Der AWS Certified AI Practitioner ist die Zertifizierung, für die sich plötzlich alle interessieren, und die meisten Lerntipps dazu sind reine Vermutung. Die Prüfung ist noch relativ neu, also ist das Internet voll von Leuten, die beschreiben, was sie glauben, das drankommt.
Du musst nicht raten. AWS veröffentlicht einen Prüfungsleitfaden mit exakten Bereichsgewichtungen. Lerne nach diesen Gewichtungen, in dieser Reihenfolge, und du sparst dir den Teil, in dem du vierzig Reddit-Threads liest, um die Prüfungsstruktur zurückzurechnen.
Der Plan:
Was die Prüfung tatsächlich abdeckt
AIF-C01 ist eine Foundational-Prüfung. Sie testet, ob du KI-, Machine-Learning- und Generative-AI-Konzepte verstehst und wie sie auf AWS angewendet werden. Du musst weder Code schreiben noch Modelle trainieren. Sie hat fünf Bereiche, und die Gewichtungen sind so schief verteilt, dass das deine Lernzeit prägen sollte.
- Applications of Foundation Models: 28%. Der mit Abstand grösste Bereich. Prompt Engineering, Retrieval-Augmented Generation (RAG), wann man fine-tunt und wann man ein Basismodell nutzt, das Bewerten von Modellausgaben und die Bausteine in Amazon Bedrock (Knowledge Bases, Agents). Wenn du hier schwach bist, verschenkst du mehr als ein Viertel der Prüfung.
- Fundamentals of Generative AI: 24%. Foundation Models, Tokens, Embeddings, wofür generative KI gut ist und wo sie versagt (Halluzination, fehlende Determiniertheit), und die AWS-Services, die das liefern: Amazon Bedrock und Amazon Q.
- Fundamentals of AI and ML: 20%. Die Basisschicht. Supervised, Unsupervised und Reinforcement Learning; der Unterschied zwischen KI, ML und Deep Learning; typische Anwendungsfälle; und der AWS-AI-Servicekatalog (SageMaker, dazu die Managed Services wie Comprehend, Rekognition, Textract, Transcribe und Polly).
- Guidelines for Responsible AI: 14%. Bias, Fairness, Transparenz und Erklärbarkeit, dazu die AWS-Werkzeuge, die das adressieren: Guardrails for Amazon Bedrock und SageMaker Clarify.
- Security, Compliance, and Governance for AI Solutions: 14%. IAM für AI-Services, Data Governance, Verschlüsselung und wie Compliance-Anforderungen auf AI-Workloads zutreffen.
Rechne es zusammen: Die beiden Generative-AI-Bereiche zusammen machen 52% der Prüfung aus. Das ist eine AI-Practitioner-Zertifizierung im Zeitalter der generativen KI, keine klassische Machine-Learning-Zertifizierung. Gewichte deine Zeit entsprechend. Wer die Hälfte seiner Lernzeit mit traditionellen ML-Algorithmen verbringt, bereitet sich auf eine andere Prüfung vor als die, die AWS geschrieben hat.
Das Format
65 Fragen. 90 Minuten. Das sind knapp unter 90 Sekunden pro Frage, was für eine Foundational-Prüfung reichlich ist, bei der die Fragen konzeptionell sind und keine Architektur-Puzzles.
Von diesen 65 Fragen werden nur 50 bewertet. Die anderen 15 sind unbewertete Fragen, mit denen AWS zukünftige Inhalte testet. Du erfährst nicht, welche welche sind, also beantworte alles so, als ob es zählt.
65 Fragen in 90 Minuten, laut AWS-Prüfungsseite. Multiple Choice und Multiple Response begegnen dir am häufigsten, aber der AWS-Exam-Guide listet weitere Typen — lies ihn, statt nur diese beiden anzunehmen. Keine Labs, kein Code.
Bestehensgrenze: 700 von 1000, auf einem skalierten Bewertungsmodell. AWS nutzt kompensatorische Bewertung, das heisst, du musst nicht jeden Bereich einzeln bestehen. Du musst nur die Gesamtgrenze überschreiten. Versuch nicht, aus der Zahl 700 auszurechnen, „wie viele darf ich falsch haben“; die Skalierung macht diese Rechnung unzuverlässig. Peile an, komfortabel über der Grenze zu liegen.
Kosten: $100 USD pro Versuch. Foundational Level. Die Zertifizierung gilt 3 Jahre.
Lernzeitplan
Plane etwa 20 bis 30 Stunden ein. Das ist eine Foundational-Prüfung, und sich dafür zu übervorbereiten ist der häufigste Fehler. Wie du diese Stunden verteilst, hängt davon ab, wo du startest.
Wenn du bereits mit AWS arbeitest (du hast die Konsole benutzt, du weisst, was IAM und S3 sind): 2–3 Wochen. Deine Lücke ist das Generative-AI-Vokabular und die Bedrock-Servicefamilie, nicht die Cloud-Grundlagen.
Wenn du KI/ML kennst, aber nicht AWS: 2–3 Wochen. Du verstehst Embeddings und Fine-Tuning bereits. Was du brauchst, ist zu wissen, welcher AWS-Service was macht, und die Prüfung testet Service-Erkennung intensiv.
Wenn du bei beidem neu bist: 4–6 Wochen. Baue zuerst die konzeptionelle Basis auf (was ein Foundation Model ist, was RAG löst), dann ordne jedes Konzept seinem AWS-Service zu. Versuch nicht, die Serviceliste auswendig zu lernen, bevor die Konzepte Sinn ergeben.
Wenn du bei einer Foundational-Prüfung über sechs Wochen hinauskommst, ist das Problem nicht die Zeit. Prüfe deine Bereichswerte und finde den, der dich runterzieht.
Typische Stolperfallen
Klassisches ML zu hart lernen
Der Name sagt „AI Practitioner“, und Leute nehmen an, das bedeute tiefe Abdeckung von Algorithmen, Modelltraining und Statistik. Tut es nicht. Traditionelle ML-Grundlagen sind ein 20%-Bereich. Das Generative-AI-Material ist mehr als die Hälfte der Prüfung. Wenn du drei Wochen mit Gradient Descent und Neural-Network-Architektur verbringst, hast du für die falsche Struktur optimiert.
Die Bedrock-Bausteine verwechseln
Die Prüfung setzt stark darauf, zu wissen, welches Amazon-Bedrock-Feature welches Problem löst, und die sind leicht zu verwechseln:
- Prompt Engineering: den Input ändern, um den Output zu ändern. Keine Infrastruktur.
- RAG (Retrieval-Augmented Generation): dem Modell deine eigenen Daten zur Abfragezeit geben, ohne neu zu trainieren. Das ist eine Bedrock Knowledge Base.
- Fine-Tuning: ein Modell auf deinen gelabelten Daten weitertrainieren, um sein Verhalten zu ändern. Mehr Aufwand, mehr Kosten.
- Agents: das Modell Tools aufrufen und mehrstufige Aktionen ausführen lassen.
Wenn ein Szenario sagt „das Modell braucht Zugriff auf unsere internen Dokumente, aber wir können es nicht neu trainieren“, ist die Antwort RAG, nicht Fine-Tuning. Sitzen diese vier Unterscheidungen fest, hast du dir einen grossen Teil des 28%-Bereichs gesichert.
Responsible AI als „weich“ abtun
Responsible AI und Security sind je 14%, zusammen 28%, und Kandidaten behandeln sie als Füllmaterial. Sind sie nicht. Wisse, was Bias und Erklärbarkeit in der Praxis bedeuten, was Guardrails for Amazon Bedrock macht (blockiert schädliche Inhalte, filtert Themen) und was SageMaker Clarify misst. Das sind leichte Punkte, die Leute liegen lassen, weil die Themen weniger technisch klingen als RAG.
Lernansatz
Lerne bereichsweise, in der Reihenfolge der Gewichtung, das Schwerste zuerst. Lies die Bedrock-Dokumentation nicht von vorne bis hinten durch.
Starte mit einer diagnostischen AIF-C01-Probeprüfung, um zu sehen, wo du tatsächlich stehst. Die meisten sind überrascht: Sie nehmen an, sie seien schwach bei Responsible AI, und schneiden am schlechtesten bei den Foundation-Model-Anwendungen ab, oder umgekehrt.
Dann verteile die Zeit proportional. Wenn Applications of Foundation Models sowohl dein schwächster Bereich als auch 28% der Prüfung ist, dann geht deine erste Woche dorthin. Schleif nicht an einem Bereich, in dem du schon 85% erreichst. Folge für jeden Bereich derselben Schleife: lies das relevante Konzept, beantworte Fragen in diesem Bereich, prüfe jede Erklärung (auch die, die du richtig hattest), wiederhole. Adaptives Üben, bei dem der Schwierigkeitsgrad deinem Niveau folgt, macht diese Schleife schneller als eine statische Fragensammlung.
Wann du die Prüfung ablegen solltest
Buche, wenn deine Bereichswerte durchgängig über 80% liegen, über alle fünf Bereiche, dreimal in Folge. Nicht an einem einzigen guten Tag.
Wenn du insgesamt über 80% liegst, aber ein Bereich immer wieder auf 70% absackt, bist du noch nicht bereit. Bei einer kompensatorisch bewerteten Prüfung lässt dich ein schwacher Bereich für sich allein nicht durchfallen, aber ein ungünstiger Fragensatz in deinem Schwachbereich plus gewöhnliche Streuung können dich unter die Grenze drücken.
Deinen schwächsten hochgewichteten Bereich zu verbessern, bringt den besten Ertrag. Von 75% auf 85% bei Applications of Foundation Models (28%) zu kommen, ist mehr wert, als Security von 85% auf 95% zu polieren (14%).
Buche, bevor du dich „zu 100% bereit“ fühlst. Dieses Gefühl kommt nie. Wenn die Zahlen sagen, dass du bereit bist, vertrau den Zahlen.
Nach der Prüfung
Wenn du bestehst: Du hast drei Jahre bis zur Erneuerung und eine Foundational-Zertifizierung, die wirklich auf dem Stand der Branche ist. Von hier aus ist der Machine Learning Associate oder die breitere Cloud-Roadmap der natürliche nächste Schritt, wenn du in die Tiefe willst.
Wenn du nicht bestehst: Warte die vorgeschriebene Frist ab, lies deinen Ergebnisbericht (er schlüsselt die Leistung nach Bereich auf), behebe den Schwachbereich und wiederhole. Die meisten, die ihren Plan anhand des Ergebnisberichts anpassen, bestehen beim zweiten Mal.
FAQ
Lohnt sich der AWS AI Practitioner 2026? Für eine Foundational-Zertifizierung: ja. Es ist das eine Zertifikat, das signalisiert, dass du generative KI im AWS-Kontext verstehst, und die Nachfrage danach ist gerade real. Es macht dich nicht zum ML Engineer, aber das war auch nie die Absicht.
Brauche ich Coding oder Mathe? Nein. AIF-C01 ist konzeptionell. Du musst verstehen, was die Services tun und wann man sie nutzt, nicht sie implementieren.
Sollte ich zuerst den Cloud Practitioner (CLF-C02) machen? Nicht erforderlich. Beim Cloud-Grundlagenstoff gibt es Überschneidungen, aber AIF-C01 steht für sich. Wenn du brandneu bei AWS bist, gibt dir zuerst CLF-C02 das Cloud-Vokabular, aber es ist optional.
Woher weiss ich, wann ich wirklich bereit bin? Bereichswerte über 80%, gehalten über mehrere Sessions. Hör auf, auf ein Gefühl zu warten. Schau auf die Daten.
