Developing AI Cloud Solutions on Azure (AI-200) — Preguntas de práctica y simulacro de examen

El examen AI-200, Developing AI Cloud Solutions on Azure, lleva a la certificación Microsoft Certified: Azure AI Cloud Developer Associate y reemplaza al AZ-204 (Azure Developer Associate), cuya certificación y evaluación de renovación ya fueron retiradas. Parte de la base de que la aplicación evaluada es un sistema de IA y no una app genérica de Azure, así que cubre soluciones en contenedores, desarrollo de IA con los servicios de gestión de datos de Azure, la conexión y el consumo de servicios de Azure, y cómo asegurar, monitorear y solucionar problemas del resultado. Necesitas dominar Python de principio a fin.

Esta certificación de nivel associate está pensada para desarrolladores que participan en todas las fases de implementación de soluciones de IA en Azure, con énfasis en servicios y componentes de back-end. Los candidatos acompañan el ciclo de desarrollo completo, desde el levantamiento de requisitos hasta el despliegue y el monitoreo, y trabajan con bases de datos vectoriales, pipelines orientados a eventos y observabilidad distribuida como parte normal del trabajo, no como especialidades aparte.

Los servicios de administración de datos de Azure son los que más pesan, con un 25 a 30 %, y todo el dominio gira alrededor de los vectores: embeddings y búsqueda por similitud en Cosmos DB, dimensionamiento de pgvector y patrones RAG en PostgreSQL, e indexación vectorial en Managed Redis. Las soluciones en contenedores, la integración de servicios (Service Bus, Event Grid, Functions) y la parte de seguridad, monitoreo y resolución de problemas se quedan cada una entre 20 y 25 %: son las habilidades generales de desarrollo en Azure que antes medía el AZ-204, ahora aplicadas a cargas de trabajo de IA.

Si te preparaste para el AZ-204 y esperas apenas un añadido ligero de IA, vas a calcular mal este examen. Solo el dominio de administración de datos pesa más que cualquiera de los otros tres por separado, y premia el manejo fluido de bases de datos vectoriales, no la experiencia genérica con CRUD.

Espera entre 40 y 60 preguntas aproximadamente, en unos 120 minutos. Los tipos de pregunta incluyen opción múltiple con una sola respuesta, respuesta múltiple y ejercicios de arrastrar y soltar para ordenar o relacionar elementos. La calificación se escala de 1 a 1000 y necesitas 700 para aprobar, así que el porcentaje bruto de respuestas correctas no es la nota que se te reporta. La mayoría de las preguntas cubren funciones de disponibilidad general; las que están en versión preliminar pueden aparecer cuando ya son de uso común.

Cada dominio del examen AI-200 tiene suficientes preguntas en el banco para practicarlo a fondo. El simulacro te plantea 50 preguntas seguidas, con el mismo cronómetro de 120 minutos que el día del examen.

Cuánto tiempo necesitas depende de la experiencia práctica que ya tienes. El resto lo define el proveedor: cómo se hace el examen, cuándo puedes repetirlo y cuánto dura la certificación.

El AI-200 se aplica a través de Pearson VUE, ya sea en un centro de evaluación o con supervisión en línea, y por ahora solo está disponible en inglés. La certificación tiene una vigencia de un año, y Microsoft te habilita en Learn una evaluación de renovación gratuita desde seis meses antes de que venza.

La trampa más común es prepararte como si esto fuera el AZ-204 con un capítulo de IA pegado encima. No lo es: el dominio más pesado es el de servicios de administración de datos de Azure, con 25 a 30 %, y está dominado por el trabajo con vectores, o sea embeddings, búsqueda por similitud, control de costos en pgvector y RAG con filtrado por metadatos. Quienes tratan a Cosmos DB y PostgreSQL como simples almacenes CRUD son los que más puntos pierden aquí. La segunda trampa recurrente es el consumo de Request Units en Cosmos DB: ajustarlo mediante el diseño de índices y la elección del nivel de consistencia se evalúa como una palanca de costo y rendimiento, no como un detalle de configuración. Tercero, la observabilidad se examina de forma muy concreta, con trazas de OpenTelemetry y KQL escrito a mano, no con una noción general de monitoreo.