AWS Certified AI Business Strategist (AIB-C01)
AIB-C01 考试备考笔记
基于截至 2026 年 10 月 的官方考试指南的考试范围阅读约 30 分钟
把 AIB-C01 的考试范围整理成考前 30 分钟能读完一遍的篇幅。适合在学习课程中学完 4 个领域、并用练习题找出薄弱点之后，作为最后的复习。这是一项比起技术实现更考查战略判断的考试，请先读题干提示与正确方向的表格，以及错误选项的类型。
考试数据与答题思路
- 截至 2026 年 10 月为 Beta 版，共 85 道题，考试时间 170 分钟，标准版 (考试指南中为 130 分钟) 的开始日期尚未公布。
- 认证类别为 Business (与 Foundational 等级别不同)，考试语言为英语和日语。
- 成绩以 100 至 1,000 的换算分表示，合格分为 700 分，采用补偿式评分，各领域没有单独的合格线。
- 题型只有单选题和多选题 2 种，多选题要全部选对才能得分，未作答按错误计，猜答也不扣分。
- 分值比例中 AI 战略和商业价值创造占 28%，为最大，其余 3 个领域各占 24%。
- Beta 版只能参加 1 次 (未通过则需参加标准版重考)。
- Beta 期间不提供官方模拟考试，请用官方练习题集熟悉题型。
- 这是一项比起技术实现更考查战略判断的考试，模型和算法的开发、超参数调优、AWS 服务的配置不在考试范围内。
- 要在业务层面了解 Amazon Bedrock、Amazon SageMaker AI、Amazon Quick，并掌握 AWS CAF、责任共担模型、计费类型与成本工具、AWS Marketplace。
题干提示与正确方向
| 题干提示 | 正确方向 |
|---|
| 最快、运维工作量最少、不需要差异化的业务 | 购买 (现成产品、AWS Marketplace) 和托管服务 |
| 专业能力不足、期限有限、希望转移技能 | 与合作伙伴组合 |
| 核心差异化、独有数据、严格的法规 | 在 Bedrock 或 SageMaker AI 之上自建 |
| 规则明确、需要完整解释、不允许出错 | 基于规则的自动化 (不使用 AI) |
| 想要基于公司内部文档的最新回答和出处 | RAG |
| 想调整语气、格式和专业领域中的行为 | 微调 |
| 回答质量低时的第一步 | 改进提示词 |
| 想证明效果并持续获得预算 | 导入前的基线、业务 KPI、包含运维费用的 ROI |
| 想在早期预判成败 | 先行指标中的使用率 (采用率)、使用频率、满意度、数据准备度 |
| 使用量波动大、零散使用、PoC 阶段 | 按使用量付费的消费型 (Bedrock 按需模式) |
| 稳定的大量使用、用量可以预测 | 实例型或 Provisioned Throughput 与长期承诺 |
| 想按用户人数预估费用 | 席位计费 (Amazon Quick) |
| 想降低不需要即时、可以等待的处理的费用 | Bedrock 的 Flex 或批量推理 (有折扣) |
| 即使贵一些也想优先保证响应速度 | Bedrock 的 Priority |
| 想为 SageMaker AI 的长期使用获得折扣 | Savings Plans |
| 想在导入前估算费用、导入后实现可视化 | AWS Pricing Calculator 与 AWS Cost Explorer |
| 授信、招聘、医疗、法律、安全、无法撤销的操作 | 人工监督、可解释性、审计 |
| 有害输出、禁止话题、个人信息、对提示词的攻击 | Amazon Bedrock Guardrails |
| 想决定治理要严格到什么程度 | 风险分类 (与风险成正比的管控) |
| 由谁对 AI 的判断负责 | 跨部门的治理委员会与明确的问责 |
| 有人在使用未批准的 AI 工具 (影子 AI) | 公开批准、阻止、评估中的分类，提供替代方案并开展培训 |
| AI 管理体系的国际标准与认证 | ISO/IEC 42001 (ISO/IEC 23053 是使用 ML 的 AI 系统的框架) |
| 什么时候考虑负责任 AI | 从规划阶段起贯穿所有阶段 |
| 什么时候确认偏差 | 在生命周期的所有阶段持续监控 |
| 符合本公司当前位置的下一步 | 先用成熟度模型衡量位置再选择 |
| 数据按部门分散 | 消除数据孤岛、业务方的数据所有者、数据目录 |
| 势头无法持续、各部门各自为政 | 经营层的发起人、领导层的步调一致、任命推动者 |
| 现场抵触、害怕失败 | 早期参与、安全的实验场所、透明的沟通、再培训 |
| 想提升全公司的 AI 素养 | 分层培训、负责任 AI 培训、PoC 和黑客松 |
| 试点之后做什么 | 从短期成果出发建立可复用的基础并横向推广 |
| PoC 已经能运行，想迁移到生产环境 | 备齐治理、监控、运维体制、SLA 和成本管理 |
| 如何推进转型 | 反复推进构想、实验、启动、扩展各阶段 |
| 想让用户知道自己在与 AI 对话 | 透明性 (披露是 AI) |
错误选项的类型
- 排除在全公司同时导入的选项。
- 排除在导入后才补充治理的选项。
- 排除不测量就导入，或在导入后才取基线的选项。
- 排除由本公司从零训练基础模型的选项。
- 排除不让经营层参与、只由 IT 部门决定的选项。
- 排除只由技术团队构建后交给现场的选项。
- 排除把 AI 用在不需要 AI 解决的问题上的选项。
- 排除对试点放任不管，或每次都从零重建的选项。
- 完全排除人的选项和由人确认全部案件的选项都要排除。
- 排除用全面禁止来解决影子 AI 的选项。
- 排除一开始就签订大额长期合同的选项。
- 排除先购买 GPU 等设备的选项。
- 排除把模型的准确率直接作为 KPI 的选项。
- 排除不包含运维费用就计算 ROI 的选项。
- 排除认为大量招聘数据科学家就能解决问题的选项。
- 排除隐瞒对员工的影响就发布的选项。
- 以 IAM 策略或加密密钥设置等技术细节为答案的选项不在考试范围内，予以排除。
各领域要点
- AI 中包含 ML 和深度学习，生成式 AI 是生成文本、图像等内容的领域。
- 算法是学习的步骤，模型是训练的成果，推理是使用模型的环节，日常费用产生于推理。
- 结构化数据是表格，非结构化数据是文本或图像；AI 从过去的数据中学习，因此质量决定结果，过去的偏差也会被继承。
- ISO/IEC 22989 规定 AI 的概念与术语，ISO/IEC 23053 是使用 ML 的 AI 系统的框架，ISO/IEC 42001 是可获得认证的 AI 管理体系标准。
- 规则明确且必须可解释、准确时选择基于规则的自动化，例外多且复杂时选择 AI；没有数据的场景和费用超过效果的场景也不适合 AI。
- AI 智能体具备自主性、工具使用、智能体之间的协作和编排，与只回答问题的聊天机器人不同，还会采取行动。
- 生产环境中的 AI 会因数据或前提的变化出现性能下降的模型漂移，因此要持续监控和更新。
- 把 AI 工具分为批准、阻止、评估中并公开，可以降低影子 AI 的风险。
- 提示词要具体写明角色、背景、指令和输出形式，超出令牌上限或上下文窗口，回答质量就会下降。
- 改进回答要按提示词的改进、RAG (补充知识)、微调 (调整行为) 的顺序考虑。
- 用例要按客户服务、销售与营销、研发、软件开发等部门寻找，把 AI 的能力与具体的业务成果联系起来。
- 自建、购买、组合根据预算、期限、内部能力、供应商的方案和法规应对来决定，不形成差异化的领域优先使用托管服务和现成产品。
- 举措按商业价值、可行性、可持续性、与战略的一致性来排序，并判断扩大、暂停或终止。
- 把业务迁移到 AI 或更换 AI 平台时，要确认业务连续性、费用的变化、数据的准备和对性能的影响。
- KPI 包括有形效果 (成本削减、收入增加) 和无形效果 (客户满意度、员工生产力)，准确率等技术指标要转换为业务成果来衡量。
- 基线在导入前测量，ROI 用获得的效果金额减去费用再除以费用，费用中要包括推理、监控、重新训练和治理的运维费用。
- 先行指标是使用率 (采用率)、使用频率、满意度和数据准备度，收入和 ROI 是较晚显现的滞后指标。
- 代表性的计费类型是消费型、实例型和席位计费，先小规模起步，实测之后再转向长期承诺。
- 根据行业的成熟度和竞争对手的动向决定投资水平，通过独有数据和嵌入业务来形成可持续的优势。
- 用 AI 改变商业模式的机会，在于把 AI 嵌入产品、转向服务化提供，以及利用数据提供新服务。
- 成本优化的基本做法是，简单的用途选择质量足以满足用途的小型模型，以减少费用和响应时间。
- AWS 负责任 AI 的 8 个维度是公平性、可解释性、隐私与安全、安全性、可控性、真实性与稳健性、治理、透明性。
- 业务目标与负责任 AI 的原则冲突时，以受影响的人和风险大小为标准决定权衡，并把判断记录下来。
- 负责任 AI 不在导入后补充，而是从规划阶段就融入，在设计阶段让治理发挥作用。
- 人工监督的代表性方式是执行前审批、对自动执行的监视与介入、只针对低风险固定流程的完全自动；代表性的安全机制是幻觉检测、防护机制、升级处理的标准、审计记录和停止手段。
- 治理体制由业务、技术、法务、合规跨部门组建，明确问责的承担者。
- 风险分类根据受影响的人、严重程度、能否撤销、自动化程度、数据的机密性和法规来划分等级，风险越高管控越严。
- 法规与框架的例子有欧盟 AI 法 (禁止、高风险、有限、最低)、NIST AI RMF (GOVERN 治理、MAP 映射、MEASURE 衡量、MANAGE 管理)、ISO/IEC 42001。
- 在责任共担模型中，AWS 保护云基础设施和基础模型的提供环境，用户对数据、提示词、访问权限、防护机制的设置和输出的使用方式负责。
- 偏差会在生命周期的多个阶段混入，因此要持续监控偏差漂移。
- 有害内容用防护机制抑制，知识产权风险通过输出确认和使用方针抑制，幻觉、数据质量下降、模型漂移等可靠性风险通过生产环境的监控和依据的确认来抑制。
- 准备度从领导层的步调一致、数据质量、文化准备、技术基础、治理框架等代表性维度来衡量。
- 用成熟度模型衡量组织处于从实验阶段到全公司规模推广的哪个位置，选择符合当前位置的下一步。
- 差距从人员、流程、技术、治理 4 个领域来梳理，按照战略目标和成熟度决定投资的顺序。
- 数据准备度从质量、访问的便利性、数据孤岛的影响来衡量，数据战略、业务方的数据所有者和共享框架是基础。
- 统一经营层发起人与领导层的步调，任命推动者，保持全公司的势头。
- 透明地传达导入时间、期望成果和角色的变化，对于规避风险、抵触变化、害怕失败等文化障碍，由领导者采取措施。
- 人才培养要结合 PoC、黑客松、培训和负责任 AI 培训，提升全公司的素养。
- 人的角色从手工作业转向对 AI 的监督与协作，把批判性思维、共情和创造力留给人。
- 扩展要反复推进构想、实验、启动、扩展各阶段，从短期成果走向全公司推广，由 CoE 支持跨部门的协作。
- 从实验迁移到生产环境时，要备齐治理与运维的要求、持续的反馈和成功指标，并持续确认业务连续性和性能。
- AWS CAF 是从业务、人员、治理、平台、安全性、运营 6 个视角，为全公司云与 AI 的导入做好准备的框架。
服务名一句话
| 名称 | 一句话 |
|---|
| Amazon Bedrock | 通过 API 使用现成基础模型的生成式 AI 平台 |
| Amazon Bedrock Guardrails | 阻止有害输出、禁止话题和个人信息 |
| Amazon Bedrock Knowledge Bases | 用本公司数据搭建 RAG |
| Amazon SageMaker AI | 构建、训练和运营自有 ML 模型 |
| Amazon Quick | 面向业务用户的 AI 助手与分析 (席位计费) |
| AWS CAF | 规划并扩展全公司 AI 与云导入的框架 |
| 责任共担模型 | AWS 负责云基础设施，用户负责云中的数据和设置 |
| Responsible AI Lens | Well-Architected 中关于负责任 AI 的最佳实践集 |
| AWS Marketplace | 采购第三方产品、模型和智能体，并统一账单 |
| AWS Pricing Calculator | 导入前的费用估算 |
| AWS Cost Explorer | 导入后费用的可视化与分析 |
| Savings Plans | 通过长期承诺为 SageMaker AI 等的费用提供折扣 (截至 2026 年 10 月 Bedrock 不在适用范围内) |
| 消费型计费 | 按使用量付费 (Bedrock 按需模式) |
| 实例型计费 | 按时间为预留的容量付费 (SageMaker AI、Provisioned Throughput) |
| 席位计费 | 按用户人数付费 (Amazon Quick) |
| Bedrock 的价格层级 | 截至 2026 年 10 月有 Standard / Flex / Priority / Reserved 等。Flex 以较低价格处理可以容忍延迟的任务，Priority 优先保证响应速度，Reserved 预留每分钟令牌处理量 |
陷阱前 15 名
- 用 AI 变革商业模式不只是提高现有业务的效率，还包括把 AI 嵌入产品和转向服务化。
- 知识产权风险不只交给法务，还要在业务中通过输出确认和使用方针来抑制，并与阻止有害内容的防护机制分开考虑。
- 迁移 AI 平台不能只比较功能来决定，还要确认对业务连续性、费用、数据和性能的影响。
- 节省下来的时间本身不是效果，只有转用到其他有价值的工作上才算产生效果。
- 截至 2026 年 10 月，Savings Plans 的折扣适用于 SageMaker AI，Bedrock 的费用用批量推理、Flex、Provisioned Throughput 或 Reserved 来降低，Priority 比 Standard 价格更高。Flex 是逐条调用的同步处理中可以容忍延迟的层级，集中提交的异步大量处理应选择批量推理。
- 对规则明确的处理使用 AI 是错误答案，应选择基于规则的自动化。
- 反映新知识用 RAG，微调是调整行为的手段。
- 即使基础模型由 AWS 提供，防护机制的设置和输出的使用方式也不是 AWS 的责任，而是用户的责任。
- 先行指标不是收入的替代，而是在滞后指标显现之前预判成败的指标。
- 偏差的确认不是训练前的 1 次，而要在生命周期的所有阶段持续进行。
- 所有案件都由经营层审批的形式无法推广，要按风险等级由跨部门委员会委派权限。
- 与成熟度不符的做法 (在实验阶段就全公司推广) 是错误答案，要同时推进基础建设和短期成果。
- 数据所有者不是 IT 部门而是业务方，数据孤岛要在导入 AI 之前消除。
- PoC 能运行并不等于进入生产，只有备齐治理、监控、运维体制、SLA 和成本管理才算进入生产。
- CoE 不是包揽一切的部门，而是支持各部门的推进角色 (中心辐射型)。
考前检查
- 能说出题目数量、考试时间、合格分，以及 Beta 版与标准版考试时间的区别。
- 能说出 4 个领域的名称和分值比例。
- 能说出 2 种题型，以及多选题的评分方式。
- 能说出 3 项不在考试范围内的工作。
- 能说出需要在业务层面了解的 3 项 AWS 服务及各自的用途。
- 能说出算法、模型、训练、推理的区别。
- 能说出选择基于规则的自动化的 3 个条件。
- 能说出 AI 智能体的 4 个特点。
- 能说出影子 AI 对策的 3 种分类。
- 能说出 RAG 与微调的区分使用，以及考虑改进的顺序。
- 能说出 ISO/IEC 22989、23053、42001 作用的区别。
- 能说出自建、购买、组合的 4 个判断依据。
- 能说出决定举措扩大、暂停、终止的 4 个维度。
- 能各说出 2 个有形效果和无形效果。
- 能说出 ROI 的计算方法，以及费用中要包括的运维费用。
- 能说出 3 个先行指标。
- 能说出代表性的计费类型，以及各自适合的场景。
- 能说出负责任 AI 的 8 个维度。
- 能说出代表性的人工监督方式，以及各自适合的场景。
- 能说出与人工监督组合使用的 4 种安全机制。
- 能说出风险分类的 4 个维度。
- 能说出欧盟 AI 法的 4 个等级和 NIST AI RMF 的 4 项职能 (GOVERN / MAP / MEASURE / MANAGE)。
- 能说出在责任共担模型中用户承担的 4 项责任。
- 能说出准备度的代表性维度。
- 能说出梳理差距的 4 个领域。
- 能说出 3 种文化障碍以及领导者的应对方法。
- 能按顺序说出转型的 4 个阶段。
- 能用 1 句话说出 CoE 的作用。
- 能说出从 PoC 迁移到生产环境之前要备齐的 4 项内容。