¿Vale la pena la certificación AI-300? Para quién sí y para quién no

Según el perfil oficial, el candidato configura la infraestructura de operaciones de machine learning (MLOps) y de IA generativa (GenAIOps) en Azure, lo que Microsoft llama en conjunto AI operations. Eso incluye entrenar, optimizar, desplegar y mantener modelos tradicionales con Azure Machine Learning, y desplegar, evaluar, monitorizar y optimizar aplicaciones y agentes de IA generativa con Microsoft Foundry.

Es la sucesora natural de DP-100 (Azure Data Scientist Associate), retirada en 2026, pero no es la misma certificación: DP-100 medía sobre todo la ciencia de datos y AI-300 mide la operación. Lo comparamos en AI-300 vs DP-100.

Para ingenieros de machine learning y científicos de datos que ya llevan modelos a producción y quieren acreditar la parte que menos se ve en un portfolio: workspaces seguros, registros, pipelines, despliegue progresivo, deriva de datos y reentrenamiento. También para ingenieros de plataforma o DevOps que han empezado a dar servicio a equipos de IA y necesitan hablar el idioma de MLflow, endpoints y evaluaciones.

Y, cada vez más, para quien opera aplicaciones de IA generativa: casi la mitad del temario (GenAIOps, calidad y observabilidad, optimización de RAG y fine-tuning) trata de Foundry, prompts versionados, evaluaciones automáticas, trazas, coste por token y mejora de RAG. Si tu trabajo es que un copiloto interno funcione bien y no se dispare la factura, AI-300 describe tu día a día.

Si construyes soluciones de IA con servicios gestionados (visión, lenguaje, búsqueda, agentes) sin entrenar modelos propios, la certificación que encaja es AI-103, Azure AI Engineer Associate. Si tu trabajo es analítica y visualización, PL-300. Y si buscas una primera certificación de IA para un perfil no técnico, mira las de fundamentos.

Tampoco compensa hacerla solo por el título si no tienes acceso a una suscripción de Azure donde practicar. Los cinco dominios exigen haber creado un workspace, lanzado trabajos, desplegado endpoints y configurado evaluaciones en Foundry; sin laboratorio, el temario se queda en abstracto.

Cinco dominios: infraestructura MLOps (15–20 %), ciclo de vida y operaciones de modelos (25–30 %), infraestructura GenAIOps (20–25 %), calidad y observabilidad de IA generativa (10–15 %) y optimización de sistemas generativos (10–15 %). Microsoft da por supuesta experiencia con Python, fundamentos de ciencia de datos y un nivel inicial de DevOps: GitHub Actions, línea de comandos, Bicep y Azure CLI.

Datos del examen: 120 minutos, supervisado por Pearson VUE, solo en inglés, 700 puntos sobre 1.000 para aprobar, repesca a las 24 horas del primer intento. El precio depende del país. La certificación caduca al año y se renueva gratis con una evaluación online en Microsoft Learn. Microsoft ofrece un practice assessment gratuito en AI Skills Navigator, con inicio de sesión.

Haz una prueba diagnóstica antes de comprometerte: si en el dominio de ciclo de vida de modelos reconoces para qué sirve cada pieza (MLflow, AutoML, pipelines, endpoints, deriva), el resto es cuestión de práctica en Foundry. Si ese dominio te suena a lista de nombres, primero necesitas laboratorio, no examen. Puedes medirte por dominio en AI-300 gratis y sin registro.

Si decides ir a por ella, el plan de seis semanas y el temario por dominio están pensados para alguien con experiencia; si vienes de cero en Azure ML, plantea el doble.