TheNumbers.com est tombé — et c'est de votre faute à tous

Le 5 mars 2026, l'un des sites de données les plus utiles du cinéma disparaissait du web. La cause : une combinaison d'agents IA agressifs, de scrapers de training data, et de parieurs professionnels qui voulaient front-run les marchés. L'histoire de TheNumbers.com n'est pas une anecdote. C'est un avertissement sur ce qui attend tous les créateurs de contenu indépendants.

Le golem de données qui a failli mourir

Bruce Nash a passé vingt-huit ans à construire TheNumbers.com. Depuis un site Geocities en 1997 jusqu'à une base de données couvrant 78 396 films, 178 375 sorties en salle, et 236 176 personnes liées à l'industrie cinématographique. Le tout maintenu par une petite équipe, sans capital-risque, sans hypercroissance, juste du boulot acharné et de la passion pour les données.

En janvier 2026, le site pesait huit millions de visiteurs par an. Il était cité par Guinness World Records, utilisé par des journalistes, des académiques, des producteurs. Polymarket, le géant des marchés de prédiction, l'avait désigné comme la source officielle de vérité pour ses marchés sur les box-offices.

En mars 2026, le site était mort.

90% de robots. 10% d'humains.

La réalité du web en 2026, c'est celle-là. Cloudflare a publié des chiffres qui font froid dans le dos : 57,5% de toutes les requêtes web viennent aujourd'hui de bots. Pour TheNumbers, c'était pire : seulement 10% du trafic provenait de vraies personnes. Le reste ? Des robots.

Deux vagues successives ont frappé le site. La première dès 2024 : les crawlers pour l'entraînement de LLMs. Des robots moins bien élevés que les araignées de Google : ils aspiraient les pages sans respecter les délais raisonnables, sans tenir compte du fichier robots.txt, sans s'excuser. Bruce Nash les a gérés, bloqués, re-gérés.

La deuxième vague est arrivée en décembre 2025 et elle était d'une autre nature. Pas des crawlers de training, mais des agents agentic. Des programmes autonomes, déclenchés en réponse à des requêtes humaines en temps réel. « Dis-moi le budget de ce film. » L'agent consulte TheNumbers. Cent fois par heure. Mille fois par jour. Multiplié par tous les services qui intègrent des LLMs.

Nash décrit la situation avec une franchise désarmante : « 90% de notre temps était consacré à maintenir le site en vie. Nous travaillions sur les améliorations pendant nos moments libres. »

Ce n'est plus du développement. C'est de la survie.

La prediction market comme arme de piratage

Et puis, dans la nuit du 5 au 6 mars, les serveurs ont lâché.

En fouillant les logs, l'équipe a trouvé quelque chose d'inquiétant. Pas seulement du scraping massif. Des tentatives systématiques d'accès par des portes dérobées. Des explorations méthodiques des 160 000 fichiers legacy du site, certains vieux de décennies, potentiellement truffés de failles oubliées.

Qui aurait intérêt à pirater un site de statistiques cinéma ?

Polymarket, encore lui. Ce marché de prédiction utilise TheNumbers comme source de règlement pour ses marchés box-office. Chaque week-end, des millions de dollars se jouent sur les performances d'ouverture de films. Si quelqu'un pouvait accéder aux données de TheNumbers quelques minutes avant leur publication officielle, il pourrait front-runner ces marchés avec un avantage systématique.

Pas besoin d'être un hacker de haut niveau. Anthropic l'a documenté dans un rapport de novembre 2025 : des acteurs étatiques ont utilisé des outils IA pour mener des campagnes de cyber-espionnage contre 30 organisations, l'IA effectuant 80 à 90% du travail. XBOW, un testeur de pénétration autonome, est arrivé numéro un sur le classement américain de HackerOne, une liste qui ne comptait que des humains avant.

Pirater un site vieillissant de 30 ans, avec 160 000 fichiers legacy, c'est exactement le type de cible que ces outils adorent. La barrière technique qui protégeait autrefois les petits sites a disparu.

Nash a pris la seule décision sensée : ne jamais rallumer l'ancien serveur. Reconstruire from scratch. Ce qui explique pourquoi TheNumbers est revenu en mode squelette mi-mars, et reconstruit fonctionnalité par fonctionnalité depuis.

Suno, ou la prédation sans complexe

Pendant ce temps, mi-juillet, une autre histoire faisait surface. Et dans ce cas, pas besoin de spéculer.

Suno, la startup de génération musicale par IA, s'est fait hacker. Le code source exfiltré a révélé la mécanique exacte de leur pipeline d'entraînement : des millions de clips musicaux aspirés depuis YouTube Music et Deezer, des centaines de milliers de paroles collectées sans compensation, sans accord, sans même un e-mail de politesse.

Le ver utilisé pour l'intrusion s'appelait Shai-Hulud. Ça ne manque pas d'ironie : dans Dune, le Shai-Hulud est un ver des sables qui dévore tout sur son passage. Suno faisait pareil, mais avec de la musique.

Plus de deux millions de clips. Aucun artiste payé.

Ce n'est pas un secret que les LLMs ont été entraînés sur du contenu scrapé sans consentement. Mais voir le pipeline exposé en détail : les sources, les méthodes, les volumes, c'est autre chose. C'est la différence entre savoir que les saucisses sont faites avec des déchets et regarder la chaîne de production.

Les artistes ont des procès en cours. Personne ne parie sur leur victoire.

Un marché de $7,79 milliards qui n'a aucune raison de s'arrêter

En janvier 2026, SNS Insider a publié les chiffres du marché du scraping IA : $7,79 milliards en 2025. Projection pour 2035 : $47,15 milliards. Une croissance annuelle de 19,82%.

Ces chiffres représentent la valeur économique extraite des créateurs sans leur consentement. Chaque dollar dans ce marché, c'est du contenu aspiré, transformé, revendu. L'ironie ? Le modèle économique fonctionne précisément parce que le contenu original existe. Supprimez les créateurs, le marché s'effondre. Mais dans l'intervalle, les créateurs ont été remplacés.

La dynamique des coûts empire les choses. En 2026, le coût d'inférence d'un LLM bon marché comme DeepSeek V4 tourne autour de $0,14 par million de tokens en entrée. $0,87 en sortie. Contre $3/$15 pour Claude Opus 4.6. Résultat : les startups qui veulent aspirer du contenu et le redistribuer n'ont aucune contrainte économique. C'est quasi-gratuit.

Un site d'analyse de niche avec 50 000 visiteurs par mois génère peut-être 2 000 à 5 000 euros de revenus. Si 80% de son contenu se retrouve résumé par des agrégateurs IA, les revenus s'effondrent à 400 à 1 000 euros. En dessous du seuil de viabilité pour un créateur solo.

La mort silencieuse. Personne ne fait la une quand un blog de niche ferme.

Le vide juridique où tous les créateurs tombent

L'EU AI Act de 2024 ? Il ne couvre pas explicitement le copyright des données d'entraînement. La doctrine américaine du Fair Use ? Ambiguë au point que les tribunaux n'arrivent pas à se mettre d'accord. La Chine ? Aucune restriction sur l'entraînement IA.

L'Inde a proposé quelque chose d'intéressant : le CRCAT (Copyright Royalties Collective for AI Training), un modèle inspiré des SACEM et ASCAP, les sociétés de gestion collective de droits pour la musique. L'idée : les entreprises IA paient une redevance collective pour l'utilisation de contenu sous copyright dans leurs données d'entraînement, redistribuée ensuite aux créateurs.

C'est rationnel. C'est équitable. Et c'est pour l'instant une proposition isolée sans adoption internationale.

Le problème structurel dépasse de toute façon le cadre légal. Les modèles open-weight, Llama, Qwen, Mistral, une fois publiés, ne peuvent pas être rappelés. Ils continuent d'être copiés, fine-tunés, déployés partout dans le monde. Même si les États-Unis interdisaient le scraping demain, les modèles entraînés sur ce contenu continueraient de circuler. La régulation arrive toujours après que le dommage est fait.

Ce que Bruce Nash a compris que vous n'avez pas encore

Bruce Nash a pris un virage intéressant. Plutôt que de continuer à se battre contre les robots, il leur parle. Il a ajouté des pages sur son site spécifiquement destinées aux LLMs : des pages qui expliquent comment licencier les données plutôt que les scraper. Résultat : dix fois plus de demandes de licences. Des revenus.

C'est du judo. Utiliser la force de l'adversaire.

Le problème, c'est que cette stratégie ne marche que si votre site survive assez longtemps pour la mettre en place. Et que vous avez un modèle économique diversifié : Nash vend des données brutes via OpusData, publie des rapports payants pour l'industrie. Le site public gratuit n'était pas son seul revenu.