Un desarrollador que opera bajo el alias de hashfunction ha subido los metadatos de aproximadamente 5.600 millones de videos públicos de TikTok al repositorio de IA de código abierto Hugging Face, donde se pueden descargar de forma gratuita bajo una licencia no comercial. El conjunto de datos, publicado bajo la cuenta datasocial, abarca de julio de 2014 a octubre de 2026.

La publicación contiene metadatos y no el contenido de los videos. Cada fila incluye la descripción del video, los hashtags, el ID del sonido, el texto en pantalla, los IDs de producto y vendedor de TikTok Shop, y los conteos de vistas, me gusta, comentarios, compartidos, guardados y descargas. El archivo completo pesa 460 GB, almacenado como archivos Parquet organizados uno por mes. Ese tamaño es modesto para un corpus de esta escala —una consecuencia de contener metadatos en lugar de video— y la estructura de un archivo por mes se presta para análisis basados en el tiempo.

Algunos campos reflejan las propias etiquetas de TikTok, como si un video está marcado como generado por IA y si la plataforma lo mantiene fuera de la página Para Ti. La marca de IA suele estar vacía en las entradas más antiguas, que provienen de un archivo —una carencia que limita cualquier análisis que dependa de esa etiqueta para los años anteriores.

El conjunto de datos no está restringido, lo que significa que cualquiera puede descargarlo, sin necesidad de solicitud, aprobación ni afiliación institucional. El contador de Hugging Face mostraba 1.181 descargas hasta ahora. También está disponible en línea a través de datasocial.ai.

Esta publicación importa porque los desarrolladores de IA quieren este tipo de datos, y TikTok ha dificultado su obtención. Las descripciones, los hashtags, los IDs de sonidos y los conteos de interacción de miles de millones de publicaciones son materia prima para modelos que predicen qué se vuelve viral o qué se vende en TikTok Shop, qué palabras y frases funcionan y cuáles no, y para modelos de lenguaje que aprenden cómo escriben las personas en videos de formato corto.

La vía oficial de TikTok hacia estos datos es mucho más limitada. Sus Research Tools están abiertos a investigadores calificados de instituciones académicas en regiones que incluyen Estados Unidos, el EEE, Reino Unido, Canadá y Suiza, además de algunas organizaciones sin fines de lucro de la UE, y requieren una solicitud y una aprobación —criterios de elegibilidad que dejan a los desarrolladores comerciales de IA sin una vía oficial para acceder a datos comparables.

El raspado masivo de datos no está permitido por la plataforma. La Sección 3.4 de los términos de servicio de TikTok en EE. UU. prohíbe extraer datos de la plataforma con software automatizado a menos que TikTok lo apruebe por escrito.

Según el informe de DataSocial, la recopilación accedió a la API privada móvil de TikTok utilizando identidades de dispositivos generadas pasaban por teléfonos Android, firmas de solicitudes de ingeniería inversa y un protocolo de enlace TLS falsificado. El informe indica que el sistema recopiló 3.230 millones de perfiles de creadores, 5.940 millones de videos y 2.800 millones de comentarios en tres semanas, y que no se utilizó ningún inicio de sesión ni cuenta.

El nivel gratuito funciona a la vez como escaparate comercial. La licencia es CC BY-NC 4.0, que permite compartir y adaptar los datos con atribución siempre que el uso sea no comercial, y la tarjeta del conjunto de datos lo describe como gratuito para uso investigador y personal. Una licencia de este tipo rige cómo se pueden reutilizar los archivos; es distinta de los términos de servicio de TikTok, que rigen cómo se recopilaron los datos. El uso comercial, los perfiles de creadores y las actualizaciones diarias se canalizan a través de datasocial.ai, que también vende el código fuente del scraper por 1.699 dólares.

Las disputas por el raspado de datos ya se están dirimiendo en los tribunales. Reddit demandó a Perplexity y a tres empresas de raspado de datos en octubre de 2025, alegando un esquema de "escala industrial" para recolectar su contenido para el entrenamiento de IA, como informó Decrypt. En julio, un juez federal rechazó en gran medida el sobreseimiento del caso, según Law360. Los reclamos que sobreviven incluyen acusaciones de DMCA de que SerpApi eludió las protecciones antibots de Google. TikTok no es parte del caso, y ese litigio involucra raspado a través de los resultados de búsqueda de Google y no de una API privada móvil, por lo que su resultado no resolverá directamente la situación legal de esta recopilación.

En cuanto al conjunto de datos en sí, las filas incluyen descripciones, la música utilizada y varios campos de etiquetas. No hay una columna con el alias del creador, aunque los datos contienen descripciones, hashtags y las personas mencionadas en los videos. El ID de usuario, sin embargo, está disponible a través de Datasocial.

Este tesoro de datos ya tiene compañía. Copias de un conjunto separado de 4.500 millones de videos, también descrito como recopilado desde la API móvil de TikTok, también están en Hugging Face, de uso gratuito no comercial. El código que lo recopiló cuesta 1.699 dólares.