AI-103 Azure AI Apps and Agents Developer: guida

Microsoft AI-103, titolo ufficiale Exam AI-103: Developing AI Apps and Agents on Azure, è l’esame che porta alla certificazione Microsoft Certified: Azure AI Apps and Agents Developer Associate. Valida chi costruisce, distribuisce e governa applicazioni generative e agenti su Microsoft Foundry, usando Python. È il successore di AI-102 e ne sposta il baricentro: non più «integrare i servizi cognitivi dentro un’applicazione», ma progettare, valutare e mettere in sicurezza sistemi agentici.

Cosa valida AI-103

L’esame verifica che tu sappia portare una soluzione AI dall’idea alla produzione su Azure: scegliere il modello e il servizio giusti per il compito, costruire l’applicazione generativa (RAG, flussi a più passi, function calling), costruire l’agente che usa strumenti e memoria, e poi misurarlo, osservarlo e governarlo. Le tre aree «classiche» dell’AI applicata — visione, testo e voce, estrazione da documenti — ci sono ancora, ma pesano insieme il 30-45% e sono riformulate in chiave generativa e multimodale.

Il taglio è da sviluppatore, non da data scientist: non ti viene chiesto di addestrare un modello, ti viene chiesto di sceglierlo, deployarlo, collegarlo a una fonte di verità e dimostrare che la risposta che produce è fondata, sicura e tracciabile.

A chi si rivolge

Il candidato tipico è un AI engineer o uno sviluppatore che ha già scritto applicazioni in Python e conosce i servizi Azure. Microsoft non pone prerequisiti formali — nessun esame propedeutico, nessun badge richiesto — ma il profilo di audience dichiarato sulla pagina ufficiale è esplicito: serve esperienza di sviluppo in Python e familiarità con l’AI generativa e con i servizi Azure. Se arrivi da AZ-900 o da AI-901 hai il vocabolario, non ancora la pratica: AI-103 è di livello Intermediate (Associate) e chiede scelte, non definizioni.

Due note che cambiano il piano di studio rispetto ad AI-102:

• Il linguaggio è Python. AI-102 ammetteva anche C#; qui il profilo di audience nomina solo Python. Gli esempi di codice che studi vanno letti in quella forma.
• Gli agenti non sono un capitolo a parte: stanno dentro il dominio più pesante, insieme alle applicazioni generative. Chi prepara «prima i servizi, poi gli agenti» sbaglia le proporzioni.

I numeri d’esame: quelli pubblicati e quelli no

Vale la pena fermarsi sulle due righe vuote, perché sono quelle su cui gira più disinformazione. Microsoft non pubblica il numero di domande di AI-103: qualunque cifra tu legga in giro non viene da una pagina ufficiale. Lo stesso vale per il prezzo, che la pagina lega al paese o alla regione in cui l’esame viene erogato: la cifra esatta compare nel flusso di prenotazione su Pearson VUE. L’ordine di grandezza degli esami role-based Microsoft è di circa 165 USD (in Italia intorno ai 165 EUR più IVA), ma l’unico dato che fa fede è quello che ti mostra la registrazione.

Un dettaglio che conta in sede d’esame: la pagina avverte che la prova può contenere componenti interattive, cioè attività da svolgere in un ambiente simulato e non solo quiz. E se sostieni l’esame in una lingua diversa dall’inglese puoi richiedere 30 minuti aggiuntivi.

Sulla validità: le certificazioni Microsoft di livello associate, expert e specialty scadono dopo un anno e si rinnovano gratuitamente superando un assessment online su Microsoft Learn — non proctored, a libro aperto, ripetibile — nella finestra di sei mesi che precede la scadenza. Non si risostiene l’esame completo. Le fundamentals, invece, non scadono.

AI-103 sostituisce AI-102

AI-102 «Designing and Implementing a Microsoft Azure AI Solution» è ritirato: la sua pagina porta il banner di ritiro ed è fuori dal catalogo attivo. Se avevi cominciato a preparare AI-102 il materiale non è da buttare, ma va ritarato: la struttura dei domini è diversa, il «knowledge mining» è diventato information extraction, e l’intera superficie di prodotto è stata rinominata.

Il punto più insidioso è proprio il nome. Il prodotto oggi si chiama Microsoft Foundry: la study guide scrive Foundry, Foundry Tools, Foundry SDKs, Foundry project. Non «Azure AI Studio», che è il nome precedente, e la radice canonica della documentazione è ora learn.microsoft.com/azure/foundry/. Studiare su materiale che usa i nomi vecchi non è fatale sul concetto, ma lo è sulle domande che ti chiedono quale servizio scegliere.

I concetti trasversali

Alcuni temi tornano in tutti i domini, e conviene padroneggiarli prima di scendere nei dettagli:

• Grounding. Quasi tutto l’esame ruota intorno al collegare il modello a una fonte di verità: indicizzazione, ricerca semantica, ibrida e vettoriale, RAG, e la valutazione della fedeltà della risposta al contesto recuperato.
• Content Understanding. Compare esplicitamente in tre domini diversi — visione, analisi del testo, estrazione informazioni. Non è un dettaglio marginale: è il servizio con cui produci rappresentazioni pulite e strutturate a partire da documenti, immagini, audio e video.
• Scegliere, non configurare. Molte domande sono «quale modello / quale servizio / quale metodo di retrieval», con quattro opzioni tutte plausibili e una sola che rispetta il vincolo dello scenario: costo, latenza, assenza di un modello giudice, requisito di rete privata.
• AI responsabile come requisito tecnico. Filtri di sicurezza, guardrail, rilevamento del prompt injection indiretto (anche quello nascosto nel testo dentro un’immagine), evaluator, watermark, approvazioni umane nei flussi agentici. Non è una sezione etica: sono configurazioni.
• Sicurezza senza chiavi. Managed identity, credenziali keyless, rete privata e ruoli: è il modo in cui l’esame si aspetta che un’applicazione si colleghi a un progetto Foundry.
• Osservabilità. Tracing, token analytics, segnali di sicurezza, scomposizione della latenza, drift: un agente in produzione va misurato, e l’esame chiede con cosa.

I cinque domini d’esame

I pesi sono ufficiali, pubblicati come intervalli nella study guide (skills measured aggiornate al 16 aprile 2026).

1. Plan and manage an Azure AI solution (25-30%)

La parte di progettazione e governo. Scegliere il modello per il compito (LLM, small language model, multimodale, Foundry Tools), il servizio per generazione, grounding, ricerca vettoriale e workflow agentici, il metodo di retrieval e indicizzazione, e i servizi di memoria e knowledge per gli agenti. Poi il lato operativo: disegnare l’infrastruttura, scegliere le opzioni di deployment, configurare i deployment di modelli e agenti, integrare i progetti Foundry nelle pipeline CI/CD, gestire quote, scaling, rate limit e costi, monitorare performance, drift, eventi di sicurezza e qualità del grounding, e configurare la sicurezza. Chiude con l’AI responsabile: filtri, evaluator, trace logging, metadati di provenienza, oversight mode e controlli di accesso agli strumenti.

2. Implement generative AI and agentic solutions (30-35%)

Il dominio più pesante, ed è quello da cui partire. Tre blocchi. Applicazioni generative: deploy e consumo dei modelli, RAG, flussi con strumenti e ragionamento a più passi, valutazione con rilevamento delle fabbricazioni, integrazione via Foundry SDK e connettori, connessione dell’app a un progetto Foundry. Agenti: ruoli e obiettivi, schemi degli strumenti, function calling, memoria conversazionale, integrazione di API, knowledge store, ricerca e Content Understanding, orchestrazione multi-agente, flussi autonomi o semi-autonomi con approvazioni, monitoraggio ed error analysis. Ottimizzazione: prompt engineering, parametri del modello, self-critique e valutazioni chain-of-thought, tracing, orchestrazione di più modelli o di ibridi LLM più motori a regole.

3. Implement computer vision solutions (10-15%)

Generazione di immagini e video da prompt e media di riferimento, editing (inpainting, maschere, modifiche guidate dal prompt), e comprensione multimodale: analisi del contesto visivo, caption sintetiche o dettagliate, question answering fondato su evidenza visiva, generazione di alt-text conforme alle linee guida di accessibilità, pipeline Content Understanding in modalità single-task e pro-mode, identificazione di oggetti e regioni in immagini e video. Infine l’AI responsabile sul contenuto visivo: classificazione di contenuti non ammessi, prompt injection indiretto via testo nelle immagini, watermark e regole d’uso del marchio.

4. Implement text analysis solutions (10-15%)

Estrazione di entità, temi, riassunti e output JSON strutturati con prompting generativo e Foundry Tools; rilevamento di sentiment, tono, problemi di sicurezza e contenuti sensibili; traduzione con Azure Translator o con flussi basati su LLM; personalizzazione degli output per compiti di dominio, come la sintesi in ambito compliance. Poi la parte voce: speech-to-text e text-to-speech per interazioni agentiche, la voce come modalità dell’agente (inclusi i custom speech model), ragionamento multimodale da input audio e traduzione del parlato.

5. Implement information extraction solutions (10-15%)

La pipeline che porta il contenuto dentro un indice usabile: ingestione e indicizzazione di documenti, immagini, audio e video, configurazione di ricerca semantica, ibrida e vettoriale, arricchimento con skill personalizzate o predefinite per testo, immagini e layout, flusso di ingestione RAG con OCR, e collegamento delle pipeline di retrieval ai workflow e agli strumenti degli agenti. Sul versante documentale: pipeline multimodali che combinano OCR, analisi del layout ed estrazione di campi, e analyzer di Content Understanding che producono output strutturati o markdown.

Come prepararsi

1. Parti dal dominio 2. Vale 30-35% e regge concettualmente gli altri: se sai costruire un’app RAG e un agente con strumenti, i domini 3, 4 e 5 diventano «quale servizio collego e come».
2. Verifica i nomi alla fonte. Tutorial e corsi più vecchi di qualche mese parlano ancora di Azure AI Studio e di Azure OpenAI come prodotto a sé. La documentazione canonica oggi è quella di Foundry.
3. Allena il criterio di scelta, non la sintassi. Le domande difficili non chiedono il nome del metodo SDK: chiedono quale evaluator usare quando non vuoi pagare il deployment di un modello giudice, o quale tipo di ricerca regge un requisito di pertinenza.
4. Struttura lo studio sui domini. Il percorso di preparazione AI-103 è organizzato in sette moduli mappati sui cinque domini ufficiali, con il dominio più pesante spezzato in due.
5. Alterna teoria e simulazione. Nelle ultime settimane le prove servono a scoprire dove il criterio di scelta cede. La simulazione AI-103 attinge a un banco di 110 domande e propone sessioni da 50 domande in 120 minuti, con soglia 700/1000.

Su cosa la nostra simulazione riproduce e cosa no conviene essere espliciti:

In altre parole: i formati a quiz li copriamo tutti, i laboratori interattivi no, e le domande sono in inglese anche se l’esame vero è disponibile in italiano. È una scelta che allena il lessico tecnico con cui la documentazione è scritta, ma è giusto che tu la conosca prima di iscriverti. Ogni risposta è spiegata, comprese le ragioni per cui le alternative sono sbagliate.

In sintesi

AI-103 è la certificazione Microsoft per chi sviluppa applicazioni generative e agenti su Foundry e deve renderli affidabili in produzione. Dura 120 minuti, si passa con 700 su 1000, è disponibile anche in italiano e vale un anno, con rinnovo gratuito online. Numero di domande e prezzo non sono pubblicati: li scopri al momento della prenotazione. Il dominio decisivo è quello generativo e agentico (30-35%), e il concetto che attraversa tutto è il grounding. Se stai ancora decidendo se è l’esame giusto per te, parti dalla scheda della certificazione Azure AI Apps and Agents Developer.