L’intelligenza artificiale ha smesso da tempo di essere un tema da laboratorio: è dentro i workflow aziendali, nei chatbot di assistenza clienti, nei sistemi che leggono fatture e documenti, negli assistenti che scrivono codice. Azure AI Fundamentals (AI-901) è la certificazione con cui Microsoft mette ordine in questo panorama e ti chiede di dimostrare che sai di cosa si parla: quali sono i tipi di workload AI, quali servizi Azure li implementano, e — punto tutt’altro che secondario — quali sono i principi di responsible AI da rispettare quando queste soluzioni finiscono in produzione.
È una certificazione di livello fundamentals, quindi orientata alla comprensione più che alla configurazione. Non ti verrà chiesto di scrivere una pipeline di training da zero o di ottimizzare gli iperparametri di un modello. Ti verrà chiesto di riconoscere che un problema di lettura automatica di moduli cartacei si affronta con l’estrazione di informazioni da documenti, che un sistema che deve rispondere a domande sui manuali interni aziendali richiede un pattern di retrieval, e che un modello generativo può produrre output plausibili ma sbagliati — con tutto quello che ne consegue in termini di controlli.
Rispetto alle versioni precedenti delle certificazioni AI di base, qui il baricentro si è spostato in modo netto verso i workload generativi e agentici e verso Microsoft Foundry, la piattaforma con cui si costruiscono, si valutano e si mettono in esercizio le soluzioni AI su Azure. Compare inoltre un requisito che vale la pena leggere con attenzione: sono richieste basi di Python. Non è un esame di programmazione, ma potresti trovarti davanti a frammenti di codice da interpretare, e chi non ha mai visto una riga di Python parte in svantaggio.
A chi serve
Il taglio è volutamente trasversale, e questo è il suo punto di forza. I profili che ne traggono valore concreto:
- Sviluppatori e ingegneri software che stanno iniziando a integrare modelli linguistici nelle applicazioni e vogliono una mappa ordinata dei servizi Azure disponibili, prima di scegliere a caso.
- Data analyst e data engineer che conoscono i dati ma non l’ecosistema AI applicativo, e vogliono capire dove finisce il loro perimetro e dove inizia quello dell’AI.
- Consulenti, presales e project manager che devono parlare con i clienti di soluzioni AI senza dire imprecisioni. Qui la certificazione paga tantissimo: ti dà il vocabolario giusto.
- Professionisti IT e sistemisti che stanno valutando l’adozione di strumenti AI in azienda e devono ragionare su governance, costi e rischi.
- Studenti e career changer che vogliono un primo riferimento verificabile sul CV in un’area dove le competenze dichiarate sono tante e quelle dimostrate poche.
- Chiunque punti a certificazioni AI più avanzate: questa è il gradino d’ingresso naturale prima di affrontare i percorsi role-based orientati all’AI engineering.
Prerequisiti ed esperienza consigliata
Formalmente non ci sono prerequisiti obbligatori. Realisticamente, però, ci sono tre cose che fanno la differenza tra una preparazione fluida e una in salita.
La prima è una familiarità minima con il cloud e con il portale Azure: sapere cos’è una subscription, cosa significa creare una risorsa, come funziona a grandi linee la gestione delle chiavi e degli endpoint. Non serve aver già dato una certificazione cloud di base, ma se non hai mai aperto il portale conviene farlo prima.
La seconda sono le basi di Python, esplicitamente indicate da Microsoft. Il livello richiesto è modesto: leggere una funzione, capire cosa fa una chiamata a un client SDK, riconoscere un dizionario e un ciclo. Se hai fatto un corso introduttivo o sai leggere codice altrui, sei a posto. Se non hai mai programmato, mettiti in conto qualche ora dedicata solo a questo — è tempo ben speso e ti servirà comunque.
La terza è la curiosità applicata: aver almeno usato un assistente conversazionale, aver provato a generare immagini, aver visto cosa succede quando un modello sbaglia. L’esperienza diretta rende molti concetti immediatamente ovvi invece che astratti.
Cosa copre l’esame
L’esame è organizzato in alcune aree principali, che trovi elencate nella pagina ufficiale dell’esame su Microsoft Learn. Ecco di cosa si occupano.
| Area | Di cosa si occupa |
|---|---|
| Concetti fondamentali di AI | Tipi di workload (previsione, classificazione, generazione), differenza tra machine learning tradizionale e modelli generativi, come si valuta un modello, terminologia di base |
| Workload generativi e agentici | Come funzionano i modelli linguistici, prompt e prompt engineering, pattern di grounding e retrieval su dati aziendali, cosa distingue un agente da un semplice chatbot, uso di strumenti e orchestrazione |
| Analisi del testo e linguaggio | Estrazione di entità, sentiment, riconoscimento della lingua, question answering, comprensione delle intenzioni conversazionali, traduzione |
| Speech | Riconoscimento vocale, sintesi vocale, traduzione parlato-testo e relativi scenari applicativi |
| Computer vision | Classificazione di immagini, rilevamento di oggetti, analisi facciale, OCR e lettura di testo dalle immagini, modelli custom |
| Estrazione di informazioni da documenti | Lettura di form, fatture, ricevute e contratti; modelli predefiniti e modelli addestrati sui propri documenti; ricerca su contenuti non strutturati |
| Responsible AI | I principi Microsoft (equità, affidabilità e sicurezza, privacy, inclusività, trasparenza, responsabilità), rischi dei sistemi generativi, filtri di contenuto e mitigazioni |
| Microsoft Foundry | Come si organizzano progetti e risorse, catalogo dei modelli, deployment di un endpoint, valutazione e monitoraggio delle soluzioni |
Nota che responsible AI non è un capitolo di contorno: è materia d’esame a tutti gli effetti e viene chiesta con scenari concreti (“un sistema di screening curricula penalizza sistematicamente un gruppo: quale principio viene violato?”).
Formato e costo
Il passing score è 700 su 1000. È un punteggio scalato, non una percentuale di risposte corrette: non provare a calcolare quante domande puoi sbagliare, non funziona così.
| Voce | Dato |
|---|---|
| Punteggio minimo | 700/1000 |
| Costo | circa 99 USD (in Italia circa 99 EUR + IVA) |
| Validità | Le certificazioni Microsoft Fundamentals non scadono |
| Modalità | Online con proctoring, oppure in centro test |
Sul formato: aspettati in genere poche decine di domande in circa 1-2 ore, con tipologie miste (scelta multipla, vero/falso a griglia, abbinamenti, riordino). Numero esatto di domande, durata precisa e pesi delle aree cambiano nel tempo: verificali sempre sulla pagina ufficiale dell’esame su Microsoft Learn prima di prenotare, è l’unica fonte affidabile.
Il fatto che le Fundamentals non scadano è un vantaggio reale rispetto alle role-based (che scadono dopo 12 mesi e si rinnovano gratis con un assessment online su Microsoft Learn): la prendi una volta e resta.
Come prepararsi
Un piano realistico per chi parte da zero o quasi si chiude in quattro settimane con un impegno di 4-6 ore a settimana. Chi lavora già con l’AI può comprimere a due.
Settimana 1 — Fondamenta e vocabolario. Concetti di base di AI e machine learning, tipi di workload, terminologia. Se Python è un buco, dedicagli qui 2-3 ore: sintassi minima, lettura di codice. Obiettivo: nessuna parola dell’esame ti suona nuova.
Settimana 2 — I servizi “classici”. Analisi del testo, speech, computer vision, estrazione da documenti. Studia per scenario, non per servizio: per ogni capability chiediti “quale problema aziendale risolve?”. Apri il portale Azure e crea almeno una risorsa per famiglia, giocaci dieci minuti. Vedere l’output reale vale più di tre ripassi.
Settimana 3 — Generativo, agentico e Foundry. Modelli linguistici, prompt engineering, grounding sui dati aziendali, cosa rende agentico un sistema. Poi entra in Microsoft Foundry: crea un progetto, esplora il catalogo modelli, fai un deployment di prova, guarda come si imposta una valutazione. È l’area più nuova e più pesante.
Settimana 4 — Responsible AI e simulazioni. Studia i sei principi con esempi concreti e imparali a riconoscere negli scenari. Poi passa alle simulazioni: fanne almeno tre complete, e dopo ognuna rileggi le spiegazioni anche delle risposte giuste. Quando arrivi stabilmente sopra l’80% con margine, prenota.
Errori comuni
Imparare a memoria i nomi dei servizi senza capire cosa fanno. L’esame chiede scenari: “quale servizio useresti per…”. Se hai memorizzato una lista ma non sai abbinarla a un problema reale, le domande diventano indovinelli.
Sottovalutare responsible AI. È l’area che molti liquidano come “roba filosofica” e poi costa punti veri. I principi vanno saputi distinguere, non solo elencare.
Ignorare il requisito Python. “Tanto è un fundamentals” è una scommessa che a volte non paga. Un’ora di sintassi di base rimuove il problema.
Studiare solo sui materiali vecchi. Il contenuto su generativo, agentico e Microsoft Foundry è recente: guide e video di qualche anno fa coprono un esame che non esiste più. Controlla sempre la data dei materiali.
Fare simulazioni solo per il punteggio. Il valore sta nell’analisi degli errori, non nella percentuale. Chi ripete lo stesso test finché non lo sa a memoria si illude di essere pronto.
Il modo più rapido per capire dove sei davvero è misurarti con domande in stile esame. Sulla scheda della certificazione trovi il quadro completo, e con la simulazione gratuita AI-901 puoi allenarti su un banco di 100 domande con spiegazione per ogni risposta. Nessuna registrazione obbligatoria: fai un tentativo oggi, guarda il report per area e usa i risultati per decidere su cosa concentrare le prossime sessioni di studio.