AWS Certified Generative AI Developer - Professional
315 preguntas de práctica
Última revisión: April 2026
Notas personales y enlaces de recursos para tu camino de estudio
Filtrar por Certificación
La certificación AWS Certified Generative AI Developer Professional (AIP-C01) es una credencial de nivel profesional centrada en la construcción, integración y operación de aplicaciones de IA generativa de grado de producción en AWS — principalmente en Amazon Bedrock, con SageMaker, Lambda, OpenSearch y Knowledge Bases como servicios de apoyo. Está dirigida a desarrolladores experimentados e ingenieros de ML que diseñan sistemas de generación aumentada por recuperación (RAG), flujos de trabajo basados en agentes y aplicaciones de modelos fundacionales que utilizan herramientas. Espere preguntas de escenario profundas sobre ingeniería de prompts, embeddings, búsqueda vectorial, guardrails, evaluación, optimización de costos y controles de IA responsable. A diferencia de la AIF-C01 fundamental, la AIP-C01 asume que el candidato escribe código y ha implementado funcionalidades basadas en Bedrock. El examen es de opción múltiple y respuesta múltiple, sin laboratorios prácticos.
Dominio más grande con un 31%. Selección de modelos Bedrock, pipelines de embeddings, almacenes vectoriales (OpenSearch Serverless, Aurora pgvector, Kendra), Knowledge Bases, ajuste fino frente a preentrenamiento continuo, y gobernanza de datos para datos de entrenamiento de LLM.
Construcción de RAG, agentes y aplicaciones que utilizan herramientas. Bedrock Agents, Action Groups, integraciones con Lambda y orquestación de llamadas LLM de múltiples pasos. Obstáculo común: saber cuándo es apropiado un Agente frente a una orquestación personalizada.
Guardrails de Bedrock, mitigaciones de inyección de prompts, redacción de PII, IAM y KMS para acceso a modelos, y patrones de moderación de contenido. Preguntas de alta densidad a pesar del modesto peso del 20%.
Control de costos de inferencia (rendimiento aprovisionado frente a bajo demanda), caché, destilación de modelos, ajuste de latencia y elección de modelos más pequeños cuando sea apropiado. A menudo se pasa por alto: cuándo usar perfiles de inferencia entre regiones.
Marcos de evaluación (evaluación de modelos Bedrock, evaluación humana, LLM como juez), deriva, detección de alucinaciones y depuración de fallos de recuperación de RAG. Dominio más pequeño (11%) pero que penaliza el estudio superficial.
Servicios que encontrarás en el examen y por qué cada uno importa.
Servicio totalmente gestionado que expone modelos fundacionales de Anthropic, Meta, Mistral, AI21, Cohere, Stability AI y Amazon Titan a través de una única API con streaming, batch y rendimiento aprovisionado.
Por qué está en el examen: Bedrock es el sustrato para cada escenario del Dominio 1 (Integración de Modelos Fundacionales) — selección de modelos, parámetros de inferencia, rendimiento aprovisionado vs. bajo demanda y manejo de respuestas en streaming.
RAG gestionado construido sobre documentos de S3 y un almacén vectorial conectable (OpenSearch Serverless, Aurora pgvector, Pinecone, MongoDB Atlas, Redis Enterprise) con soporte para fragmentación, embeddings y citas.
Por qué está en el examen: El Dominio 2 (Implementación e Integración) evalúa cuándo fundamentar un modelo en datos privados mediante RAG en lugar de ajuste fino, incluyendo la estrategia de fragmentación, la elección del almacén vectorial y la propagación de citas.
Capa de políticas que filtra contenido dañino, bloquea temas denegados, redacta PII, aplica verificaciones de fundamentación contextual y muestra filtros de palabras/temas en la entrada y salida.
Por qué está en el examen: El Dominio 3 (Seguridad, Protección y Gobernanza de la IA) es en gran medida un cuestionario de Guardrails — incluye fortalezas de filtro de contenido, configuración de temas denegados, fundamentación contextual y patrones de anonimización de PII.
Capa de orquestación que permite a un modelo fundacional llamar a APIs, consultar bases de conocimiento y encadenar acciones multipaso mediante el uso de herramientas, con grupos de acciones respaldados por Lambda y esquemas OpenAPI/de funciones.
Por qué está en el examen: Los escenarios del Dominio 2 sobre razonamiento multipaso, agentes que llaman a herramientas y grupos de acciones respaldados por Lambda nombran a Agents como el orquestador nativo de AWS; espere distinciones frente a la inferencia pura o Step Functions.
Ajuste fino y preentrenamiento continuo de modelos fundacionales en conjuntos de datos privados de S3, produciendo modelos personalizados desplegables mediante rendimiento aprovisionado.
Por qué está en el examen: Las preguntas del Dominio 1 evalúan el árbol de decisión de ajuste fino vs. RAG vs. ingeniería de prompts; espere escenarios específicos donde el preentrenamiento continuo o el ajuste fino de instrucciones sea la respuesta correcta.
Evaluación de modelos gestionada, automática y con intervención humana — métricas integradas (precisión, robustez, toxicidad) más rúbricas personalizadas puntuadas por LLM-as-judge o trabajadores humanos.
Por qué está en el examen: El Dominio 5 (Pruebas, Validación y Resolución de Problemas) evalúa cómo cuantificar las regresiones de calidad entre modelos o variantes de prompts — Bedrock Evaluations es el mecanismo nombrado.
Catálogo de modelos fundacionales y específicos de tareas preentrenados con despliegue en un clic a endpoints de SageMaker, notebooks de aprendizaje por transferencia y un marketplace de modelos propietarios.
Por qué está en el examen: El Dominio 2 distingue "alojar en un endpoint de SageMaker" (JumpStart) de "llamar a la API de Bedrock" — las preguntas evalúan las compensaciones de latencia, costo y personalización entre ambos.
Asistente de IA generativa empaquetado — Q Developer para flujos de trabajo de codificación en IDE/Consola, Q Business para RAG empresarial sobre fuentes de datos conectadas y Q en QuickSight para preguntas y respuestas de BI.
Por qué está en el examen: El Dominio 2 evalúa cuándo consumir Q (empaquetado) frente a construir sobre Bedrock (a medida); Q Business aparece específicamente en preguntas de escenarios de RAG empresarial.
OpenSearch sin servidor con un tipo de colección dedicado para búsqueda vectorial — el backend predeterminado de Amazon Bedrock Knowledge Base y el almacén vectorial nativo de AWS más evaluado.
Por qué está en el examen: Los escenarios RAG del Dominio 1 asumen OpenSearch Serverless como el almacén vectorial predeterminado — espere preguntas sobre el dimensionamiento de OCU, la relación capacidad-costo y las elecciones de índices de vecinos más cercanos aproximados.
Aurora PostgreSQL con la extensión pgvector, compatible con Bedrock Knowledge Bases como un almacén vectorial alternativo con semántica transaccional y acceso SQL.
Por qué está en el examen: Las preguntas de selección de almacén vectorial del Dominio 2 contrastan Aurora pgvector (stack SQL existente, transaccional) con OpenSearch Serverless (vector puro, OCU sin servidor).
Almacenamiento de objetos que contiene documentos fuente de Knowledge Base, corpus de entrenamiento para ajuste fino, conjuntos de datos de evaluación y logs de invocación de modelos.
Por qué está en el examen: Cada escenario de gestión de datos del Dominio 1 pasa por S3 — el diseño de la fuente para fragmentación, el ciclo de vida de los documentos crudos y el acceso IAM a los buckets de KB son temas recurrentes del examen.
Cómputo sin servidor para grupos de acciones de Bedrock Agent, preprocesamiento RAG, modelado de respuestas post-inferencia e ingesta impulsada por eventos de S3 en Knowledge Bases.
Por qué está en el examen: Las preguntas de grupos de acciones del Dominio 2 evalúan el contrato de Lambda (esquema de solicitud/respuesta) que invocan los Bedrock Agents; el Dominio 4 también evalúa Lambda como el "pegamento" de inferencia rentable.
Orquestador de flujos de trabajo sin servidor con integración nativa de Bedrock InvokeModel, ideal para cadenas de prompts multicall, evaluaciones paralelas y bucles de aprobación humana.
Por qué está en el examen: El Dominio 2 distingue Step Functions (orquestación multipaso determinista) de Bedrock Agents (llamadas a herramientas impulsadas por modelos); saber cuándo cada uno es correcto es un distractor recurrente.
Puerta frontal HTTP/REST/WebSocket gestionada para endpoints de inferencia respaldados por Bedrock, con throttling, claves de API, autorización JWT y niveles de planes de uso.
Por qué está en el examen: Los escenarios de producción del Dominio 2 evalúan la exposición externa de endpoints RAG y de agente — API Gateway es el punto de entrada nombrado, emparejado con Lambda o integración directa con Bedrock.
Plataforma de ML utilizada en AIP-C01 principalmente para alojar modelos fundacionales de JumpStart en endpoints en tiempo real/sin servidor/asíncronos cuando la API gestionada de Bedrock no es la opción adecuada.
Por qué está en el examen: Las preguntas de despliegue de endpoints del Dominio 2 evalúan las opciones de inferencia en tiempo real vs. sin servidor vs. asíncrona en SageMaker; las compensaciones de costo y cold-start frente a Bedrock son el pivote típico.
NLP gestionado con una API de detección de PII que devuelve spans y tipos de entidades, además de una redacción de PII dirigida — utilizable como filtro previo a Guardrails o depurador post-inferencia.
Por qué está en el examen: Las preguntas de manejo de PII del Dominio 3 evalúan defensas por capas: Comprehend para detección, Guardrails para bloqueo — saber dónde encaja cada uno en el pipeline es material de examen.
Control de acceso a nivel de cuenta con roles de servicio, políticas basadas en identidad y en recursos, y claves de condición que rigen el acceso a modelos de Bedrock, la ejecución de Agents y la ingesta en KB.
Por qué está en el examen: El Dominio 3 (Seguridad, Protección y Gobernanza de la IA) evalúa roles de mínimo privilegio para la invocación de Bedrock, grupos de acciones de Agent e ingesta de Knowledge Base — IAM es el mecanismo nombrado en todo momento.
Claves de cifrado gestionadas por el cliente para datos de personalización de modelos de Bedrock, índices vectoriales de Knowledge Base, documentos fuente de S3 y logs de invocación de CloudWatch.
Por qué está en el examen: Los escenarios de cumplimiento del Dominio 3 evalúan el control de claves gestionadas por el cliente sobre corpus de ajuste fino y logs de prompts/respuestas; las concesiones de KMS y las políticas de claves son la respuesta nombrada.
Registro de auditoría a nivel de cuenta de cada llamada a la API — quién invocó qué modelo de Bedrock, quién actualizó Guardrails, quién ingirió datos en una Knowledge Base, con captura opcional de eventos de datos para inferencia.
Por qué está en el examen: Los escenarios de pista de auditoría del Dominio 3 citan a CloudTrail como el registro inmutable necesario para revisiones de cumplimiento y respuesta a incidentes en la actividad de Bedrock y Agent.
Métricas, logs y alarmas — logs de invocación de modelos de Bedrock (prompts y completions), trazas de Agents, progreso de ingesta de Knowledge Base y métricas de ejecución de grupos de acciones de Lambda.
Por qué está en el examen: El Dominio 4 (Eficiencia Operacional) y el Dominio 5 (Resolución de Problemas) evalúan CloudWatch para la observabilidad del costo por token, alarmas de latencia y el rastreo de invocaciones fallidas de grupos de acciones de Agent.
$140k–$195k–$280k USD anual
La AIP-C01 es una credencial más reciente y carece de encuestas salariales específicas. El rango se deriva de la compensación de ingeniería de GenAI / ML adyacente en el mercado estadounidense y debe considerarse aproximado. Los ingenieros senior de GenAI en laboratorios de IA de primer nivel y FAANG a menudo superan los $400k de compensación total. Los roles de "GenAI" de nivel de entrada pueden caer por debajo del extremo inferior. Su experiencia variará sustancialmente según la categoría de la empresa, la ubicación y el trabajo demostrado entregado.
Fuente: roles de ingeniero de GenAI / ML (adyacentes) de levels.fyi 2025–2026, U.S. BLS OEWS mayo de 2024 (15-1252 desarrolladores de software, 15-2051 científicos de datos). Las cifras son aproximadas; la compensación real depende del rol, la región y la experiencia.
Los roles de ingeniería de GenAI se convirtieron en una de las familias de puestos de trabajo de más rápido crecimiento entre 2024 y 2026 a medida que la adopción empresarial de Bedrock y LLM pasó de prototipos a sistemas de producción. La AIP-C01 se posiciona como una señal creíble de nivel profesional de que un candidato puede entregar aplicaciones basadas en Bedrock, incluyendo RAG, agentes y puntos finales de producción protegidos. Los reclutadores en empresas centradas en AWS la utilizan junto con proyectos de Bedrock demostrados en GitHub o trabajo de producción. Combina fuertemente con la AIF-C01 (fundamentos), la MLA-C01 (amplitud de ingeniería) y la Solutions Architect Professional (SAP-C02) para una credibilidad multidominio. La certificación NO califica por sí misma a los candidatos para investigación de ML, roles de entrenamiento de modelos fundacionales o puestos de ciencia aplicada — esos esperan fundamentos profundos de ML y a menudo un título de posgrado.
No hay requisitos previos formales. AWS recomienda al menos un año de experiencia en la construcción de aplicaciones con modelos fundacionales en AWS, además de un año de experiencia más amplia en ingeniería de software. Las expectativas prácticas incluyen comodidad con Python, integración REST/SDK, bases de datos vectoriales y al menos una implementación de Bedrock o SageMaker JumpStart en producción.
La ruta recomendada es la AIF-C01 primero para absorber el vocabulario de GenAI, luego la MLA-C01 (profundidad de ingeniería) o la DVA-C02 (fluidez de desarrollador) antes de abordar la AIP-C01. Los candidatos sin exposición previa a AWS deben esperar una curva de aprendizaje pronunciada — muchas preguntas de la AIP-C01 asumen familiaridad básica con IAM, VPC, Lambda y API Gateway. Un proyecto RAG personal en funcionamiento con Bedrock más OpenSearch Serverless o Knowledge Bases es el artefacto de preparación más útil.
La AIP-C01 está clasificada como Profesional y es uno de los exámenes de AWS de nivel asociado o superior más difíciles porque abarca tanto la ingeniería de aplicaciones LLM como la profundidad de la plataforma AWS. Planifique de 100 a 160 horas durante 10 a 14 semanas si ya construye aplicaciones GenAI profesionalmente; más de 200 horas durante más de 16 semanas si proviene de un entorno no relacionado con GenAI. El examen consta de 75 preguntas puntuadas en 180 minutos — de opción múltiple y respuesta múltiple, sin laboratorios.
Los obstáculos comunes incluyen la amplitud de las características de Bedrock (Agents, Action Groups, Guardrails, Knowledge Bases, evaluación de modelos, importación de modelos personalizados, inferencia entre regiones), escenarios matizados de optimización de costos que involucran rendimiento aprovisionado, y preguntas sutiles sobre la calidad de recuperación de RAG frente a las compensaciones del ajuste fino. El examen también recompensa la familiaridad práctica con las mitigaciones de inyección de prompts y fuga de datos.
Disponibilidad general inicial de la credencial de Desarrollador de IA Generativa de nivel profesional. Reemplaza y amplía la AIF-C01 fundamental con contenido profundo de Bedrock y aplicaciones LLM. Versión actual a abril de 2026.
AIP-C01 (AWS Certified Generative AI Developer - Professional) es un examen de nivel Professional un examen desafiante, con muchos escenarios, que requiere una profunda experiencia práctica y la capacidad de tomar decisiones de compensación arquitectónica. La mayoría de los candidatos necesitan entre 150 y 300 horas de estudio distribuidas en 3 a 6 meses para los exámenes de nivel profesional y experto. Estos exámenes suelen esperar una competencia previa a nivel asociado. La mayoría de los candidatos que obtienen consistentemente una puntuación por encima del umbral de aprobación en los exámenes de práctica, aprueban en su primer intento.
La mayoría de los candidatos necesitan entre 150 y 300 horas de estudio distribuidas en 3 a 6 meses para los exámenes de nivel profesional y experto. Estos exámenes suelen esperar una competencia previa a nivel asociado. El tiempo para aprobar varía ampliamente según la experiencia previa. Los ingenieros con experiencia práctica en producción en la tecnología subyacente suelen necesitar menos; los candidatos nuevos en la plataforma deben planificar hacia el extremo superior de ese rango.
AIP-C01 es una credencial reconocida en el ecosistema de AWS y señala conocimientos validados a empleadores, reclutadores y clientes. Si vale la pena el tiempo y la tarifa para ti, depende de tu rol y objetivos — tiende a ser más rentable para ingenieros de la nube, arquitectos y consultores que trabajan con AWS a diario o quieren pasar a roles que lo hagan.
La puntuación de aprobación para AIP-C01 es 750 / 1000. El examen contiene 75 preguntas y dura 3 h.
La tarifa del examen AIP-C01 es de $300 USD. Las tarifas son establecidas por AWS y pueden variar según la región; siempre confirma el precio actual en la página oficial de certificación de AWS antes de reservar.
Las certificaciones de AWS son válidas por 3 años. Recertifícate aprobando la versión actual del mismo examen, o aprobando un examen de nivel superior en la misma ruta antes de la caducidad.
Sí. Puedes realizar el examen en línea (supervisado a través del navegador seguro del proveedor, disponible 24/7 en la mayoría de las regiones) o en un centro de examen presencial de Pearson VUE durante el horario comercial. Ambos formatos utilizan las mismas preguntas, límite de tiempo y puntuación de aprobación.
CertLabPro ofrece 15 modos de estudio en todo el banco de preguntas de práctica para AIP-C01. El modo de simulación de examen reproduce el examen real: 75 preguntas en 3 h, con el mismo umbral de aprobación de 750 / 1000. El modo de navegación te permite leer todas las preguntas y respuestas de forma estática.