Fingerprinting: você não consegue enganar o 'algoritmo' como pensa

Publicado originalmente em AkitaOnRails.com, em 4 de novembro de 2026.

No artigo anterior sobre a descompilação do TikTok 47.7.1, mostrei o tamanho da coleta que acontece dentro do aplicativo. Ele reenvia identificadores persistentes, monta um fingerprint do aparelho, mede pressão e trajetória dos toques, lê sensores de movimento e registra mais de 6 mil tipos de evento. Também separa usuários por região e dá ao Brasil menos proteções técnicas que aos Estados Unidos e à Europa.

Muita gente leu aquilo pensando só em privacidade, como se a preocupação fosse o TikTok encontrar a senha do banco. O problema começa bem antes. Essas empresas precisam reconhecer quem voltou, registrar o que essa pessoa fez e prever o que vai prender sua atenção em seguida.

É aí que aparecem alguns folclores. A pessoa curte e favorita uma pilha de vídeos de cachorro pra “confundir o algoritmo”. Instala uma VPN e acha que virou anônima. Limpa o cache, reinstala o aplicativo, cria outra conta ou troca de celular e acredita que ganhou uma folha em branco. Também tem quem nunca aperte Like e conclua que não entregou preferência nenhuma.

Tudo isso pode mudar algum sinal. Nenhuma dessas ações apaga o conjunto inteiro.

Sua intenção fica na sua cabeça. O sistema recebe o seu comportamento.

Não existe um “algoritmo” só

Quando alguém fala “o algoritmo do TikTok”, parece que existe uma função mágica escolhendo o próximo vídeo. Na prática são várias camadas trabalhando juntas:

1. Identidade: decide se este aparelho, esta instalação e esta conta já apareceram antes.
2. Telemetria: registra o que aconteceu, como tempo assistido, pausa, repetição, busca, comentário, compartilhamento, toque e rolagem.
3. Recomendação: estima quais vídeos têm maior chance de produzir a próxima interação.
4. Experimentação: coloca conteúdo diferente no feed pra medir reações e atualizar o perfil.

O fingerprint fica principalmente na primeira camada. Ele ajuda a manter continuidade quando um cookie, um ID de instalação ou uma conta muda. O histórico de comportamento alimenta as demais.

O próprio TikTok explica que usa vídeos assistidos até o fim ou pulados, likes, compartilhamentos, comentários, contas seguidas, sons, hashtags, localização, idioma e tipo de aparelho. Para a maioria dos usuários, tempo assistido e outras interações recebem mais peso que configurações do aparelho.

A descrição pública é simplificada, claro. A nossa análise estática encontrou o texto de cada busca e eventos de play_time, percentual assistido, pausa, repetição, arrastar a barra de progresso, entrada e saída de tela, troca de conta e milhares de outras ações. O serviço que entrega o feed inevitavelmente sabe o que você pediu e por quanto tempo ficou ali.

Fingerprinting: reconhecer sem depender de um número só

Um fingerprint combina sinais pequenos demais pra identificar alguém isoladamente. Modelo do celular, resolução, CPU, GPU, lista de sensores, câmeras, fuso horário, idioma, operadora, versão do sistema, tempo desde o último boot e características da instalação formam um retrato muito mais específico quando aparecem juntos.

Alguns sinais são estáveis. Outros variam. O sistema trabalha com graus de confiança e tolera diferenças entre observações.

No mesmo aparelho e perfil Android↳Android46 conteúdosAndroid push notifications com Quasar Framework, Firebase e integração com WordPressDev (Back & Front) · mai 2019O X do Xamarin Forms – O guia das funcionalidades nativas - Parte 02: AndroidDev (Back & Front) · abr 2019Modularização de AndroidDev (Back & Front) · ago 2019Ver tudo em Dev (Back & Front) →, o caso é bem direto. O ANDROID_ID usado pelo TikTok é estável por combinação de aparelho, usuário Android e chave de assinatura do aplicativo. Limpar os dados ou reinstalar troca IDs aleatórios guardados pelo app, mas não troca esse identificador. Modelo, sensores, tela, câmera, rede e estado de hardware também continuam parecidos.

Quando você troca de aparelho, a situação muda. O hardware novo produz outro fingerprint. Entrar na mesma conta resolve a associação de forma determinística. Criar outra conta deixa o cruzamento probabilístico: mesma rede doméstica, região, idioma, horários, relações sociais e um padrão de consumo muito semelhante podem sugerir que as duas identidades pertencem à mesma pessoa, sem provar a relação.

Esse mercado chama o conjunto de cross-device tracking ou device graph. Há correspondências determinísticas, como o mesmo login ou e-mail, e probabilísticas, baseadas na combinação de sinais. Pesquisadores já documentavam essa diferença em 2017. A política americana atual do próprio TikTok diz que a empresa atribui IDs de aparelho e usuário e pode usar essas informações pra identificar atividade entre dispositivos.

Portanto, “troquei de celular” pode significar três coisas completamente diferentes:

• você entrou na mesma conta e informou a ligação;
• criou outra conta, mas deixou várias pontes que permitem uma associação provável;
• criou uma identidade realmente isolada, sem conta, contatos, parceiros, rede ou hábitos compartilhados, reduzindo muito a confiança da associação.

Um exemplo simplificado

Os dados abaixo são inventados e servem pra visualizar como um servidor compara observações. O formato interno e qualquer pontuação real do TikTok continuam desconhecidos.

O código confirma a coleta de pressão, tamanho e trajetória dos toques como sinais de humanidade e antifraude. A análise estática não demonstra que o TikTok trate isso como uma biometria pessoal capaz de reconhecer sua mão, por isso o campo aparece no exemplo como telemetria e fica fora da comparação de identidade abaixo.

Agora compare o que acontece:

Depois da reinstalação, sobram sinais fortes demais pra chamar aquilo de um desconhecido. No celular novo com conta nova, sobra uma hipótese. Quanto mais pontes você mantém, mais a hipótese ganha confiança. Se você entra na conta antiga, acabou a dúvida.

O fingerprint pode começar sem seu nome. Em algum momento você entra numa conta, usa um e-mail, sincroniza contatos, abre um link identificado ou faz qualquer ação que ligue o pseudônimo a você. A partir daí, o histórico anterior pode ser costurado à identidade conhecida. Um relatório técnico de 2026 do Georgetown Law Institute for Technology Law & Policy chama isso de identifier bridging: um fingerprint probabilístico ganha uma ponte pra um identificador estável.

O teatro dos vídeos de cachorro

Vamos usar o exemplo mais comum. Você quer evitar política, fake news e teorias conspiratórias. Então busca vídeos de cachorro, assiste vários até o fim, curte cinquenta e favorita vinte. O feed passa a mostrar mais animais. Funcionou?

Parcialmente. Você ensinou que vídeos de cachorro produzem interação. O TikTok oferece até ferramentas explícitas pra fazer isso: “Não tenho interesse”, filtros de palavras, gerenciamento de temas e atualização do feed Para Você.

Só que você não apagou política do perfil. Você acrescentou outro interesse. O servidor ainda tem o histórico anterior, as contas seguidas, buscas, vídeos assistidos, pausas, comentários, compartilhamentos e os sinais de pessoas com comportamento semelhante ao seu.

Também existe uma diferença enorme entre o que você acha que comunicou e o que a máquina recebeu:

• você abriu um vídeo absurdo pra entender o que estavam dizendo;
• assistiu até o final porque ficou indignado;
• voltou um trecho pra conferir;
• abriu os comentários;
• respondeu dizendo que era mentira;
• mandou o vídeo pra alguém acompanhado de “olha que absurdo”.

Para você, foram seis manifestações de rejeição. Para um modelo olhando eventos, foram vários minutos de atenção e uma sequência rara de interações. O conteúdo funcionou.

O mesmo vale pra sua atuação com animais. Nos eventos enviados ao servidor não existe o campo estou_fingindo_gostar_de_cachorro; chegam buscas, vídeos completos, likes e favoritos. O perfil pode carregar vários interesses ao mesmo tempo. O resultado pode ser alguém que gosta de cachorro e consome política quando aparece, especialmente se o segundo assunto gerar reações mais fortes.

Auditorias independentes confirmam que o feed reage a mais de um tipo de sinal. Um experimento com contas controladas encontrou efeitos de seguir, curtir e tempo assistido, com seguir como o fator mais forte naquele teste. Outro estudo sobre exploration e exploitation de interesses mediu como duração, likes e follows mudam a personalização ao longo da timeline.

Você consegue influenciar o feed. Isso é bem diferente de apagar o perfil ou conquistar imunidade contra manipulação.

O feed sempre volta a testar você

Um recommender não pode servir só o que já sabe. Se fizer isso, fica repetitivo e nunca descobre um interesse novo. Por isso ele alterna exploitation, conteúdo com alta chance de funcionar, e exploration, apostas usadas pra aprender.

É por isso que o vídeo político, a dieta milagrosa ou a conspiração volta a aparecer no meio dos cachorros. Pode ser popular na sua região, recente, parecido com algo que você viu, consumido por um grupo semelhante ao seu ou simplesmente um teste. O próprio TikTok reconhece que popularidade, diversidade e comportamento de usuários parecidos participam da seleção.

Você pode passar uma semana disciplinado e ignorar tudo. Basta uma noite cansada, um assunto que mexe com você ou um vídeo especialmente eficiente pra produzir os sinais que faltavam. A recomendação se ajusta de novo.

Uma auditoria publicada em 2025 observou reforço persistente de conteúdo e redução gradual de diversidade em timelines controladas. O resultado descreve um mecanismo de feedback, sem decretar que todo usuário termina preso numa bolha idêntica: recomendação gera comportamento, comportamento alimenta recomendação, e o próximo lote fica mais parecido com o que funcionou.

O nome “echo chamber” faz parecer que alguém fechou uma porta por fora. Muitas vezes você participa da construção. Escolhe assistir, comentar, seguir e compartilhar; o sistema reduz a fricção pra repetir aquilo. Em pouco tempo, frequência vira familiaridade e familiaridade começa a parecer consenso.

A armadilha de achar que você venceu

Este é o pedaço mais perigoso. Quem sabe que o feed é manipulado mantém alguma desconfiança. Quem acredita que enganou o sistema baixa a guarda.

“Eu treinei meu algoritmo pra não me mostrar fake news” vira uma licença pra tratar o que sobrou como confiável. A lógica é circular: se apareceu depois da sua limpeza, deve ter passado pelo seu filtro. Só que o filtro otimiza probabilidade de interação. Ele não funciona como auditor de fatos.

Um estudo publicado no PNAS encontrou um problema parecido fora do TikTok: três em cada quatro participantes superestimaram a própria capacidade de distinguir notícias verdadeiras de falsas. Em média, se colocaram 22 percentis acima do desempenho real. Os mais confiantes também visitavam mais sites não confiáveis e demonstravam maior disposição pra curtir ou compartilhar conteúdo falso alinhado à própria política.

Uma auditoria recente do TikTok encontrou outro sinal preocupante: interagir com desinformação sobre um assunto levou a recomendações de desinformação relacionada e também de outros assuntos. Contas novas sem histórico também receberam mais recomendações desse tipo em alguns experimentos. Um perfil vazio não começa necessariamente num ambiente neutro e limpo.

Sua confiança subjetiva não entra como evidência de que o feed ficou seguro. Ela só reduz a chance de você conferir.

“Não tenho nada importante lá”

Outra defesa comum é dizer que o aplicativo não tem senha de banco, documento secreto nem foto comprometedora. A pessoa avalia cada campo isoladamente e conclui que entregou apenas lixo.

O valor está nas inferências e nas decisões tomadas em cima delas. A política do próprio TikTok diz que a empresa infere idade, gênero e interesses. Comportamento repetido pode sugerir rotina, poder de compra, religião, posição política, estado emocional, vulnerabilidades, relacionamentos e acontecimentos importantes da vida. Algumas inferências estarão erradas, o que também causa dano.

Esse poder de inferência já era mensurável muito antes do TikTok. Em 2013, um estudo com mais de 58 mil voluntários mostrou que Facebook Likes permitiam prever atributos sensíveis como orientação sexual, etnia, religião, posição política, personalidade, idade e gênero. Likes são dados banais até alguém cruzar milhares deles.

Uma plataforma já consegue afetar você escolhendo conteúdo e anúncios. A segmentação também pode ser explorada por campanhas, vendedores e golpistas pra alcançar pessoas no momento em que parecem mais receptivas. Tudo parte de um perfil que você não vê e raramente consegue corrigir.

A FTC analisou as práticas de nove grandes plataformas, incluindo a ByteDance, e descreveu coleta em massa, retenção ampla e monetização por publicidade direcionada. O modelo econômico transforma pequenas observações em segmentação e previsão sem precisar encontrar uma senha valiosa.

Privacidade não protege apenas segredos. Ela limita quem pode montar um modelo seu e usar esse modelo pra decidir o que você verá em seguida.

Os outros truques que não fazem o que você imagina

Vale limpar mais alguns mitos:

• VPN: troca o IP público e ajuda a esconder sua origem da operadora ou da rede local. O app vê que existe uma VPN e continua recebendo conta, fingerprint e comportamento.
• Modo anônimo: serve pro navegador não guardar parte do histórico local. Não muda nada dentro do aplicativo nativo e não impede fingerprinting remoto.
• Limpar cache ou reinstalar: remove estado local descartável. No mesmo aparelho e perfil, identificadores e hardware estáveis continuam.
• Criar outra conta: separa perfis visíveis. No mesmo aparelho, o serviço ainda consegue observar que as duas contas compartilham o dispositivo.
• Nunca apertar Like: deixa de fornecer um sinal explícito. Tempo assistido, conclusão, repetição, busca, pausa, skip e sequência de telas continuam falando.
• Seguir fontes variadas: ajuda e vale a pena, mas até o feed “Seguindo” é ordenado. O TikTok diz que duas pessoas seguindo os mesmos criadores ainda recebem ordens diferentes.

Essas medidas podem reduzir exposição ou mudar recomendações. O erro é transformar mitigação em fantasia de invisibilidade.

Como usar sem terceirizar seu juízo

Se você decidiu continuar numa rede social, trate o feed como uma seleção interessada. Cada item foi escolhido porque algum modelo estimou uma reação. Verdade, relevância e equilíbrio são critérios diferentes.

Algumas práticas ajudam:

1. Use os controles reais da plataforma: “Não tenho interesse”, filtros de palavras, gerenciamento de temas e refresh do feed.
2. Pare de comentar por raiva. Bloqueie, denuncie quando for o caso e siga em frente. Engajamento indignado continua sendo engajamento.
3. Para notícias, abra a fonte original fora do aplicativo. Procure confirmação independente e confira data, autoria e contexto.
4. Misture fontes por decisão própria. Não espere que a exploração automática represente o contraditório de maneira honesta.
5. Separe diversão de informação. Um feed otimizado pra retenção é uma péssima redação jornalística.
6. Quando privacidade importar, isole a identidade. Como expliquei no artigo anterior, um perfil Android separado ou aparelho secundário reduz as pontes; spoofing aleatório costuma criar mais anomalias.

Também faça pausas. A personalização depende do loop contínuo de recomendação e reação. Sair do fluxo devolve a você a chance de escolher o próximo assunto, em vez de aceitar a próxima aposta do modelo.

Conclusão

O mecanismo cabe numa frase: a plataforma tenta reconhecer você, mede suas ações e usa o resultado pra escolher o próximo estímulo. Fingerprinting, telemetria e recomendação fecham esse ciclo.

Favoritar cachorro pode colocar mais cachorro no feed. VPN pode trocar seu IP. Reinstalar pode renovar IDs locais. Cada medida altera uma parte pequena e nenhuma concede imunidade.

O melhor sistema de defesa continua fora do aplicativo: desconfiar do conteúdo que encaixa bem demais nas suas crenças, conferir informação em fontes independentes e lembrar que relevância algorítmica mede a chance de uma reação. Verdade exige outro trabalho.

O algoritmo procura o assunto, o formato e o momento em que você para de questionar. A convicção de que você já venceu facilita exatamente esse trabalho.

Veja também

• Auditoria técnica de SEO: 10 erros que geram recomendação furada
• AliExpress usa WebAudio para fingerprinting silencioso e derruba o Bluetooth multipoint
• Autoridade temática na busca com IA: citação não é o mesmo que recomendação