AI-901 (AI901): domande d'esame di esempio e dati
10 domande di esempio originali per AI-901 (AI901) con risposte, i dati ufficiali dell'esame, le competenze valutate e cosa ha sostituito AI-900 nel 2026.
In questo articolo
AI-900 non c'è più: Microsoft l'ha ritirato il 30 giugno 2026 e lo ha sostituito con AI-901: Microsoft Azure AI Fundamentals, che ora è l'unico esame per la certificazione Microsoft Certified: Azure AI Fundamentals. Qui sotto trovi 10 domande di esempio originali per AI-901 con risposte e brevi spiegazioni, divise tra le due aree di competenza ufficiali all'incirca nella stessa proporzione dell'esame reale.
Prova a rispondere a ogni domanda prima di leggere la soluzione. Se studiavi con un test di prova di AI-900, le prime quattro domande ti sembreranno familiari. Le ultime sei sono la parte nuova.
In breve
- AI-901 ha sostituito AI-900 il 30 giugno 2026. Il nome della certificazione è rimasto lo stesso: Microsoft Certified: Azure AI Fundamentals.
- Il 55–60% di AI-901 riguarda l'implementazione di soluzioni AI con Microsoft Foundry, quindi 6 delle 10 domande qui sotto vengono da quell'area.
- Microsoft si aspetta che i candidati AI-901 conoscano la sintassi del codice Python. AI-900 no.
- Hai 45 minuti e serve un punteggio scalato di 700 su 1.000. Microsoft non pubblica il numero di domande.
Che fine ha fatto AI-900?
Microsoft ha ritirato l'esame AI-900 il 30 giugno 2026. La pagina dell'esame AI-900 ora dice che l'esame "has been replaced by AI-901", e la pagina della certificazione Azure AI Fundamentals indica AI-901 come unico esame richiesto.
Il cambiamento è più grande di un nuovo codice. AI-900 misurava cinque aree concettuali: carichi di lavoro AI, machine learning su Azure, computer vision, elaborazione del linguaggio naturale e AI generativa. AI-901 ha due aree di competenza, e la più grande è pratica:
| AI-900 (ritirato) | AI-901 (attuale) | |
|---|---|---|
| Aree di competenza | 5 domini concettuali | 2: concetti di AI (40–45%) e implementazione di AI con Microsoft Foundry (55–60%) |
| Programmazione | Non richiesta | Si richiede la conoscenza della sintassi Python |
| Focus | Descrivere carichi di lavoro AI e servizi Azure | Descrivere i concetti di AI, poi costruire in Foundry piccole app di chat, agenti e soluzioni di voce, visione ed estrazione |
Se il tuo test di prova di AI-900 copre solo la colonna di sinistra, aiuta ancora per le domande concettuali, ma si perde più della metà di AI-901.
AI-901 in sintesi: i dati dell'esame
Questi dati vengono dalla guida allo studio AI-901 ufficiale (competenze valutate al 15 aprile 2026), dalla pagina dell'esame AI-901, dalla pagina di Microsoft sulla durata dell'esame e da quella sul punteggio dell'esame, tutte verificate il 2026-10-26. Per la scheda completa e un piano di studio, vedi la nostra pagina di preparazione a AI-901.
| Dato | Valore ufficiale |
|---|---|
| Esame | AI-901: Microsoft Azure AI Fundamentals |
| Certificazione | Microsoft Certified: Azure AI Fundamentals |
| Durata | 45 minuti (65 minuti di permanenza alla postazione) |
| Punteggio minimo | 700 su una scala da 1 a 1.000 (punteggio scalato) |
| Domande | Non pubblicato (Microsoft dice che la maggior parte degli esami ne ha 40–60) |
| Prezzo | Dipende dal paese o dalla regione in cui sostieni l'esame |
| Penalità per le risposte errate | Nessuna |
| Area di competenza | Peso | Domande qui sotto |
|---|---|---|
| 1. Identify AI concepts and capabilities | 40–45% | 1–4 |
| 2. Implement AI solutions by using Microsoft Foundry | 55–60% | 5–10 |
La guida allo studio dice anche che la maggior parte delle domande riguarda funzioni disponibili in via generale, che l'esame può includere funzioni in anteprima di uso comune e che devi avere familiarità con API REST, SDK e CLI.
Area di competenza 1: Identify AI concepts and capabilities
Domanda 1
Un'azienda lancia un chatbot per l'assistenza clienti. Ogni conversazione inizia con un messaggio che dice che l'utente sta parlando con un sistema di AI, in cosa può aiutare e dove può sbagliare. Quale principio di AI responsabile di Microsoft sostiene principalmente?
- A. Fairness (equità)
- B. Inclusiveness (inclusività)
- C. Transparency (trasparenza)
- D. Reliability and safety (affidabilità e sicurezza)
Risposta: C. La trasparenza significa che le persone capiscono di usare un sistema di AI, a cosa serve e quali sono i suoi limiti. Dire subito agli utenti che stanno parlando con un'AI e dove può sbagliare ne è un esempio diretto.
- A è sbagliata perché l'equità riguarda il trattamento equo di tutti i gruppi di persone da parte del sistema.
- B è sbagliata perché l'inclusività riguarda la progettazione per persone con capacità e background diversi, per esempio interfacce accessibili.
- D è sbagliata perché affidabilità e sicurezza riguardano il funzionamento previsto del sistema e il fallimento in sicurezza; un messaggio informativo non cambia il comportamento del modello.
I sei principi della guida allo studio sono equità, affidabilità e sicurezza, privacy e sicurezza dei dati, inclusività, trasparenza e responsabilità. Aspettati domande a scenario che chiedono di abbinare una pratica a uno di essi.
Domanda 2
Quale affermazione descrive meglio come un modello linguistico di grandi dimensioni produce una risposta a un prompt?
- A. Cerca nei dati di addestramento il documento memorizzato che corrisponde meglio al prompt e lo restituisce.
- B. Prevede ripetutamente il token successivo più probabile, in base al prompt e ai token già generati.
- C. Esegue un insieme fisso di regole che gli sviluppatori hanno scritto per ogni tipo di domanda.
- D. Cerca la risposta in un database su internet ogni volta.
Risposta: B. Un modello linguistico genera il testo un token alla volta. Un token è un pezzo di testo, spesso parte di una parola. A ogni passo il modello prevede un token successivo probabile da tutto ciò che viene prima, lo aggiunge e ripete finché la risposta è completa.
- A è sbagliata perché il modello non memorizza e restituisce documenti interi; genera testo nuovo.
- C è sbagliata perché il comportamento è appreso dai dati durante l'addestramento, non scritto come regole.
- D è sbagliata perché un modello da solo non cerca su internet. Un'app o un agente può aggiungere la ricerca come strumento, ma è un passaggio separato.
Domanda 3
Un rivenditore vuole elaborare migliaia di recensioni di prodotti ed estrarre i nomi di prodotti, marchi e città citati dai clienti. Quale tecnica di analisi del testo è adatta?
- A. Sentiment analysis
- B. Entity detection (named entity recognition)
- C. Summarization
- D. Language detection
Risposta: B. L'entity detection trova e classifica le entità nominate nel testo, come prodotti, organizzazioni, persone e luoghi.
- A è sbagliata perché la sentiment analysis dice se una recensione è positiva, negativa o neutra, non quali cose nomina.
- C è sbagliata perché il riassunto accorcia il testo invece di elencare elementi specifici.
- D è sbagliata perché il rilevamento della lingua dice solo in che lingua è scritta la recensione.
Domanda 4
Un'app di navigazione deve leggere ad alta voce le indicazioni stradali al conducente. Di quale capacità vocale ha bisogno?
- A. Speech recognition (da voce a testo)
- B. Speech synthesis (da testo a voce)
- C. Speaker recognition
- D. Keyword extraction
Risposta: B. La speech synthesis trasforma il testo in audio parlato, che è esattamente ciò che serve per leggere ad alta voce le indicazioni.
- A è sbagliata perché il riconoscimento vocale fa il contrario: trasforma l'audio parlato in testo, per esempio per capire i comandi vocali del conducente.
- C è sbagliata perché lo speaker recognition identifica chi sta parlando.
- D è sbagliata perché l'estrazione di parole chiave è una tecnica di analisi del testo e non produce audio.
Area di competenza 2: Implement AI solutions by using Microsoft Foundry
Domanda 5
Uno sviluppatore crea un'app di chat in Microsoft Foundry. Ogni risposta deve essere cortese, in inglese semplice e limitata alle domande sui prodotti dell'azienda, qualunque cosa scriva l'utente. Dove vanno messe queste regole?
- A. Nel system prompt
- B. In ogni user prompt, scritto dall'utente
- C. Nel nome del modello
- D. Nei messaggi di errore dell'app
Risposta: A. Il system prompt (system message) stabilisce ruolo, tono, ambito e regole del modello per l'intera conversazione. Lo user prompt contiene la domanda vera dell'utente, che cambia a ogni turno e non può garantire di ripetere le regole.
- B è sbagliata perché gli utenti non aggiungeranno da soli le regole, e l'app non dovrebbe dipendere da loro.
- C è sbagliata perché il nome del modello o della distribuzione identifica solo quale modello viene chiamato.
- D è sbagliata perché i messaggi di errore non cambiano il modo in cui il modello risponde.
La nostra guida su come scrivere un system prompt approfondisce cosa ci va dentro.
Domanda 6
Uno sviluppatore sceglie un modello nel catalogo di Foundry e vuole chiamarlo da un'app Python. Cosa deve fare prima che l'app possa inviargli prompt?
- A. Fare il fine-tuning del modello sui dati aziendali
- B. Distribuire il modello nella risorsa Foundry e usare nell'app l'endpoint e il nome di quella distribuzione
- C. Scaricare i pesi del modello sul portatile
- D. Creare un analyzer di Content Understanding
Risposta: B. Un modello del catalogo va distribuito prima di poterlo usare. L'app poi invia le richieste alla distribuzione, usando l'endpoint del progetto, il nome della distribuzione e credenziali come una chiave o Microsoft Entra ID. La guida allo studio elenca sia "deploy a model and interact with it in the Foundry portal" sia "create a lightweight chat client application by using the Foundry SDK".
- A è sbagliata perché il fine-tuning è facoltativo e non serve per chiamare un modello.
- C è sbagliata perché Foundry ospita il modello distribuito; lo chiami via rete.
- D è sbagliata perché un analyzer serve per l'estrazione di informazioni con Content Understanding, non per chattare con un modello.
Domanda 7
Uno sviluppatore scrive questo semplice ciclo di chat in Python. Gli utenti si lamentano che l'assistente dimentica ciò che hanno detto un messaggio prima. Qual è la correzione?
system = {"role": "system", "content": "Sei un utile assistente di viaggio."}
while True:
user_input = input("Tu: ")
messages = [system, {"role": "user", "content": user_input}]
reply = send_to_model(messages) # calls the deployed chat model
print("Assistente:", reply)
- A. Alzare la temperature perché il modello ricordi di più
- B. Tenere un'unica lista
messagesper tutta la conversazione e aggiungervi ogni messaggio dell'utente e ogni risposta dell'assistente prima della chiamata successiva - C. Spostare il system message in fondo alla lista
- D. Distribuire un modello più grande
Risposta: B. Un modello di chat non ricorda le richieste precedenti. Ogni chiamata vede solo i messaggi che invii. Il ciclo ricostruisce messages da zero a ogni turno, quindi i turni precedenti si perdono. Creare la lista una volta sola e aggiungere a ogni turno l'input dell'utente e la risposta dell'assistente dà al modello la cronologia della conversazione.
- A è sbagliata perché la temperature cambia quanto è casuale l'output, non ciò che il modello può vedere.
- C è sbagliata perché l'ordine del system message non recupera i turni mancanti.
- D è sbagliata perché un modello più grande vede comunque solo i messaggi presenti nella richiesta.
Domanda 8
Un team crea nel portale Foundry un singolo agente per rispondere alle domande dei dipendenti sulle policy HR dell'azienda, salvate come file PDF. Quale modifica permette all'agente di basare le risposte su quei documenti?
- A. Aggiungere all'agente lo strumento file search e caricare i documenti delle policy
- B. Aumentare la lunghezza massima della risposta
- C. Aggiungere all'agente un modello di generazione di immagini
- D. Eliminare le istruzioni dell'agente perché risponda liberamente
Risposta: A. Gli strumenti ampliano ciò che un agente può fare. Lo strumento file search indicizza i file caricati in un vector store, così l'agente può recuperare i passaggi rilevanti e rispondere da quelli invece che dalle conoscenze generali del modello.
- B è sbagliata perché un limite di risposta più lungo non dà all'agente nuove conoscenze.
- C è sbagliata perché la generazione di immagini crea immagini, non risposte dai documenti.
- D è sbagliata perché le istruzioni definiscono il ruolo dell'agente; eliminarle lo rende meno affidabile, non più informato.
Lo schema alla base è la retrieval-augmented generation, e il nostro articolo su tool calling e agenti AI spiega come gli agenti decidono quando usare uno strumento.
Domanda 9
Un tecnico sul campo fotografa un pezzo danneggiato di un macchinario e chiede all'app aziendale: "Che pezzo è e cosa potrebbe avere?" Quale approccio è più adatto in Foundry?
- A. Inviare la foto e la domanda insieme in un prompt a un modello multimodale distribuito che accetta immagini in input
- B. Inviare la domanda a un modello di generazione di immagini
- C. Convertire la foto in audio con la speech synthesis
- D. Eseguire la sentiment analysis sul nome del file della foto
Risposta: A. Un modello multimodale può ricevere un'immagine e del testo nello stesso prompt e ragionare su entrambi. La guida allo studio lo chiama interpretare input visivo nei prompt usando un modello multimodale distribuito.
- B è sbagliata perché un modello di generazione di immagini crea nuove immagini; non spiega una foto esistente.
- C è sbagliata perché la speech synthesis trasforma il testo in audio e non c'entra con le immagini.
- D è sbagliata perché la sentiment analysis lavora sulle opinioni nel testo, e il nome di un file non dice nulla sul pezzo.
Domanda 10
Un call center vuole elaborare le registrazioni delle chiamate dei clienti e ottenere campi strutturati per ogni chiamata: un breve riassunto, il prodotto discusso e se il cliente era soddisfatto. Quale strumento di Foundry è fatto per questo?
- A. Azure Content Understanding in Foundry Tools, con un analyzer che definisce i campi
- B. Un modello di embedding del testo
- C. Un modello di generazione di immagini
- D. Lo strumento file search di un agente
Risposta: A. Content Understanding trasforma documenti, immagini, audio e video in un output strutturato. Definisci i campi che vuoi in uno schema dell'analyzer, e può estrarre, classificare o generare valori, come il riassunto di una chiamata o un'etichetta di soddisfazione. L'analisi post-chiamata è uno dei casi d'uso indicati da Microsoft.
- B è sbagliata perché gli embedding trasformano il testo in vettori per la ricerca; non producono campi etichettati dall'audio.
- C è sbagliata perché la generazione di immagini crea immagini.
- D è sbagliata perché file search aiuta un agente a rispondere a domande dai documenti; non trasforma ogni registrazione in campi strutturati.
Come valutarti
Conta le risposte corrette su 10, poi guarda dove hai sbagliato. Dieci domande sono troppo poche per prevedere il risultato dell'esame, ma mostrano quale area di competenza richiede lavoro.
- 9–10 corrette: esercitati con set più lunghi e a tempo e continua a ripassare le domande che sbagli.
- 6–8 corrette: torna ai punti dell'area di competenza in cui hai sbagliato nella guida allo studio.
- 5 o meno: parti dai concetti. Il nostro percorso di apprendimento del prompt engineering copre le idee di AI generativa dietro le domande 2 e 5–8.
Se hai sbagliato diverse domande tra la 5 e la 10, la parte Foundry è la tua lacuna. Queste competenze si imparano meglio facendo: distribuisci un modello, scrivi un system prompt e costruisci da solo un piccolo client di chat in Python.
Microsoft offre anche una practice assessment gratuita per questa certificazione su AI Skills Navigator (serve l'accesso con account). Il link si trova nella pagina dell'esame AI-901.
Come sono state scritte queste domande
TokIQ Editorial ha scritto queste domande a partire dalle competenze elencate nella guida allo studio di AI-901 (competenze valutate al 15 aprile 2026). Non sono domande reali dell'esame e non provengono da nessun "question dump". I dati dell'esame sono stati verificati sulle pagine di Microsoft Learn collegate qui sopra il 2026-10-26. TokIQ è un'app di pratica indipendente e non è affiliata, approvata né sponsorizzata da Microsoft. Microsoft, Azure e Microsoft Foundry sono marchi del gruppo di società Microsoft.
Studi anche per AWS? Prova le nostre domande di esempio AWS AI Practitioner (AIF-C01).
Esercitati con altre domande AI-901
Se vuoi un breve set come questo ogni giorno, TokIQ (su Google Play, in arrivo su iPhone) ha una modalità di preparazione AI-901: una sessione giornaliera che ripropone con ripetizione dilazionata le domande sbagliate, punta all'area di competenza più debole e include simulazioni d'esame a tempo. Ogni domanda cita la fonte ufficiale di Microsoft Learn su cui si basa e dopo ogni risposta c'è una spiegazione, nella tua lingua.
Non sei sicuro che AI-901 sia il primo esame giusto? Confrontalo con le altre opzioni in quale certificazione AI fare prima, oppure prova le domande di esempio Google Generative AI Leader.
Domande frequenti
L'esame AI-900 è stato ritirato?
Sì. Microsoft ha ritirato AI-900 il 30 giugno 2026 e lo ha sostituito con AI-901: Microsoft Azure AI Fundamentals. Per ottenere la certificazione Microsoft Certified: Azure AI Fundamentals ora si supera AI-901, che è l'unico esame richiesto (Microsoft Learn, verificato il 2026-10-26).
Qual è la differenza tra AI-900 e AI-901?
AI-900 aveva cinque domini concettuali (carichi di lavoro AI, machine learning su Azure, computer vision, NLP e AI generativa). AI-901 ha due aree di competenza: Identify AI concepts and capabilities (40–45%) e Implement AI solutions by using Microsoft Foundry (55–60%). Microsoft si aspetta anche che i candidati AI-901 conoscano la sintassi del codice Python, quindi più della metà dell'esame riguarda la creazione di piccole app e agenti con Foundry.
Posso ancora usare i test di prova di AI-900 per AI-901?
Solo in parte. Le domande concettuali su AI responsabile, analisi del testo, voce e computer vision aiutano ancora per la prima area di competenza. I set di AI-900 non coprono la distribuzione di modelli, i prompt, gli agenti e Content Understanding in Microsoft Foundry, che sono il 55–60% di AI-901.
Quanto dura l'esame AI-901 e che punteggio serve per superarlo?
Gli esami Microsoft Fundamentals durano 45 minuti, con 65 minuti di permanenza alla postazione. I punteggi sono riportati su una scala da 1 a 1.000 e servono 700 o più per superare l'esame. È un punteggio scalato, quindi 700 non equivale al 70% delle domande (Microsoft Learn, verificato il 2026-10-26).
Quante domande ci sono in AI-901?
Microsoft non pubblica il numero di domande di AI-901. Dice che la maggior parte dei suoi esami di certificazione ha da 40 a 60 domande e che il numero può cambiare. Non c'è penalità per le risposte errate, quindi rispondi a tutte le domande.
Sono domande reali dell'esame AI-901?
No. TokIQ Editorial ha scritto tutte le 10 domande a partire dalle competenze elencate nella guida allo studio ufficiale di AI-901. Microsoft tiene riservato il contenuto dei suoi esami, quindi i siti che vendono domande reali sono un rischio, non una scorciatoia. Microsoft offre anche una practice assessment gratuita per questa certificazione su AI Skills Navigator (serve l'accesso con account).
- #AI-901
- #AI-900
- #Azure AI Fundamentals
- #domande di esempio
- #preparazione alla certificazione