A manufacturing company has approved an AI program but has no roadmap, no data readiness assessment, and no KPIs. The CIO asks what the solution architect should own first. Which responsibility set matches the learning content's definition of the AI architect role?

Define the adoption vision and roadmap, ensure data readiness and governance, integrate AI with workflows, apply responsible AI, and set KPIs

Select and license the models, negotiate vendor contracts, author the organization's prompt library, and deliver user training for each department

Build custom machine learning models in Azure Machine Learning ahead of documented business goals, then derive the program KPIs from measured model accuracy

Hand roadmap and governance to the data science team and concentrate on infrastructure sizing, network isolation, and landing zone cost control

A service manager wants Copilot to reference every available CRM field "so it never misses anything". Which best practice from the learning content argues against this?

Limit data scope to necessary fields for better precision and reduced noise

Expand data scope continuously, because more referenced fields improve accuracy

Disable human oversight once the data scope has been completed and validated

Freeze prompts once they are approved so output stays stable as strategies evolve

After consolidating backlog items and user feedback, what does the learning content say the architect should do before deploying improvement releases?

Align items to enterprise strategy and define measurable outcomes

Deploy each item immediately to maximize responsiveness to users

Discard low-volume feedback regardless of its severity

Freeze knowledge sources so that drift is prevented

A retailer wants customer-service automation within weeks and has no AI engineers. The architect recommends starting with Microsoft's out-of-the-box agent resources. Which benefit does the learning content attribute to prebuilt agents that justifies this recommendation?

They reduce development time, follow responsible AI practices, and scale across Microsoft 365 and Dynamics 365

They make it unnecessary to define business outcomes before the tooling is selected, since the scenario is already fixed

They provide full control over model execution on private, isolated compute that the organization operates itself

They replace Azure AI services in compliance-sensitive workloads because their governance is handled by Microsoft

Alle Examen

AB-100

Microsoft Certified: Agentic AI Business Solutions Architect Expert

Architecting agentic AI business solutions. Umfasst die Planung KI-gestützter Geschäftslösungen (Anforderungsanalyse, Grounding-Daten, KI-Strategie nach dem Cloud Adoption Framework, Multi-Agent-Design, Prompt-Bibliotheken, Center of Excellence, ROI und Build-buy-extend), das Design von Agenten und KI-Funktionen über Copilot Studio, Microsoft 365 Copilot, Microsoft Foundry und Dynamics 365 sowie die Bereitstellung: Monitoring und Tuning, Teststrategie, ALM für Agenten, Modelle und Daten sowie Responsible AI, Sicherheit, Governance und Compliance.

Fragen pro Test

120 min

Zeit

700/1000

Bestehensgrenze

197

Fragen im Pool

Skill-Bereiche

Plan AI-powered business solutions~28 % · 65 Fragen
Design AI-powered business solutions~28 % · 67 Fragen
Deploy AI-powered business solutions~44 % · 65 Fragen

Test-Examen starten (40 Fragen)Nachschlagewerk

Über die AB-100-Zertifizierung

Die AB-100 ist Microsofts Expert-Zertifizierung für Solution Architects, die KI-gestützte Geschäftslösungen mit Agenten über Microsoft 365 Copilot, Copilot Studio, Microsoft Foundry, Power Platform und Dynamics 365 entwerfen. Geprüft werden drei Bereiche: die Planung KI-gestützter Geschäftslösungen (Anforderungen, Grounding-Daten, KI-Strategie und Adoption-Prozess, Multi-Agent-Architektur, Prompt-Bibliotheken, Center of Excellence, ROI und Build-buy-extend), das Design von KI und Agenten (Copilot in Dynamics 365, Task-, autonome und Prompt-Agenten, Foundry Tools, Topics, Well-Architected Framework, Erweiterbarkeit mit MCP und Computer Use, Orchestrierung vorgefertigter Agenten) sowie die Bereitstellung (Monitoring und Tuning, Teststrategie, ALM, Responsible AI, Sicherheit, Governance und Compliance).

Die Zertifizierung richtet sich an erfahrene Architektinnen und Architekten: Neben der Prüfung AB-100 ist mindestens eine Associate-Zertifizierung wie MB-280, PL-200 oder vergleichbare Vorkenntnisse Voraussetzung. Erwartet wird Erfahrung mit Dynamics 365, Power Platform, Copilot Studio und Azure-KI-Diensten sowie ein Verständnis für Geschäftsprozesse, Datenqualität, Lizenzierung und Governance.

Unser Fragen-Pool stammt vollständig aus dem offiziellen Microsoft-Learn-Lernpfad „Architect AI solutions for business productivity“ des Kurses AB-100T00. Die Fragen sind als Architekturszenarien aufgebaut — Anforderung, Randbedingung, Entscheidung — wie in der echten Prüfung. Nach jeder Antwort siehst du sofort, ob sie richtig war, bekommst eine Erklärung auf Deutsch, ein Glossar der Fachbegriffe und den wörtlichen Textausschnitt aus dem Lernmaterial, der die Antwort belegt.

Beispielfragen aus dem AB-100-Pool

So sehen die Fragen aus. Im Test-Examen bekommst du zusätzlich eine KI-Erklärung und den belegenden Textausschnitt aus dem Lernpfad.

Single Choice·leicht·Architect role in AI transformation
1. A manufacturing company has approved an AI program but has no roadmap, no data readiness assessment, and no KPIs. The CIO asks what the solution architect should own first. Which responsibility set matches the learning content's definition of the AI architect role?
- Define the adoption vision and roadmap, ensure data readiness and governance, integrate AI with workflows, apply responsible AI, and set KPIs
- Select and license the models, negotiate vendor contracts, author the organization's prompt library, and deliver user training for each department
- Build custom machine learning models in Azure Machine Learning ahead of documented business goals, then derive the program KPIs from measured model accuracy
- Hand roadmap and governance to the data science team and concentrate on infrastructure sizing, network isolation, and landing zone cost control
Richtige Antwort: Define the adoption vision and roadmap, ensure data readiness and governance, integrate AI with workflows, apply responsible AI, and set KPIs
Die Lerninhalte definieren die Kernverantwortung des AI Architects als Vision & Roadmap, Datenarchitektur (Readiness und Governance), Integration mit Unternehmens-Workflows, Security & Ethics (Responsible AI) und Performance Monitoring über KPIs. Modellbau oder Training allein sind nicht die Architektenrolle; der Prozess startet bei Business-Zielen, nicht bei Modellen.
Single Choice·leicht·Limiting data scope
2. A service manager wants Copilot to reference every available CRM field "so it never misses anything". Which best practice from the learning content argues against this?
- Limit data scope to necessary fields for better precision and reduced noise
- Expand data scope continuously, because more referenced fields improve accuracy
- Disable human oversight once the data scope has been completed and validated
- Freeze prompts once they are approved so output stays stable as strategies evolve
Richtige Antwort: Limit data scope to necessary fields for better precision and reduced noise
Best Practices: mit Agenten-Workflows starten, Business Terms konsistent halten, Outputs regelmäßig prüfen, Datenumfang auf nötige Felder begrenzen, Prompts aktualisieren, menschliche Validierung sicherstellen.
Single Choice·leicht·Feedback-to-improvement pipeline
3. After consolidating backlog items and user feedback, what does the learning content say the architect should do before deploying improvement releases?
- Align items to enterprise strategy and define measurable outcomes
- Deploy each item immediately to maximize responsiveness to users
- Discard low-volume feedback regardless of its severity
- Freeze knowledge sources so that drift is prevented
Richtige Antwort: Align items to enterprise strategy and define measurable outcomes
Feedback-to-Improvement-Pipeline: konsolidieren → an Strategie ausrichten → messbare Outcomes definieren → Releases erstellen und deployen → Verbesserungen validieren → Drift und Regression überwachen.
Single Choice·leicht·Out-of-the-box agent resources
4. A retailer wants customer-service automation within weeks and has no AI engineers. The architect recommends starting with Microsoft's out-of-the-box agent resources. Which benefit does the learning content attribute to prebuilt agents that justifies this recommendation?
- They reduce development time, follow responsible AI practices, and scale across Microsoft 365 and Dynamics 365
- They make it unnecessary to define business outcomes before the tooling is selected, since the scenario is already fixed
- They provide full control over model execution on private, isolated compute that the organization operates itself
- They replace Azure AI services in compliance-sensitive workloads because their governance is handled by Microsoft
Richtige Antwort: They reduce development time, follow responsible AI practices, and scale across Microsoft 365 and Dynamics 365
Prebuilt-Agenten senken Entwicklungszeit, folgen Microsofts Responsible-AI-Standards und sind für Microsoft 365 und Dynamics 365 skaliert. Business Outcomes bleiben trotzdem der erste Schritt, und volle Kontrolle über die Ausführung ist das Merkmal von GPUs/Containern, nicht von Prebuilt-Agenten.

Themen im AB-100-Fragenpool

Diese Themen deckt unser Pool aus 197 Fragen ab — gruppiert nach den offiziellen Skill-Bereichen.

Plan AI-powered business solutions (~28 %)

Agent platform comparison · Agent readiness criteria · Agents in decision-making · Agents in task automation · AI CoE failure modes · AI CoE operating model progression · AI transformation framework · AI workload risk classification · Architect role in AI transformation · Azure data estate layers · Azure OpenAI on your data · Behavior envelopes · Build-buy-extend decision flow · Build, buy, or extend · Business roles for AI workloads · CAF phases and agent lifecycle · CoE organizational placement · Context hygiene in handoffs · Copilot extension vs custom agent attributes · Copilot Studio ROI analytics · Data requirements for custom models · Environment and networking constraints · Extend Copilot vs build custom agent · Generative vs classic orchestration · Grounding and the Retrieval API · Grounding data quality dimensions · Identifying high-value prebuilt use cases · Intent-driven multi-app design · Knowledge source limits · Model router purpose · Model router rule types · Multi-app Dynamics 365 agent roles · Orchestration patterns · Organizing data for AI systems · Out-of-the-box agent resources · Platform roles in multi-agent solutions · Prebuilt agent feasibility · Pro-code IaaS hosting · Prompt engineering patterns · Prompt library governance metadata · Prompt library review workflow · Prompt maturity model · Prompt pitfalls · RAG pipelines · Regulatory evaluation framework · ROI and payback formulas · ROI categories · ROI vs TCO · Routing by complexity · SaaS agent first principle · Savings model inputs · Savings per run vs per tool · Selecting the knowledge architecture · Semantic index timeliness · Sensitivity analysis · Single-agent vs multi-agent decision · SLM anti-patterns · SLM use cases · TCO by sourcing option · TCO cost categories · Unified rule framework across platforms · User prompt training personas · When custom AI models are justified · When to choose multi-agent first · Why unify CAF and agent lifecycle

Design AI-powered business solutions (~28 %)

Action requirements · Agent Builder in Microsoft 365 Copilot · Agent context in Contact Center · Agent design framework (five steps) · Agent feed capabilities · Agent flow modularity · Agent flows vs cloud flows · AI experience models in Customer Service · AI hub purpose · AI in canvas app business processes · Architecting agent solutions framework · Autonomous agent best practices · Autonomous agent components · Azure WAF vs Power Platform WAF · Business terms for Copilot in Customer Service · Chunking strategy · Collaborative agent patterns in Microsoft 365 · Contact Center channels and AI · Conversation summary structure · Copilot customization areas · Copilot for Sales prerequisites · Cost of generative orchestration · Custom connectors for Copilot in Dynamics 365 Sales · Custom model paths · Custom models in Microsoft Foundry · Deep reasoning · Designing Computer Use agents · Dynamics 365 Customer Service AI capabilities · Event triggers and billing · Extensibility layers in Copilot Studio · F&O agent interoperability · F&O AI experience models · F&O client plugins · Fallback topic design · Foundry tool categories · General knowledge in in-app help · Generative pages and agent feed · Governance for Copilot in canvas apps · Grounding data pipeline design · Instruction structure · Knowledge sources for in-app help · Limiting data scope · Low-code grounding with AI Builder · MCP in Dynamics 365 Finance and Operations · MCP integration patterns · Microsoft 365 agent readiness checklist · NLU, CLU, or generative orchestration · On-behalf-of login for plugins · Operational guardrails for Copilot for Service · Operationalizing custom models · Pilot KPI targets · Power Platform AI feature selection · Power Platform Well-Architected pillars · Prompt action types · Prompt Coach structure · Prompt-driven agent mechanisms · RACI for Microsoft 365 agents · Responsible AI across the lifecycle · Responsible AI tenets · SharePoint and Teams agents · Success criteria categories · Success criteria vs adoption goals · Task agent components · Tool selection goals · Topic types · Voice mode design · When to use Computer Use

Deploy AI-powered business solutions (~44 %)

A/B prompt testing · Access controls for model tuning · Agent identity and authentication · Agent registry and ownership · AI vulnerability categories · ALM artifacts for AI data · ALM for AI in customer engagement apps · ALM for AI in Finance and Supply Chain · ALM gate checks · Audit log content · Audit log retention patterns · Backlog categorization · Best indicator of user success · CAB reviews for AI releases · Connector release flow · Copilot Studio ALM environment strategy · Data residency validation · Drift response in operations · E2E test scenario structure · End-to-end testing across Dynamics 365 apps · Feedback-to-improvement pipeline · Foundry agent promotion gates · Foundry control-plane auditing and tracing · Governance-aligned tuning · Governing external integrations · Guardrails for business-critical ERP processes · Incident response for models · Input and output filtering · Issue mapping and tuning · Layered defense · Lifecycle governance · Model Card · Model drift signals · Model hardening blueprint · Model lifecycle events to audit · Model poisoning safeguards · Model retirement · Monitoring layers · Monitoring operating model · Monitoring tools · On-behalf-of vs service identity · Operational validation · Performance metric dimensions · Performance signal map · Prompt clarity validation · Purview for Microsoft 365 Copilot · Qualitative validation criteria · Red and gold datasets · Residency decision tree · Retrieval access flow · Scaling Copilot-driven testing · Security design checklist · Structured Responsible AI review · Structured test plan · Telemetry-driven diagnosis workflow · Test case blueprint for Copilot · Testing types for AI agents · Training data boundaries · Transcript review framework · Transparency in user experience · Using conversation transcripts · Validating generated test cases · Validation thresholds for custom models · Versioning Foundry agents · Why AI testing differs

Offizielle Lernpfade zur AB-100

Unsere Fragen sind aus diesen 11 Modulen von Microsoft Learn abgeleitet. Die Inhalte selbst findest du kostenlos bei Microsoft:

Häufige Fragen zur AB-100

Welche Voraussetzungen hat die AB-100?

Die Expert-Zertifizierung verlangt neben der bestandenen Prüfung AB-100 mindestens eine Associate-Zertifizierung aus der von Microsoft genannten Liste, etwa MB-280 (Dynamics 365 Customer Experience Analyst) oder PL-200 (Power Platform Functional Consultant). Ohne diese Voraussetzung kannst du die Prüfung ablegen, erhältst den Expert-Titel aber erst mit der Associate-Zertifizierung.

Wie viele Fragen hat die AB-100-Prüfung?

Microsoft-Expert-Prüfungen umfassen typischerweise 40 bis 60 Fragen, oft mit Fallstudien. Unser Test-Examen stellt 40 Fragen aus dem Pool zusammen — überwiegend Szenariofragen mit Anforderung, Randbedingung und Architekturentscheidung. Jeder Durchlauf unterscheidet sich.

Wie viele Punkte braucht man zum Bestehen?

Wie bei allen Microsoft-Zertifizierungen sind 700 von 1000 Punkten zum Bestehen nötig. Unsere Auswertung nutzt dieselbe Skala und zeigt zusätzlich deine Leistung je Skill-Bereich.

Welche Themen werden geprüft?

Drei Bereiche: KI-gestützte Geschäftslösungen planen — Anforderungsanalyse, Grounding-Daten, KI-Strategie, Multi-Agent-Design, Prompt-Bibliotheken, Center of Excellence, ROI, Build-buy-extend, Model Router (25–30 %); KI-gestützte Geschäftslösungen designen — Copilot in Dynamics 365, Agententypen, Foundry Tools, Topics, Well-Architected Framework, Erweiterbarkeit mit MCP und Computer Use, Microsoft-365-Agenten, Power Platform AI Hub (25–30 %); KI-gestützte Geschäftslösungen bereitstellen — Monitoring und Tuning, Testen, ALM, Responsible AI, Sicherheit, Governance, Risikomanagement und Compliance (40–45 %).

Worin unterscheidet sich die AB-100 von der AB-620?

Die AB-620 prüft das Bauen und Integrieren einzelner Agenten in Copilot Studio auf Associate-Niveau. Die AB-100 prüft auf Expert-Niveau Architekturentscheidungen über das gesamte Microsoft-Ökosystem: Welche Plattform, welcher Agententyp, welches Modell, welche Governance und welcher ALM-Prozess passen zu einer Geschäftsanforderung — inklusive Dynamics 365, Microsoft 365 Copilot und Microsoft Foundry.

Auf welchen Lernpfaden basieren die Fragen?

Auf dem offiziellen Lernpfad „Architect AI solutions for business productivity“ (Kurs AB-100T00) mit elf Modulen: Einführung, Anforderungsanalyse, KI-Strategie, Kosten und Nutzen, Agenten-Design, Erweiterbarkeit, Orchestrierung vorgefertigter Agenten, Monitoring und Tuning, Testen, ALM sowie Responsible AI, Sicherheit und Compliance.

Kostet dieses Test-Examen etwas?

Nein. Die Test-Examen sind kostenlos und ohne Anmeldung nutzbar. Ein Konto brauchst du nur für den gespeicherten Prüfungsverlauf, den Lern-Modus mit Fortschritt und die KI-Erklärungen mit deinem eigenen API-Key.