ChatGPT, Claude & Co. für Funkamateure: KI als Lernhilfe und Shack-Assistent

8. März 2026

Hand aufs Herz: Wer von uns hat nicht schon einmal ChatGPT gefragt, wie lang ein Halbwellendipol für 20 Meter sein muss? Oder Claude gebeten, ein Arduino-Sketch für einen CW-Keyer zu schreiben? Künstliche Intelligenz ist längst im Shack angekommen — manchmal offensichtlich, manchmal im Hintergrund. Und das ist gut so, denn richtig eingesetzt macht KI den Amateurfunk nicht weniger spannend, sondern zugänglicher, effizienter und manchmal schlicht komfortabler.

In diesem Artikel schauen wir uns an, wo KI heute im Amateurfunk konkret eingesetzt wird — mit echten Beispielen, echten Tools und einer ehrlichen Einschätzung, wo die Grenzen liegen. Spoiler: KI ersetzt keinen Funkamateur. Aber sie kann ein verdammt guter Assistent sein.

Prüfungsvorbereitung: Dein persönlicher Elmer aus der Cloud

Erinnerst du dich an die Prüfungsvorbereitung? Stundenlang Fragenkataloge wälzen, Formeln auswendig lernen, und wenn du eine Frage nicht verstanden hast, musstest du hoffen, dass jemand im OV-Abend gerade Zeit hatte. Heute kannst du einfach fragen.

Beispiel: Du tippst in ChatGPT: „Erkläre mir den Unterschied zwischen einem Balun und einem UnUn. Ich bereite mich auf die österreichische Amateurfunkprüfung Klasse 1 vor und brauche eine verständliche Erklärung mit Beispielen.“ — und bekommst eine Erklärung, die auf deinem Niveau ansetzt. Zu einfach? Frag nach mehr Tiefe. Zu komplex? Bitte um eine Analogie. Das geht mit Büchern nicht.

Auf ChatGPT gibt es sogar einen speziellen „Radio Mentor“ — ein Custom GPT, das speziell für die Vorbereitung auf US-amerikanische Amateurfunkprüfungen trainiert wurde. Für die österreichische Prüfung bei der Fernmeldebehörde gibt es so etwas (noch) nicht, aber die allgemeinen Modelle sind erstaunlich gut in Elektrotechnik, Wellenausbreitung und Betriebstechnik. KD2WLL hat dokumentiert, dass ChatGPT-4-Modelle sogar lokal auf einem Raspberry Pi 5 laufen können — komplett offline, was gerade für Notfunk-Szenarien interessant ist.

Praxis-Tipp: Gib dem Modell Kontext. „Ich bin Anfänger“ oder „Ich habe bereits die Klasse 4 und möchte auf Klasse 1 upgraden“ liefert bessere Ergebnisse als eine nackte Fachfrage. Und: Überprüfe die Antworten immer anhand des offiziellen Fragenkatalogs der Fernmeldebehörde — KI kann sich irren, gerade bei länderspezifischen Regelungen.

Technische Fragen im Shack: „Hey Claude, wie schließe ich das an?“

Die wohl häufigste Anwendung im Alltag: Du sitzt im Shack, hast ein konkretes Problem, und Google liefert entweder nichts oder ein Forum-Thread von 2009 mit der Antwort „RTFM“. Hier glänzen LLMs.

Beispiel 1 — Kabelprobleme: „Ich möchte mein Icom IC-7300 über ein Digirig Mobile mit WSJT-X verbinden. Welche Kabel brauche ich, und wie konfiguriere ich die Soundkarten-Einstellungen unter Linux?“ — Die Antwort enthält konkrete Kabelbezeichnungen, Audio-Device-Einstellungen und sogar die richtigen CAT-Baudrate-Parameter. Nicht perfekt, aber ein solider Startpunkt, der dir eine Stunde Forensuche erspart.

Beispiel 2 — Antennenberechnung: „Berechne mir die Drahtlänge für eine EFHW-Antenne mit 49:1-Transformer für 40m, 20m und 10m. Berücksichtige einen Verkürzungsfaktor von 0,95.“ — LLMs können das. Die Grundformeln (Wellenlänge = c/f, Halbwellenlänge × Verkürzungsfaktor) beherrschen sie zuverlässig. Bei komplexeren Berechnungen wie Impedanzanpassung oder Strahlungsdiagrammen wird es allerdings wackelig — dafür gibt es spezialisierte Software wie 4NEC2 oder xnec2c.

Beispiel 3 — Netzfragen: Die Nashua Area Radio Society (N1FD) in den USA nutzt ChatGPT ganz pragmatisch: Der Net-Control-Operator lässt sich von der KI Gesprächsfragen für das wöchentliche Repeater-Netz generieren. Klingt banal, aber wer schon mal Net Control gemacht hat, weiß: Nach dem fünften Netz gehen dir die guten Fragen aus.

KI-Rauschunterdrückung: Das Rauschen verstummt

Hier wird es richtig spannend — denn KI-basierte Noise Reduction ist vermutlich der Bereich, in dem künstliche Intelligenz den größten praktischen Unterschied im Amateurfunk macht. Und zwar jetzt, nicht irgendwann.

RM Noise: Wolkenbasierte Wunderwaffe

RM Noise ist ein Cloud-basierter Dienst, der speziell für den Amateurfunk entwickelt wurde. Du leitest das verrauschte Audiosignal deines Transceivers über ein virtuelles Audiokabel an die RM-Noise-Software weiter, die es an einen Server im Internet schickt. Dort wird es von einem neuronalen Netz gereinigt und in Echtzeit zurückgeschickt. Die Einrichtung dauert etwa 10 Minuten.

Das Ergebnis? Funkamateure berichten von einem regelrechten Aha-Erlebnis. Ein Nutzer mit FlexRadio-Setup schrieb, er habe Signale gehört, die auf dem Panorama-Display nicht einmal sichtbar waren — so tief im Rauschen versteckt. Und: Die „Hörmüdigkeit“ nach stundenlangem Zuhören auf verrauschten Bändern verschwand komplett.

Der entscheidende Unterschied zu NVIDIA Broadcast oder anderen generischen NR-Lösungen: RM Noise wurde spezifisch mit Amateurfunk-Signalen trainiert — SSB-Sprache und CW-Morsezeichen, mit den typischen Störgeräuschen, die wir auf Kurzwelle antreffen (QRN, QRM, Netzbrummen, Schaltnetzteil-Störungen). Es kennt unsere Welt.

Einschränkungen: Die Latenz liegt bei 200–300 ms — bei QSOs kaum störend, bei Contest-Betrieb aber spürbar. Und: Schwache Signale am Rauschboden werden manchmal mitgefiltert, was ein grundsätzliches Problem jeder Rauschunterdrückung ist. Außerdem: Deine Audio-Daten gehen über das Internet — wer damit ein Problem hat, greift zur lokalen Alternative.

DeepFilterNet: Die Open-Source-Alternative

Wer seine Audiodaten lieber lokal verarbeitet, findet in DeepFilterNet3 eine hervorragende Open-Source-Alternative. Das Projekt von Hendrik Schröter läuft komplett auf dem eigenen Rechner — keine Cloud, keine Latenz-Probleme, keine Datenschutz-Bedenken.

DeepFilterNet3 erreicht beeindruckende PESQ-Werte von 3,17 (ein standardisiertes Maß für Audioqualität) bei einer Latenz von nur 10–20 ms. Es ist unter einer permissiven Open-Source-Lizenz auf GitHub verfügbar und läuft auf Windows, Linux und macOS. Die Software wurde ursprünglich für Sprachverbesserung in Videokonferenzen entwickelt, funktioniert aber auch im Amateurfunk hervorragend — besonders in Kombination mit SDR-Software.

Auch SDR-Console hat in neueren Versionen eine AI-basierte Rauschunterdrückung (NR5) integriert, die auf RNNoise-Code basiert. Und wer eine NVIDIA-Grafikkarte besitzt, kann NVIDIA Broadcast als virtuelles Mikrofon zwischenschalten — die KI filtert Hintergrundgeräusche in Echtzeit, allerdings nicht spezifisch für Funksignale optimiert.

Vergleich: Welche KI-NR für wen?

Tool	Lokal/Cloud	Latenz	Für Ham optimiert	Kosten	Plattform
RM Noise	Cloud	200–300 ms	Ja (SSB + CW)	Kostenlos (Stand 2026)	Windows
DeepFilterNet3	Lokal	10–20 ms	Nein (Sprache allg.)	Open Source	Win/Linux/Mac
NVIDIA Broadcast	Lokal (GPU)	~20 ms	Nein (allgemein)	Kostenlos	Windows
SDR-Console NR5	Lokal	Minimal	Teilweise	In Software integriert	Windows

KI-gestützte CW-Decodierung: Wenn die Maschine besser hört

Morsezeichen zu decodieren ist eine Kunst — und eine, in der neuronale Netze überraschend gut geworden sind. Klassische CW-Decoder wie Fldigi oder CW Skimmer arbeiten mit festen Schwellenwerten und Timing-Algorithmen. Sie funktionieren gut bei sauberen Signalen, versagen aber bei unregelmäßiger Handtaste, schwankender Geschwindigkeit oder wenn das Signal im Rauschen kämpft.

KI-basierte CW-Decoder gehen einen anderen Weg: Sie lernen, individuelle Gebungsstile zu erkennen. Jeder OP hat seinen eigenen Rhythmus, seine eigenen Macken — manche ziehen die Striche etwas lang, andere machen zwischen Buchstaben zu kurze Pausen. Ein neuronales Netz kann sich darauf einstellen, ähnlich wie ein erfahrener CW-Operator, der den „Fist“ seines Gegenübers kennt.

Beispiel: In einem wissenschaftlichen Paper (Sanchez, 2024) wurde gezeigt, dass Machine-Learning-Algorithmen sowohl bei der Signalklassifikation als auch bei der Rauschunterdrückung im Amateurfunk die Effizienz und Robustheit deutlich steigern können — gerade bei den schwierigen Bedingungen, die wir auf Kurzwelle antreffen.

Für die Praxis heißt das: KI-CW-Decoder werden vor allem dort nützlich, wo klassische Decoder aufgeben — bei schwachen DX-Signalen im Contest-Pile-Up, bei Fading-Bedingungen oder bei Operatoren mit ungewöhnlichem Timing. Noch sind die meisten Projekte experimentell, aber die Richtung ist klar.

Propagation: KI sagt die Ausbreitung vorher

Wann ist 10 Meter offen? Lohnt sich heute Abend ein Gray-Line-Versuch nach Japan? Diese Fragen beantworten wir traditionell mit VOACAP, dem Blick auf den SFI-Index und viel Bauchgefühl. KI kann hier helfen — nicht mit Bauchgefühl, sondern mit Mustererkennung in riesigen Datenmengen.

NASA DAGGER: Das spannendste Projekt in diesem Bereich kommt von der NASA. DAGGER (Deep Learning Geomagnetic Perturbation) ist ein KI-Modell, das geomagnetische Störungen weltweit 30 Minuten vor ihrem Auftreten vorhersagen kann. Für uns Funkamateure ist das Gold wert: Geomagnetische Störungen beeinflussen die Ionosphäre und damit unsere Kurzwellenausbreitung direkt. Wenn DAGGER vor einem geomagnetischen Sturm warnt, weißt du, dass die hohen Bänder gleich zumachen werden — oder dass sich ein auroral enhancement auf VHF ankündigt.

Das Beste: DAGGER ist Open Source und auf GitHub verfügbar. Die Software wurde von Vishal Upendran und einem Team von NASA-Forschern entwickelt und in der Fachzeitschrift Space Weather veröffentlicht. Theoretisch könnte jeder Funkamateur mit Python-Kenntnissen das Modell lokal laufen lassen und in seine Propagationsüberwachung integrieren.

Beispiel aus dem Alltag: Stell dir vor, du planst einen SOTA-Ausflug am Wochenende und möchtest wissen, ob die Propagation auf 20m mitspielen wird. Statt nur den SFI und K-Index zu checken, könntest du eine KI fragen: „Basierend auf den aktuellen Sonnenwind-Daten und dem geomagnetischen Zustand — wie wahrscheinlich ist eine gute 20m-Öffnung nach Nordamerika am Samstagnachmittag um 14 UTC?“ — Noch sind wir nicht ganz so weit, aber die Bausteine dafür existieren bereits.

Antennenoptimierung: Wenn KI deine Yagi trimmt

Antennendesign ist Physik, Mathematik und oft genug: Trial and Error. Besonders bei Mehrband-Antennen oder Yagis mit vielen Elementen explodiert der Parameterraum — jeder Millimeter Elementlänge, jeder Zentimeter Elementabstand beeinflusst Gewinn, Impedanz und Bandbreite. Hier kann KI echte Vorteile bieten.

xnec2c-optimize: Eric Wheeler (KJ7LNW) hat ein Open-Source-Framework entwickelt, das den beliebten Antennensimulator xnec2c mit einem Simplex-Optimierer kombiniert. Die Software variiert automatisch Antennengeometrien und sucht nach der Konfiguration mit maximalem Gewinn bei minimalem SWR. In Tests konnte der Gewinn einer Yagi-Antenne von 10,2 dBi (Einzeldurchlauf) auf 11,3 dBi nach fünf Optimierungsläufen gesteigert werden — inklusive deutlich verbessertem SWR.

Das Projekt „antenna-optimizer“ von Ralf Schlatterbeck geht noch einen Schritt weiter und verwendet genetische Algorithmen zur Antennenoptimierung — ein Ansatz, der von der biologischen Evolution inspiriert ist. Die Software „züchtet“ quasi die beste Antenne aus einer Population von Entwürfen.

Kann ChatGPT Antennen berechnen? Ja und nein. Einfache Berechnungen (Dipollänge, Wellenlänge, SWR aus Vorwärts- und Rücklaufleistung) funktionieren zuverlässig. Bei komplexen Dingen wie Impedanzanpassungsnetzwerken, Gamma-Match-Dimensionierung oder der Berechnung von Strahlungsdiagrammen sollte man den Ergebnissen aber nicht blind vertrauen. Der richtige Ansatz: KI für die erste Orientierung und schnelle Überschlagsrechnungen nutzen, die exakte Simulation dann mit spezialisierten NEC-Tools durchführen.

TALOS: Eine KI geht auf Sendung — aus Österreich!

Und dann gibt es da noch die wohl faszinierendste Anwendung: Eine KI, die selbst QSOs führt. Gerald Artner (OE1GAQ) vom Radio-Amateur-Klub der TU Wien hat mit TALOS eine KI entwickelt, die in SSB auf Kurzwelle funkt — unter dem Rufzeichen OE1XTU.

Beim EUDX Contest 2025 hat TALOS unter Aufsicht von Gerald auf 20 Meter gearbeitet. Die KI empfängt das Audiosignal, wandelt es per Spracherkennung in Text um, generiert eine passende Antwort und gibt sie als synthetische Sprache über den Transceiver aus. Gerald steuerte dabei manuell die Frequenz, Modulation und Sendeleistung — die Software hatte nur Zugriff auf die PTT-Funktion des Icom-Transceivers per CAT-Kommando.

Das Ergebnis: Etwa 59+ QSOs, bei denen die Sprache gut verständlich war und die KI sinnvolle Antworten gab. Zwölf vollständige QSOs auf 20m wurden unter Aufsicht abgewickelt. Gerald betont dabei ehrlich: Manuelle Eingriffe sind noch oft nötig, und es gibt noch viel zu entwickeln.

Was das Projekt so besonders macht: Es kommt aus Österreich. OE1GAQ experimentiert darüber hinaus mit Blockchain-basierten QSL-Bestätigungen (NFT-QSLs) — ein weiteres Beispiel dafür, wie Innovation und Amateurfunk zusammenpassen. Der Artikel über TALOS wurde in der ÖVSV-Zeitschrift QSP veröffentlicht.

Code schreiben: KI als Programmier-Assistent

Für viele Funkamateure ist das der pragmatischste Einsatz von KI: Code generieren lassen. Ob Arduino-Sketch, Python-Script oder Bash-Befehl — LLMs sind erstaunlich gut darin, funktionierenden Code für Amateurfunk-Projekte zu schreiben.

Beispiel 1 — ESP32-APRS-Tracker: „Schreibe mir einen ESP32-Sketch, der GPS-Koordinaten über einen SA818-Modultransceiver als APRS-Pakete auf 144.800 MHz sendet. Verwende die TinyGPS++-Bibliothek und AX.25-Protokoll.“ — Claude oder ChatGPT liefern funktionierenden Code, der oft nur minimale Anpassungen braucht.

Beispiel 2 — Log-Analyse: „Ich habe ein ADIF-Logfile mit 500 QSOs. Schreibe mir ein Python-Script, das analysiert: Auf welchem Band hatte ich die meisten DX-Kontakte? Zu welcher Uhrzeit bin ich am aktivsten? Welche DXCC-Entities fehlen mir noch für das DXCC-Diplom?“ — Die KI generiert ein Script, das dein Logfile parst und die Statistiken ausgibt.

Beispiel 3 — Codeplug-Hilfe: „Ich habe ein AnyTone AT-D878UVII Plus und möchte alle österreichischen DMR-Repeater mit den TalkGroups 232, 2320-2329 und 91 programmieren. Erkläre mir Schritt für Schritt, wie ich die CPS-Software konfiguriere.“ — Statt ein 40-seitiges PDF-Handbuch zu wälzen, bekommst du eine auf dein Gerät zugeschnittene Anleitung.

Wichtig: Generierter Code sollte immer getestet und verstanden werden, bevor er auf Sendung geht. Gerade bei Projekten, die mit HF-Ausgang arbeiten, kann fehlerhafter Code im schlimmsten Fall gegen Vorschriften verstoßen oder Hardware beschädigen.

QSL-Karten und Grafiken: KI als Designer

Eine Anwendung, die vielleicht überrascht: Immer mehr Funkamateure nutzen DALL-E, Midjourney oder Stable Diffusion, um einzigartige QSL-Karten zu gestalten. Statt ein Stockfoto zu verwenden oder selbst Photoshop zu lernen, beschreibst du einfach, was du dir vorstellst.

Beispiel-Prompt: „Eine Aquarell-Illustration des Dobratsch (2166m) in Kärnten mit einer Amateurfunk-Antenne auf dem Gipfel, Sonnenuntergang im Hintergrund, warme Herbstfarben, im Stil einer klassischen Postkarte.“ — Das Ergebnis ist eine einzigartige QSL-Karte, die kein anderer OM hat.

Auch für SOTA- und POTA-Aktivierer interessant: Für jede Aktivierung eine individuelle digitale QSL-Karte generieren lassen, die den jeweiligen Gipfel oder Park zeigt. Das geht in Minuten und kostet nichts (oder wenige Cent pro Bild).

Signalklassifikation: KI identifiziert unbekannte Signale

Wer kennt das nicht: Du scrollst durch das Wasserfall-Display und siehst ein merkwürdiges Signal — aber was ist das? Loran-C? Ein Wettersatellit? Oder doch nur ein Störsignal von deinem Schaltnetzteil?

Artemis (Version 4.0.5) von AresValley ist eine Open-Source-Software mit über 500 erkannten Signaltypen in der Datenbank. Du gibst Frequenz, Bandbreite und Modulationsart ein und bekommst mögliche Treffer angezeigt — inklusive Audiobeispielen und Wasserfall-Referenzbildern. Zusätzlich bietet Artemis Space-Weather-Tracking mit 5-Minuten-Aktualisierung.

Im Forschungsbereich gibt es bereits Deep-Learning-Modelle zur automatischen Modulationserkennung (AMR). Diese Modelle analysieren das Rohsignal und klassifizieren automatisch, ob es sich um AM, FM, SSB, PSK, QAM oder andere Modulationsarten handelt. Für SDR-Anwendungen ist das ein Game-Changer — stell dir vor, dein SDR-Empfänger erkennt automatisch jedes Signal im Band und beschriftet es im Wasserfall-Display.

Off-Grid-KI: LLMs über LoRa und Mesh-Netzwerke

Ein faszinierendes Nischenprojekt: Off-Grid LLM über Funk. Die Idee: Ein kleines Sprachmodell läuft auf einem lokalen Server (z.B. Raspberry Pi 5 mit einem kompakten LLM wie Llama), und Anfragen werden über ein LoRa-Mesh-Netzwerk gesendet. In Katastrophengebieten, wo Internet und Mobilfunk ausgefallen sind, könnten Menschen so über Meshtastic oder MeshCom Fragen an eine KI stellen — etwa zu Erster Hilfe, Notfallprotokollen oder Evakuierungsrouten.

KD2WLL berichtet, dass er RASA (ein Open-Source-Chatbot-Framework) vollständig offline auf einem Raspberry Pi 4 betreibt — inklusive Trainingsmodellen. Die Bandbreite von LoRa ist natürlich extrem begrenzt (ein paar hundert Bytes pro Nachricht), aber für kurze Frage-Antwort-Paare reicht es.

Was KI NICHT kann: Grenzen und Halluzinationen

Jetzt kommt der Teil, der mindestens genauso wichtig ist wie alles zuvor. Denn KI macht Fehler — und zwar andere Fehler als Menschen. Und die sind gefährlicher, weil sie so überzeugend klingen.

Typische Fehler von LLMs im Amateurfunk:

Länderspezifische Regelungen: Fragst du ChatGPT nach den erlaubten Frequenzen für die österreichische Klasse 4, bekommst du manchmal US-amerikanische Bandpläne serviert. Die KI unterscheidet nicht immer zuverlässig zwischen FCC Part 97, CEPT-Empfehlungen und der österreichischen AFV (Amateurfunkverordnung).
Erfundene Produkte: „Das Icom IC-7600X mit eingebauter KI-Rauschunterdrückung…“ — gibt es nicht. LLMs erfinden manchmal Modellnummern, Softwarenamen oder Features, die plausibel klingen, aber nicht existieren. Das nennt man Halluzination.
Veraltete Informationen: Repeater-Frequenzen, Talkgroup-Zuordnungen und Software-Versionen ändern sich ständig. Ein LLM mit Wissenstand 2024 kennt vielleicht nicht den neuesten Repeater in deiner Gegend.
Komplexe Berechnungen: Frag eine KI nach dem Strahlungswiderstand einer verkürzten Vertikalantenne über einem nicht-idealen Erdnetz — und die Antwort wird wahrscheinlich falsch sein. LLMs sind keine Physiksimulationen.
Schaltungsdesign: KI kann einfache Schaltungen erklären, aber einen funktionierenden PA-Entwurf für 144 MHz solltest du nicht von ChatGPT erwarten. Das Risiko: Eine Schaltung, die „plausibel aussieht“, aber bei der HF-Leistung versagt oder schlimmstenfalls Oberwellen auf Frequenzen erzeugt, die du nicht abstrahlen darfst.

Die goldene Regel: Nutze KI als Ausgangspunkt, nicht als Endpunkt. Jede Antwort verdient eine zweite Prüfung — sei es durch den ÖVSV-Bandplan, die Herstellerdokumentation oder das gute alte Multimeter.

Datenschutz und DSGVO: Was geht über die Leitung?

Ein Thema, das gerade in Österreich und der EU relevant ist: Wenn du ein LLM über die Cloud nutzt (ChatGPT, Claude, Gemini), werden deine Eingaben an Server übermittelt — in der Regel in den USA. Was bedeutet das für Funkamateure?

Rufzeichen sind per se keine sensiblen Daten — sie sind öffentlich (QRZ.com, Rufzeichenliste der Fernmeldebehörde). Dennoch: Wenn du ein Logfile mit Rufzeichen, Zeiten und Standorten an ein LLM schickst, übergibst du potenziell personenbezogene Daten an einen US-Dienst.
RM Noise sendet Audiosignale deines Transceivers an einen Cloud-Server. Theoretisch könnte man darin Gespräche mithören — auch wenn der Anbieter das nicht tut, sollte man sich des Prinzips bewusst sein.
Lokale Alternativen wie DeepFilterNet, lokal laufende LLMs (Ollama, llama.cpp) oder RASA auf dem Raspberry Pi umgehen dieses Problem komplett.

Pragmatisch betrachtet: Für die meisten Anwendungen (Fachfragen stellen, Code generieren, Prüfungsvorbereitung) ist das Datenschutzrisiko minimal. Bei sensiblen Daten wie vollständigen Logfiles mit Standortinformationen oder bei der Cloud-basierten Audioverarbeitung lohnt sich ein bewusster Umgang.

Die Community-Debatte: Fluch oder Segen?

Die Meinungen in der Amateurfunk-Community sind — wie könnte es anders sein — geteilt. Auf der einen Seite stehen die Pragmatiker: „Ob ich die Antennenlänge mit dem Taschenrechner oder mit ChatGPT berechne, ist doch egal — Hauptsache, das Ergebnis stimmt.“

Auf der anderen Seite die Traditionalisten, die argumentieren: „Wenn eine KI meine QSOs führt, mein Log analysiert und meine Antenne designed — wo bleibt dann der Amateurfunk? Das Hobby lebt doch gerade davon, dass WIR es tun.“

Die Wahrheit liegt, wie so oft, irgendwo dazwischen. Niemand regt sich darüber auf, dass wir seit 40 Jahren Antennensimulatoren verwenden, statt alles mit Papier und Bleistift zu berechnen. Niemand findet es problematisch, dass WSJT-X die FT8-Decodierung automatisch macht. KI ist der nächste Schritt in einer langen Reihe von Werkzeugen, die uns bei dem unterstützen, was wir lieben — funken.

Die entscheidende Grenze: KI als Werkzeug nutzen, nicht als Ersatz. Wenn du die Prüfung mit KI-Hilfe lernst, aber am Ende selbst die Antworten weißt — fair. Wenn eine KI dein CW-Signal aus dem Rauschen fischt, das du sonst nicht gehört hättest — großartig. Wenn aber eine KI deine QSOs komplett automatisch führt, ohne dass du eingreifst… dann stellt sich die Frage, ob das noch Amateurfunk ist.

Praktischer Einstieg: So nutzt du KI im Shack

Du willst loslegen? Hier die niedrigschwelligsten Einstiege:

Technische Fragen stellen: Öffne ChatGPT, Claude oder Gemini und formuliere deine Frage so konkret wie möglich. Gib Kontext (dein Gerät, dein Betriebssystem, dein Erfahrungslevel). Kostenlos, sofort nutzbar.
KI-Rauschunterdrückung testen: Installiere DeepFilterNet3 von GitHub auf deinem Rechner und leite das Audio deines Transceivers darüber. Erste Ergebnisse in 30 Minuten.
Code generieren lassen: Beschreibe dein nächstes ESP32- oder Arduino-Projekt in natürlicher Sprache und lass dir einen Startcode schreiben. Dann anpassen, testen, verstehen.
QSL-Karten designen: Nutze DALL-E (in ChatGPT Plus) oder den kostenlosen Bing Image Creator, um eine einzigartige QSL-Karte für deine nächste SOTA-Aktivierung zu erstellen.
Log-Analyse: Exportiere dein Log als ADIF und bitte ein LLM, ein Analyse-Script zu schreiben. Welches Band bringt dir die meisten neuen DXCC-Entities? Zu welcher Tageszeit machst du die meisten QSOs?

Fazit: KI als Elmer 2.0

Künstliche Intelligenz im Amateurfunk ist kein Zukunftsszenario mehr — sie ist Realität. Von der KI-gestützten Rauschunterdrückung, die schwache Signale aus dem Nebel fischt, über den LLM-Assistenten, der dir um Mitternacht eine Antennenfrage beantwortet, bis hin zu TALOS, der aus Wien heraus eigenständig SSB-QSOs führt — die Bandbreite der Anwendungen ist beeindruckend.

Dabei ist KI am besten, wenn sie das tut, was ein guter Elmer immer getan hat: Wissen zugänglich machen, bei schwierigen Problemen helfen und den Einstieg erleichtern. Die Antenne musst du immer noch selbst aufhängen, den CQ-Ruf immer noch selbst machen — aber bei allem drumherum kann dir die KI die Arbeit erleichtern. Und das ist, bei aller berechtigten Skepsis, eine gute Sache.

73 und bleibt experimentierfreudig — das ist schließlich der Kern unseres Hobbys. Ob mit oder ohne KI.

Quellen und weiterführende Links

Transparenzhinweis: Dieser Artikel wurde mit Unterstützung von KI-Werkzeugen (Claude) recherchiert und verfasst. Die Inhalte wurden redaktionell geprüft und mit den angegebenen Quellen abgeglichen. Ironie der Geschichte: Ein Artikel über KI im Amateurfunk, geschrieben mit KI-Unterstützung. Meta, aber ehrlich.