TikTok e i «25+ modelli AI che ti guardano mentre scorri»: cosa sostiene un ricercatore indipendente, e cosa resta da verificare

Il 3 novembre 2026 Ayo Omolewa, in arte @ayoships su X, pubblica un thread virale: secondo Omolewa, TikTok farebbe girare oltre 25 modelli AI — sul dispositivo e sui propri server — per osservare in tempo reale come l'utente scorre il feed. Il post, rilanciato da un repost (account MotionViz) arrivato a milioni di visualizzazioni, descrive un sistema capace di anticipare se un video verrà saltato, finito o premiato con un like, ancora prima che parta. Nessuno di questi claim è stato verificato da una fonte indipendente, né confermato da TikTok. Proprio per questo vale la pena guardarlo non come una notizia su cosa fa l'app, ma come un caso di studio su cosa succede quando manca la trasparenza che la normativa europea chiede.
Cosa ha detto Omolewa, e chi è
Secondo Omolewa, il sistema descritto nel thread del 3 novembre invierebbe ad ogni richiesta oltre 50 segnali — livello di batteria, luminosità dello schermo, stato silenzioso o suoneria — e userebbe i sensori di movimento per inferire se l'utente è sdraiato, in cammino o in auto. L'app, sempre secondo l'autore, raccoglierebbe anche messaggi scritti e poi non inviati (bozze di commenti o DM), e quando "pensa di perdere" l'utente proverebbe a recuperarne l'attenzione: la fonte, ricostruita da più citazioni convergenti, descrive letteralmente che se l'utente continua a saltare contenuti, l'app pesca un nuovo lotto di video o inserisce una diretta nel feed — una formulazione più sobria di quella ("video di emergenza") circolata nei repost. Omolewa sostiene inoltre che un modello rilevi se l'utente si è addormentato e che il sistema preveda quando l'utente riaprirà l'app. In un secondo post, del 5 novembre, Omolewa aggiunge un claim distinto: TikTok stimerebbe anche età, genere, umore e un punteggio di attrattività del volto.
Chi è la fonte conta quanto il contenuto. Omolewa non è un ricercatore accademico né l'autore di un audit commissionato: è un data scientist, co-fondatore di a0.dev (Y Combinator W25), con una serie pubblica di reverse engineering di app consumer — Candy Crush, Tinder, Subway Surfers, Duolingo, Block Blast. È quindi un profilo con una metodologia riconoscibile e non un account anonimo, ma resta comunque un'affermazione di parte: ogni claim qui riportato va letto come "secondo Omolewa", non come fatto accertato.
Cosa è verificabile e cosa no
Sui claim comportamentali (i 25+ modelli, lo scoring pre-play, i 50+ segnali, i sensori di movimento, le bozze di messaggi, il "recupero attenzione", il rilevamento del sonno, la previsione di riapertura) non risulta alcun paper, repository di codice o audit tecnico indipendente a supporto. Nessuna fonte secondaria consultata va oltre la ripetizione del claim originale. TikTok, dal canto suo, non ha risposto in modo specifico a queste affermazioni — da non confondere con la replica generica data alla Commissione europea nel procedimento DSA di cui parliamo più sotto, che riguarda un fascicolo distinto.
L'unico riscontro tecnico indipendente reperito è un progetto community su GitHub che ha ripreso il lavoro sul riconoscimento facciale: conferma che qualcosa di estraibile dall'app esiste, ma solo per i modelli di età/genere/umore/attrattività del post del 5 novembre — non per i claim comportamentali di scroll-scoring. Un thread critico circolato in parallelo solleva dubbi metodologici, ma anche quello riguarda esclusivamente il punteggio di attrattività: non è una contestazione tecnica dei claim 1-8, che restano semplicemente non verificati, non smentiti.
Se fosse vero anche solo in parte: la cornice normativa già pronta
Il punto interessante per chi fa compliance non è stabilire se Omolewa ha ragione. È che, se anche solo una parte di questi claim fosse confermata, ricadrebbe in un perimetro normativo già scritto.
L'art. 27 del DSA impone a tuttele piattaforme online — non solo alle Very Large Online Platform designate — di spiegare in linguaggio chiaro i parametri principali dei propri sistemi di raccomandazione e le opzioni per modificarli. Un sistema di scoring comportamentale come quello descritto da Omolewa, se esistesse nei termini riportati, sarebbe esattamente il tipo di meccanismo che quell'obbligo di trasparenza vuole rendere visibile.
Gli artt. 34-35 DSA, sugli obblighi di valutazione e mitigazione dei rischi sistemici, sono invece lo stesso terreno su cui la Commissione europea ha già aperto una contestazione preliminare a TikTok — ma per un motivo distinto: l'effetto "rabbit hole" del feed "For You", che abbiamo analizzato in un articolo precedente. I due episodi non sono la stessa vicenda, ma condividono lo stesso tipo di scrutinio: un algoritmo di raccomandazione il cui funzionamento interno resta opaco a utenti, regolatori terzi e auditor indipendenti.
Sul fronte privacy, il GDPR è una cornice di principio da richiamare con cautela. L'art. 5(1)(c) sulla minimizzazione è pertinente: se i segnali descritti da Omolewa fossero raccolti, andrebbero proporzionati allo scopo. L'art. 22 sul divieto di decisioni basate solo su trattamento automatizzato va citato come principio di contesto: applicarlo a un sistema di raccomandazione è discutibile, perché la soglia richiesta — un effetto giuridico o "analogamente significativo" — riguarda casi come scoring creditizio o assunzioni, non la personalizzazione di un feed.
Più specifico è il discorso sull'ePrivacy, art. 5(3), sull'accesso allo stato del dispositivo e ai sensori. Le Linee guida EDPB 2/2023 chiariscono che la norma non si applica se l'elaborazione resta interamente sul dispositivo. Si applica invece quando quei segnali vengono raccolti e trasmessiai server — lo scenario descritto da Omolewa per i 50+ segnali inviati ad ogni richiesta. Se confermato, è questo l'aggancio corretto — non una generica necessità di base giuridica per i sensori.
Infine l'AI Act, rilevante solo per il claim distinto del 5 novembre su umore e attrattività del volto. Il divieto dell'art. 5(1)(f) sul riconoscimento delle emozioni da dati biometrici si applica solo ai contesti di lavoro e istruzione: TikTok non rientra in quel perimetro. L'aggancio corretto è l'art. 50(3) (trasparenza verso le persone esposte), insieme alla classificazione ad alto rischio dell'Annex III. I claim comportamentali 1-8 sullo scroll-scoring non sono riconoscimento delle emozioni e non richiamano questi articoli.
Perché conta anche senza conferma tecnica
Il punto non è se siano davvero 25 i modelli, né se i segnali siano davvero 50+. È che, oggi, nessun utente, regolatore terzo o auditor indipendente può verificarlo dall'esterno — ed è esattamente il tipo di opacità che DSA e AI Act vogliono chiudere con obblighi di trasparenza e di audit. Lo stesso mese in cui la Commissione europea contesta a TikTok il risk assessment del feed "For You", un reverse engineer indipendente descrive — senza alcun obbligo di provarlo né di essere smentito — il funzionamento interno di un diverso sistema algoritmico della stessa piattaforma. Sono due episodi distinti, ma lo stesso tipo di scrutinio che manca dall'interno e arriva dall'esterno, in un caso da Bruxelles, nell'altro da un account X.
Cosa cambia per chi fa governance degli algoritmi
La trasparenza "ex post" — il claim di un singolo reverse engineer, confermato o meno — non sostituisce l'obbligo di audit e risk assessment ex ante. Chi gestisce sistemi di raccomandazione o profilazione non può aspettare che la trasparenza arrivi da un post virale: conviene documentare oggi quali segnali di dispositivo o di comportamento alimentano il proprio sistema, con quale base giuridica, e con quale valutazione del rischio — prima che lo chieda un regolatore, o un reverse engineer con un account X.
Sai quali segnali alimentano il tuo sistema di raccomandazione?
Segnali raccolti, base giuridica, valutazione del rischio: documentarli oggi è ciò che distingue un sistema algoritmico auditabile da uno che si scopre solo quando lo smonta qualcun altro. Possiamo aiutarti a mapparli e a metterli nero su bianco.
Parliamo della tua governance algoritmica →