWS en la que se basa, y después de cada respuesta hay una explicación, en tu propio idioma.
¿Listo para el nivel associate? Consulta las preguntas de ejemplo de MLA-C02, o compara opciones en qué certificación de IA hacer primero.
Preguntas frecuentes
¿Son preguntas reales del examen AIF-C01?
No. Las 12 preguntas las escribió TokIQ Editorial para practicar, a partir de los objetivos de la guía oficial del examen de AWS. Las preguntas reales son confidenciales: quienes se examinan aceptan un acuerdo de confidencialidad, así que los conjuntos que se venden como exam dumps son un riesgo, no un atajo. Úsalas para comprobar lo que entiendes, no para memorizar respuestas.
¿Cuántas preguntas tiene el examen AWS Certified AI Practitioner?
El examen AIF-C01 tiene 65 preguntas en 90 minutos. Cincuenta cuentan para tu puntuación y 15 son preguntas sin puntuar que AWS está probando; no puedes saber cuáles son. Las preguntas sin responder cuentan como incorrectas y no hay penalización por adivinar (guía del examen de AWS, consultada el 2026-10-21).
¿Qué puntuación hace falta para aprobar AIF-C01?
Se necesita una puntuación escalada de 700 en una escala de 100 a 1.000. La puntuación es compensatoria, es decir, apruebas o suspendes según el examen completo y no hace falta aprobar cada dominio por separado (guía del examen de AWS, consultada el 2026-10-21).
¿Qué dominio de AIF-C01 debería practicar más?
Applications of Foundation Models es el dominio más grande, con el 28% del contenido puntuado, seguido de Fundamentals of GenAI con el 24% y Fundamentals of AI and ML con el 20%. Responsible AI y Security, Compliance and Governance tienen un 14% cada uno. Reparte el tiempo de práctica más o menos en esa proporción.
¿Qué tipos de pregunta hay en el examen AIF-C01?
La guía del examen enumera cuatro tipos: opción múltiple (una respuesta correcta entre cuatro), respuesta múltiple (dos o más correctas entre cinco o más, y hacen falta todas para obtener el punto), ordenación y emparejamiento. La pregunta 11 de arriba es un ejemplo de respuesta múltiple.
- #AIF-C01
- #AWS Certified AI Practitioner
- #preguntas de práctica
- #certificación