TikTok ascolta i feedback solo per poco, un nodo di trasparenza anche per l’UE

Per le imprese italiane che usano TikTok come canale di comunicazione, presidio commerciale o relazione con community e clienti, il nuovo punto critico non è solo la portata organica dei contenuti: è quanto controllo reale abbiano gli utenti sulla For You Page, il feed predefinito della piattaforma. Una ricerca della Northwestern University, raccontata nell’analisi pubblicata da Ars Technica, indica che i segnali negativi dati dagli utenti vengono recepiti, ma non in modo stabile.

Il dato operativo è netto: nei test condotti su 90 account clonati, il pulsante “non mi interessa” ha ridotto i contenuti indesiderati di circa 84%, mentre il semplice salto dei video si è fermato a una riduzione del 48%. Secondo i ricercatori, però, l’effetto tende a essere temporaneo: se il feedback non viene ripetuto con coerenza, l’algoritmo può tornare gradualmente a proporre gli stessi temi. In Europa, dove TikTok rientra negli obblighi del Digital Services Act e in Italia AGCOM è Coordinatore dei servizi digitali, il tema si traduce in una domanda pratica per piattaforme, inserzionisti e aziende: quali controlli sono davvero misurabili quando la raccomandazione è il centro dell’esperienza?

Il feed che decide la visibilità

La For You Page è la schermata iniziale di TikTok e funziona come un flusso personalizzato di video selezionati in modo algoritmico. La caratteristica descritta dai ricercatori è il peso dei segnali impliciti, come il tempo di visione di un video, accanto ai feedback espliciti, come like, follow o indicazioni negative. Ars Technica sottolinea che l’algoritmo riesce spesso a prevedere con efficacia quali contenuti possano interessare un singolo utente, ma proprio questa efficacia rende più delicata la gestione dei segnali contrari.

Il punto di partenza dello studio sono state le segnalazioni aneddotiche di utenti secondo cui l’uso dei comandi per vedere meno contenuti di un certo tipo non rimuoveva stabilmente quei contenuti dal feed. Piotr Sapiezynski, coautore dello studio e ricercatore della Northwestern University, ha spiegato ad Ars che il gruppo lavora su audit algoritmici per capire come funzionano le piattaforme online, quando falliscono e quali effetti possono avere su individui e società.

La ricerca si è concentrata sulla capacità dell’utente di incidere sulla propria esperienza. I ricercatori non hanno studiato timeline reali di utenti umani, ma hanno costruito account controllati su dispositivi emulati, usando l’app mobile effettiva di TikTok. L’obiettivo era osservare come il sistema di raccomandazione reagisse a comportamenti replicabili e confrontabili, invece di limitarsi a ricostruzioni aggregate.

Il pulsante nascosto pesa di più

Il team ha creato account bot, definiti sock puppet accounts, e ha automatizzato l’interazione con l’app. Levi Kaplan, coautore dello studio, ha spiegato ad Ars che i ricercatori hanno intercettato il traffico di rete per ottenere metadati e hanno usato un modello linguistico per decidere come classificare i contenuti, validando le risposte dei modelli con valutazioni umane. La metodologia, quindi, non è stata una simulazione astratta del feed, ma un’interazione controllata con la piattaforma reale.

Gli esperimenti sono stati ripetuti più volte sui 90 account clonati, con confronti fianco a fianco tra account esposti a segnali differenti. I ricercatori hanno misurato sia i segnali impliciti, come saltare un video, sia quelli espliciti, come premere il comando “non mi interessa”. I contenuti osservati rientravano in tre temi popolari: cucina, fitness e scommesse sportive.

Il risultato principale riguarda la differenza tra azione passiva e azione esplicita. Kaplan ha spiegato che, se un utente non vuole vedere un certo contenuto, dovrebbe premere il pulsante not interested, perché nei test è stato molto più efficace del semplice salto del video. Gli autori notano però che l’opzione appare poco visibile nell’interfaccia, un aspetto che sposta il tema dalla sola performance dell’algoritmo al design dei controlli dati agli utenti.

La dinamica osservata non si esaurisce nella prima reazione. Sapiezynski ha descritto un andamento in due tempi: all’inizio la piattaforma mostra meno contenuti del tema rifiutato, poi comincia lentamente a reintrodurli. Se l’utente non continua a inviare lo stesso segnale negativo, la presenza di quei contenuti può tornare vicino al livello iniziale. Anche una breve nuova interazione con il contenuto, secondo quanto riportato dallo studio, può essere sufficiente a riattivare la spinta del sistema verso quel tema.

La trasparenza resta fuori dalla timeline

Il passaggio metodologico più delicato riguarda l’accesso ai dati. Sapiezynski ha spiegato che il gruppo è partito dall’assunzione di dover raccogliere direttamente le informazioni necessarie. Il motivo, stando al racconto fatto ad Ars, è che l’API ufficiale per ricercatori non copre la user agency: consente di osservare contenuti disponibili, ma non le timeline individuali utili a capire come l’algoritmo reagisca quando un utente guarda, salta o rifiuta un video.

La pagina di TikTok dedicata ai ricercatori descrive gli strumenti ufficiali per ricercatori come accesso a dati pubblici su contenuti e account per soggetti qualificati in Stati Uniti, Europa e Brasile. Il problema evidenziato dagli autori dello studio è più specifico: per misurare la personalizzazione e la reazione ai feedback serve il punto di vista della singola timeline, non solo la disponibilità pubblica dei contenuti.

Lo stesso limite viene accostato dai ricercatori all’accesso europeo ai dati per la ricerca. Secondo Sapiezynski, i dati accessibili in quel contesto sono aggregati e non restituiscono la prospettiva del singolo utente. Nel testo ufficiale del Digital Services Act, l’articolo 40 disciplina l’accesso ai dati per i ricercatori qualificati; lo studio segnala però che la personalizzazione richiede una granularità diversa da quella sufficiente a molte analisi aggregate.

L’uso di LLM nel processo non va letto come sostituzione completa del giudizio umano. Kaplan ha specificato che i modelli linguistici sono stati validati con risposte umane. Nel contesto di un audit algoritmico, questo dettaglio pesa perché la classificazione dei video determina quali contenuti vengano trattati come pertinenti o indesiderati e quindi condiziona la misura dell’effetto prodotto dai feedback.

Il DSA porta il nodo in Europa

Per il mercato europeo, il nodo della raccomandazione personalizzata si inserisce in un quadro regolatorio già definito. Il Digital Services Act prevede obblighi specifici per le piattaforme online molto grandi e per i motori di ricerca online molto grandi. L’articolo 38, nello stesso regolamento, richiede che tali operatori forniscano almeno una opzione non basata su profiling per ciascun sistema di raccomandazione che usano.

TikTok è presente nell’elenco europeo delle piattaforme designate come piattaforma online molto grande. La Commissione europea aveva indicato la designazione il 25 aprile 2023, con applicazione degli obblighi rafforzati del DSA alle piattaforme molto grandi dal 2023. Per le imprese italiane, questo significa che il tema non riguarda soltanto le policy interne di una piattaforma globale, ma anche un perimetro di regole UE che incide sul modo in cui le piattaforme devono spiegare e governare i sistemi di raccomandazione.

Il dossier TikTok è già aperto anche sul piano dell’enforcement. Il 6 febbraio 2026, la Commissione europea ha comunicato le conclusioni preliminari sul design additivo della piattaforma, includendo tra gli elementi osservati infinite scroll, autoplay, notifiche push e sistema di raccomandazione altamente personalizzato. Si tratta di conclusioni preliminari, non di una decisione finale; la distinzione tra contestazione, difesa e accertamento resta essenziale per leggere correttamente il procedimento.

Cosa cambia per chi usa TikTok

Per le imprese italiane che producono contenuti su TikTok, il risultato dello studio suggerisce una cautela operativa: la risposta del feed a un segnale negativo non può essere trattata come un indicatore stabile e definitivo del disinteresse dell’utente. Se l’algoritmo riduce temporaneamente un tema e poi lo reintroduce, le metriche di visibilità e permanenza possono incorporare una quota di spinta algoritmica non immediatamente leggibile dai soli dati di performance disponibili agli account aziendali.

La conseguenza pratica riguarda le policy interne su marketing, comunicazione e compliance. Le aziende che lavorano con piattaforme di raccomandazione dovrebbero distinguere tra gradimento espresso, comportamento osservato e meccanismi di distribuzione del feed. Lo studio non misura campagne pubblicitarie, conversioni o ritorni commerciali; misura però una parte della relazione tra preferenze dichiarate e contenuti effettivamente raccomandati. Per chi opera in settori regolati o sensibili, questa distinzione aiuta a documentare meglio scelte editoriali, moderazione dei contenuti e gestione dei rischi reputazionali.

In Italia, AGCOM indica nella pagina AGCOM sul DSA il proprio ruolo di Coordinatore dei servizi digitali per il Paese. La supervisione delle piattaforme molto grandi resta in larga parte europea, ma il coordinamento nazionale è il punto di contatto per l’applicazione del regolamento nel mercato italiano. Per imprese, associazioni e operatori digitali, il tracciamento dei reclami, delle impostazioni di raccomandazione e delle policy di piattaforma diventa parte del lavoro ordinario di governance digitale.

Il lavoro della Northwestern University non conclude che i controlli utente siano inutili: indica che funzionano, ma richiedono ripetizione e coerenza. Il pulsante “non mi interessa” ha prodotto nei test l’effetto più forte, mentre il semplice salto dei video è risultato meno incisivo. La chiusura operativa è quindi meno rassicurante di quanto sembri: il controllo esiste, ma resta condizionato dal design dell’interfaccia, dalla persistenza del feedback e dalla capacità dei ricercatori, dei regolatori e degli operatori di osservare la raccomandazione dal punto di vista della singola esperienza utente.