Figshare

Kurzfazit

Figshare ist eines der drei großen generalistischen Forschungsrepositorien neben Zenodo und Dryad, und das mit dem niedrigsten Einstiegsaufwand. Jeder Upload erhält sofort eine DOI, die Oberfläche kommt ohne Kurationshürden aus, und 20 GB Speicher pro Datei reichen für die meisten Datensätze problemlos. Schwächen: Hosting läuft auf AWS US, eine echte EU-Region fehlt, und eigenständige KI-Funktionen (Auto-Tagging, semantische Suche, Empfehlungen) gibt es bisher nicht. Für KI-/ML-Forschende ist Figshare vor allem als Ablage für Trainingsdaten, Begleitmaterial und reproduzierbare Artefakte relevant, nicht als KI-Werkzeug an sich.

Für wen ist Figshare?

KI-/ML-Forschende und Data Scientists in akademischen Kontexten: Wer ein Paper veröffentlicht und die Trainingsdaten, Eval-Sets oder Modell-Checkpoints öffentlich verfügbar machen muss, bekommt mit Figshare den schnellsten Weg zur zitierbaren DOI. Anders als bei Hugging Face, das auf Modelle und Datasets-as-Code zugeschnitten ist, deckt Figshare alle Begleitartefakte ab, Abbildungen, Notebooks, Excel-Tabellen, Posterversionen.

Wissenschaftliche Autorinnen und Autoren mit Open-Data-Pflicht: Viele Förderer (Horizon Europe, DFG, NIH) verlangen FAIR-konforme Datenarchivierung. Figshare erfüllt die FAIR-Prinzipien und ist von zahlreichen Förderern als gültiges Repositorium akzeptiert.

Universitäten und Forschungseinrichtungen: Mit Institutional Plans können Hochschulen eine eigene Figshare-Instanz mit eigener Domain, eigenem Branding und integrierter Nutzerverwaltung betreiben, eine direkte Alternative zu lokal gehosteten DSpace- oder Invenio-Instanzen.

Verlage und Journals: Springer Nature, Wiley und Taylor & Francis nutzen Figshare-Integrationen, um Supplementary Materials automatisch in DOI-versehene Datensätze zu überführen.

Weniger geeignet für: Wer DSGVO-sensitive Daten (Patientendaten, personenbezogene Forschungsdaten ohne Anonymisierung) speichern muss, Figshare läuft auf AWS US und ist dafür der falsche Ort. Wer KI-Modelle und Datasets versionsverwaltet mit Code austauschen will, ist bei Hugging Face besser aufgehoben. Und wer ein vollständig EU-betriebenes, nicht-kommerzielles Repositorium braucht, sollte stattdessen Zenodo wählen.

Preise im Detail

Plan	Preis	Was du bekommst
Free (figshare.com)	0 USD	20 GB Speicherkontingent, bis zu 20 GB pro Datei, unbegrenzt öffentliche Uploads, DOI-Vergabe, Versionierung, kollaborative Spaces
Figshare Plus	Einmalig, Speicher in 250-GB-Schritten ab 1.225 USD	Größere Datei-Limits (bis 5 TB pro Datei), kuratorische Unterstützung, Embargo-Optionen
Institutional (figshare for Institutions)	Auf Anfrage, ab ca. 7.000–15.000 USD/Jahr	Eigene Subdomain, gebrandete Instanz, SSO, Reporting, AVV/DPA, dedizierter Support
Publisher Integrations	Verlagsseitig abgerechnet	Automatischer Transfer von Supplementary Materials in DOI-versehene Datensätze

Einordnung: Der Free-Plan ist für die allermeisten Forschenden völlig ausreichend, 20 GB Speicherkontingent, 20 GB pro Datei und unbegrenzte öffentliche Uploads sind großzügig. Figshare Plus lohnt sich nur, wenn du einen einzelnen Datensatz mit mehreren Terabyte hochladen musst (klimawissenschaftliche Rohdaten, hochaufgelöste Bilddatensätze), Speicher wird dort in 250-GB-Schritten ab 1.225 USD als Einmalgebühr verkauft. Institutional Plans sind eine ernste Investition, geben aber Universitäten eine Repositorien-Infrastruktur mit eigener Identität, wer das selbst hosten wollte, müsste DSpace, Invenio oder Dataverse betreiben, was personell deutlich teurer ist. Wichtig: Die Preise gelten in USD, und Digital Science verhandelt Institutional-Lizenzen einzeln, Listenpreise existieren nicht öffentlich.

Stärken im Detail

DOI-Vergabe ohne Wartezeit. Bei vielen Repositorien (manche Universitätsrepos, Dryad teilweise) prüft ein Kurator die Einreichung manuell, was Tage bis Wochen dauern kann. Figshare vergibt die DOI sofort beim Upload, das macht das Tool besonders attraktiv, wenn ein Paper kurz vor der Einreichung steht und der Verlag eine DOI für die Supplementary Materials verlangt.

Großzügige Free-Limits. 20 GB pro Datei und unbegrenztes öffentliches Volumen sind im Repositorien-Markt sehr großzügig. Zenodo erlaubt 50 GB pro Datensatz, aber begrenzt im Kleingedruckten den Gesamtumfang. Für KI-/ML-Datensätze in normaler Forschungsgröße (Tabellen, Bilder, Embeddings, kleinere Modelle) reicht der Free-Plan praktisch immer.

Vorschau und Lesbarkeit direkt im Browser. Figshare rendert über 100 Dateiformate inline, von Standardformaten wie PDF, JPEG, CSV bis zu spezialisierten Formaten wie Jupyter Notebooks, GeoTIFF oder STL-3D-Modellen. Wer einen Datensatz teilt, muss nicht erwarten, dass die Empfänger erst Spezial-Software installieren, das senkt die Reibung für Reproduzierbarkeit erheblich.

Versionierung mit stabilen DOIs. Jeder Datensatz bekommt eine Top-Level-DOI plus versionsspezifische DOIs. Wenn du nach der Veröffentlichung einen Fehler findest und Daten korrigierst, bleibt die zitierbare Identität erhalten, Leser werden klar auf die aktuelle Version geführt, ältere Versionen bleiben aber referenzierbar. Das ist FAIR-konformes Verhalten und in der Forschungspraxis ein echter Vorteil gegenüber statischen Uploads.

Verlagsintegration als unsichtbarer Hebel. Wer bei Springer Nature, Wiley oder anderen großen Verlagen ein Paper einreicht und Supplementary Materials hochlädt, landet oft automatisch auf Figshare, ohne eigenen Account, ohne extra Schritt. Das macht das Tool zur De-facto-Infrastruktur eines erheblichen Teils der internationalen Forschungslandschaft.

Klare Eigentümerstruktur und finanzielle Stabilität. Figshare gehört zu Digital Science (Holtzbrinck-Gruppe, Schwesterfirma von Springer Nature). Das ist keine reine Vorteilssituation (siehe Schwächen), bedeutet aber: Anders als bei rein durch Spenden oder Fördergeld finanzierten Repos ist das Geschäftsmodell solide, und die Wahrscheinlichkeit, dass Figshare in fünf Jahren noch existiert, ist hoch.

Schwächen ehrlich betrachtet

Kein EU-Hosting. Figshare läuft auf AWS in US-Regionen. Eine dedizierte EU-Region für die Standardplattform gibt es nicht, auch Institutional-Kunden in Deutschland bekommen typischerweise US-gehostete Instanzen mit Standardvertragsklauseln. Für reine Open-Data-Workflows ist das vertretbar (die Daten sind ja öffentlich), aber für Forschungsdaten mit Personenbezug ist Figshare schlicht der falsche Ort.

Keine eigenen KI-Funktionen. Anders als moderne wissenschaftliche Tools wie Semantic Scholar oder Elicit, die mit LLMs und Embeddings semantische Suche und Empfehlungen liefern, ist Figshare ein klassisches Repositorium mit Schlagwort- und Volltextsuche. Auto-Tagging, semantische Ähnlichkeitssuche oder automatische Metadaten-Anreicherung gibt es bisher nicht, wer das erwartet, wird enttäuscht. Auf der KI-Seite ist Figshare Infrastruktur, kein Werkzeug.

Speicherkontingent im Free-Plan ist gedeckelt. Öffentliche Uploads sind unbegrenzt, das Gesamt-Speicherkontingent liegt im Free-Plan aber bei 20 GB. Wer sehr große Roh-Datensätze (mehrere Terabyte) sammeln, prüfen und dann veröffentlichen will, stößt an Grenzen und wird zu Institutional Plans oder Plus geschoben.

Kein deutschsprachiger Support. Die Oberfläche ist englischsprachig, ebenso Dokumentation und Support. Für deutsche Forschungseinrichtungen ist das selten ein Showstopper, englischsprachige Wissenschaftskommunikation ist Alltag, aber für die Einbindung in deutschsprachige Schulungen und Onboarding-Programme einer Universität ist es ein Reibungspunkt.

Konzern-Abhängigkeit. Digital Science gehört zur Holtzbrinck-Gruppe, die auch Springer Nature besitzt. Das schafft strukturelle Verflechtungen mit der kommerziellen Verlagslandschaft, was im Open-Science-Diskurs immer wieder kritisch gesehen wird. Wer eine bewusst nicht-kommerzielle, von Forschenden für Forschende betriebene Lösung will, geht zu Zenodo (CERN-betrieben, EU-gehostet, gemeinnützig).

Privatsphäre-Kontrollen sind grob. Datensätze sind entweder öffentlich, per Link teilbar oder privat. Detailliertere Zugriffskontrollen (z. B. „nur authentifizierte Forschende mit ORCID dürfen herunterladen”) fehlen, wer feinere Zugangskontrolle braucht, muss zu Institutional-Funktionen oder zu Spezialplattformen wechseln.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Ein EU-gehostetes, nicht-kommerzielles Repositorium willst	Zenodo
Modelle und ML-Datasets versioniert mit Code austauschen willst	Hugging Face
Semantische Literatursuche mit KI willst	Semantic Scholar
Zitations-Kontext mit KI-Analyse brauchst	Scite
Strukturierte Literatur-Synthese mit KI willst	Elicit

Erwähnenswert ohne eigene Tool-Seite: Dryad (US-betriebenes, kuratiertes Repositorium mit Schwerpunkt Lebenswissenschaften, strenger als Figshare, aber langsamer), OSF (Open Science Framework) für projektorientierte Forschungsverwaltung mit eingebauter Repositorien-Funktion, sowie institutionelle Repositorien an Universitäten (DSpace, Invenio), die FAIR-konforme Alternativen ohne kommerziellen Anbieter bieten. Für KI-/ML-Datensätze konkurriert Figshare praktisch nicht mit Hugging Face Datasets, die Tools erfüllen unterschiedliche Zwecke: Hugging Face für aktive ML-Workflows, Figshare für dauerhafte Zitierbarkeit und Begleitmaterial.

So steigst du ein

Schritt 1: Mit echtem Use Case anlegen, nicht zum Testen. Melde dich auf figshare.com an und nutze ORCID für die Identifikation, das vereinfacht spätere Zuordnung zu deiner Publikationsliste erheblich. Anders als bei vielen Tools lohnt sich der erste Upload erst, wenn er einen echten Anlass hat (eingereichtes Paper, Datensatz-Veröffentlichung, Poster), weil DOIs persistent sind und nicht sinnvoll „zum Üben” erzeugt werden sollten.

Schritt 2: Metadaten sorgfältig ausfüllen. Die Qualität der Auffindbarkeit hängt fast vollständig an deinen Metadaten, Titel, Beschreibung, Autoren mit ORCID, Schlagwörter, Lizenz (CC0 oder CC BY für maximale Wiederverwendung empfohlen), Disziplin. Investiere hier zehn Minuten extra. Figshare bietet keine KI-gestützte Metadaten-Anreicherung, was du nicht einträgst, fehlt dauerhaft.

Schritt 3: DOI ins Paper einbauen und versionieren, wenn nötig. Trage die generierte DOI als Datenzitation in Methods/Data Availability ein. Wenn nach Veröffentlichung Korrekturen nötig sind, lade eine neue Version hoch, die Versions-DOI wird automatisch generiert und die Top-Level-DOI bleibt zitierbar. Verlinke beides klar in der Beschreibung.

Ein konkretes Beispiel

Eine Doktorandin am Fraunhofer-Institut in Karlsruhe veröffentlicht ein Paper zu einem neuen Vision-Transformer für die Defekterkennung in der Halbleiterfertigung. Der Trainingsdatensatz (12 GB hochaufgelöste TIFF-Bilder mit Annotationen), die Trainings- und Eval-Skripte als Jupyter Notebook sowie die Confusion-Matrix-Abbildungen in voller Auflösung sollen mitveröffentlicht werden. Sie lädt alles als einen Figshare-Datensatz hoch (passt komfortabel in den Free-Plan), bekommt sofort eine DOI, und kann sie noch am selben Tag im Paper-Manuskript referenzieren. Aufwand: ca. 90 Minuten inkl. sorgfältiger Metadaten. Drei Monate später erkennt sie einen Annotation-Fehler in 0,3 % der Bilder, sie lädt eine korrigierte Version 2 hoch, ältere Zitationen bleiben stabil, neue Leser landen automatisch auf der aktuellen Version. Für die Reviewer-Reproduktion war die direkte Inline-Vorschau der Notebooks entscheidend, niemand musste die Daten lokal entpacken.

DSGVO & Datenschutz

• Datenhosting: Figshare läuft auf AWS, historisch und nach öffentlichen Aussagen primär in US-Regionen. Eine garantierte EU-Region für die Standardplattform existiert nicht.
• Datennutzung: Hochgeladene öffentliche Daten werden über die Figshare-API und Sucharchive zugänglich gemacht. Private Daten verbleiben im Account und werden laut Privacy Policy nicht für andere Zwecke ausgewertet.
• Personenbezogene Daten: Figshare ist explizit nicht für personenbezogene Forschungsdaten ohne Anonymisierung gedacht. Klinische Daten, Befragungsdaten mit Identifikatoren oder Patientendaten gehören nicht hierher.
• AVV/DPA: Für Institutional-Kunden steht ein Data Processing Agreement zur Verfügung, das Standardvertragsklauseln umfasst. Free-Nutzer haben keinen individuellen AVV.
• Lizenz und Rechte: Beim Upload sollte CC0 oder CC BY gewählt werden, um maximale Wiederverwendbarkeit zu sichern. Das ist nicht datenschutzrelevant, aber zur FAIR-Konformität entscheidend.
• Empfehlung für deutsche Forschungseinrichtungen: Für öffentliche Forschungsdaten (anonymisiert, ohne Personenbezug) ist Figshare nutzbar. Für sensible Daten unbedingt Zenodo (EU-gehostet, CERN-Infrastruktur) oder ein lokales institutionelles Repositorium bevorzugen.

Gut kombiniert mit

• Zenodo, viele Forschende nutzen beide parallel: Figshare für schnelle Veröffentlichung mit Verlagsintegration, Zenodo für die EU-konforme Zweitkopie sensiblerer Datensätze. Die DOIs lassen sich gegenseitig referenzieren.
• Hugging Face, für KI-/ML-Datensätze und Modelle ist Hugging Face die aktive Workflow-Plattform, Figshare das Archiv mit der Paper-zitierbaren DOI. Beide Identifikatoren ins Paper einzubauen ist mittlerweile gute Praxis.
• NotebookLM, wer eine größere Sammlung von Datensatzbeschreibungen, Methodenpapern und Annotationsleitfäden hat, kann sie zusammen mit dem Figshare-Datensatz in NotebookLM laden und so eine durchsuchbare Wissensbasis um den Datensatz herum aufbauen.

Unser Testurteil

Figshare verdient 4 von 5 Sternen. Als generalistisches Forschungsrepositorium mit sofortiger DOI-Vergabe, großzügigen Free-Limits und tiefer Verlagsintegration gehört es zur Spitzengruppe, wer schnell und unkompliziert Daten zitierbar machen will, kommt kaum an Figshare vorbei. Den fünften Stern verhindern zwei Dinge: das fehlende EU-Hosting, das das Tool für DSGVO-sensitive Daten ausschließt, und das vollständige Fehlen eigener KI-Funktionen, die in benachbarten wissenschaftlichen Tools mittlerweile Standard sind (semantische Suche, Auto-Tagging, Empfehlungen). Auf einer KI-fokussierten Plattform wie KI-Syndikat ist Figshare daher vor allem Infrastruktur für KI-/ML-Forschende, nicht selbst ein KI-Werkzeug, das sollte man bei der Bewertung mitlesen.

Was wir bemerkt haben

• Juni 2026, Eine native EU-Region für Figshare gibt es weiterhin nicht. Anders als bei AWS-basierten Konkurrenten, die ihre Workloads zunehmend nach Frankfurt verlagern, bleibt Figshare im US-Hosting verankert. Für deutsche Universitäten mit strengen Datenschutzanforderungen ist das ein wiederkehrender Streitpunkt in Beschaffungsgesprächen.
• 2024, Digital Science (Mutterkonzern) hat zunehmend KI-Funktionen in seine anderen Produkte (Dimensions, ReadCube) integriert. Figshare selbst bleibt davon bisher ausgespart, die Roadmap für semantische Suche oder KI-gestützte Metadaten-Anreicherung wurde wiederholt angekündigt, aber nicht ausgeliefert.
• 2023, Verstärkte Integration mit Symplectic Elements (ebenfalls Digital Science) für Universitäten. Damit lassen sich Publikationen, Forschungsdaten und Forschende-Profile in einer Plattform verwalten, das macht Figshare strategisch enger an das Digital-Science-Ökosystem gebunden.
• 2022, Figshare hat sein Geschäftsmodell stärker auf Institutional Plans verlagert. Die kostenlose Plattform figshare.com bleibt, aber neue Funktionen kommen primär in der institutionellen Variante an. Forschende, die nur über figshare.com publizieren, sehen also einen langsamer wachsenden Funktionsumfang als die Institutional-Welt.