В 2018 году специалисты из Северо-Восточного университета (Northeastern University) проверили 17 260 популярных Android-приложений. Исследование показало, что приложения не записывали разговоры тайно, прослушивание не подтвердилось. Однако около 9 000 приложений имели возможность делать скриншоты и отправлятьлять их третьим лицам. Например, сервис доставки еды GoPuff передавал видеозаписи экранной активности пользователей в аналитическую компанию Appsee, что создавало риск утечки платежных данных и поисковых запросов.

В августе 2026 года FTC завершила дело против Cox Media Group, MindSift LLC и 1010 Digital Works LLC. Компании продавали продукт Active Listening, который якобы анализировал разговоры рядом с умными устройствами для таргетинга. Расследование вскрыло, что сервис фактически не использовал голосовые данные, а перепродавал данные брокеров, включая email-списки. В итоге компании выплатили совокупный штраф в размере $930 000, из которых $880 000 выплатила Cox Media Group, а остальные две компании — по $25 000.

Современные рекомендательные системы работают на основе концепции «скрытого намерения» (latent intent). Исследование Кембриджского университета и Microsoft в 2013 году на выборке из 58 000 пользователей Facebook показало, что по лайкам можно с точностью предсказать черты личности и политические взгляды. В 2025 году был предложен фреймворк DUIP (Dynamic User Intent Prediction), объединяющий LSTM-модель и большую языковую модель (LLM), который превзошел предыдущие методы на датасетах ML-1M, Games и Bundle.

В работе 2025 года, опубликованной в ACM Transactions on Information Systems, была описана модель, что с помощью LLM извлекает скрытое намерение из текущей сессии пользователя. Также в январе 2026 года в International Journal of Human-Computer Studies была опубликована статья, эксперимент с 231 участником в которой показал, что такие приемы убеждения, как социальное доказательство и дефицит, повышают вероятность выбора менее полезного варианта. Персонализация подачи аргументов под уязвимости пользователя позволяет алгоритмам точнее воздействовать на выбор.

Рекомендательные системы не только отражают, и формируют интересы пользователя, влияя на долгосрочную идентичность и критическое мышление. Это воздействие усиливается за счет использования метаданных от операторов связи, государственных сервисов и брокеров данных. В Китае эта логика доведена до системного уровня в рамках системы социального кредита, где данные о покупках, и онлайн-активности влияют на доступ к кредитам, госуслугам и поездкам.