Website dữ liệu điện ảnh The Numbers sập nguồn vì bị AI crawler 'tấn công'

Nếu bạn làm việc trong hoặc xung quanh ngành công nghiệp điện ảnh, có khả năng cao là bạn đã sử dụng dữ liệu của The Numbers trong tháng này, dù bạn có nhận ra hay không.

Dữ liệu được nghiên cứu thủ công của trang web này có chất lượng cao nhất, theo dõi doanh thu phòng vé, ngân sách, băng đĩa gia đình và phát trực tuyến của hơn 78.000 bộ phim và 236.000 cá nhân. Trang web thu hút hơn tám triệu lượt truy cập mỗi năm và được các nhà báo, học giả, nhà làm phim, thị trường dự đoán và thậm chí cả Guinness World Records coi là nguồn tham khảo uy tín nhất.

Và chính vị thế "GOAT" (vĩ đại nhất mọi thời đại) này đã dẫn đến những sự kiện thảm khốc vào tháng 3 năm nay.

Vào ngày 5 tháng 3 năm 2026, trang web TheNumbers.com đã biến mất.

Trang web ngừng hoạt động trong hơn một tuần mà không có lời giải thích nào. Một tuần sau, nó xuất hiện trở lại với quy mô chỉ bằng một phần nhỏ so với trước đây. Các biểu đồ lịch sử, các trang phim riêng lẻ và thậm chí cả công cụ Report Builder được nhiều người yêu thích đều đã biến mất.

Với thông báo chung chung "chúng tôi đang xây dựng lại, vui lòng kiên nhẫn chờ đợi", internet đã phản ứng như thường lệ - với sự hoang mang, giận dữ và các thuyết âm mưu. Một giả thuyết trên Reddit thậm chí còn cho rằng đây là một vụ "rug pull" (lừa đảo rút vốn) có chủ đích nhằm làm tê liệt trang web miễn phí để ép người dùng chuyển sang các sản phẩm trả phí.

Ba tháng sau, tôi đã có cuộc trò chuyện dài với Bruce Nash, nhà sáng lập kiêm CEO của The Numbers, về những gì đã xảy ra. Ông mô tả đó là một trải nghiệm khá khó chịu và đầy biến cố:

Chúng tôi nhận được rất nhiều email giận dữ từ mọi người kiểu như: 'Trang thông tin mà các anh từng có đâu rồi, sao giờ không còn nữa?'

Trong câu chuyện của ông có nhiều điều đáng lo ngại cho bất kỳ ai đang vận hành, dựa vào hoặc đơn giản là trân trọng internet.

Vào thứ Sáu, ngày 17 tháng 10 năm 1997, nhà toán học và cựu lập trình viên phần mềm của IBM, Bruce Nash, đã ra mắt một trang web trên Geocities chuyên theo dõi 300 bộ phim.

Bruce đã mô tả sự kiện ra mắt này trong một bài luận kỷ niệm 20 năm (hiện chỉ còn tồn tại trong Internet Archive, vì những lý do sẽ sớm trở nên rõ ràng):

Tôi nhấn một nút trong cơ sở dữ liệu Access, tải lên một vài trang HTML lên Geocities và đưa ra một thông báo ngắn trên các bảng tin của Hollywood Stock Exchange để mọi người biết rằng tôi đang bắt đầu phân tích doanh thu phòng vé cho các bộ phim, giúp họ chọn MovieStocks để giao dịch trên HSX.

Từ khởi đầu khiêm tốn đó, Bruce và đội ngũ mà ông xây dựng xung quanh trang web đã biến The Numbers thành nguồn tài chính đáng tin cậy nhất của ngành công nghiệp điện ảnh.

Vào đầu năm 2026, cơ sở dữ liệu đã theo dõi 78.396 bộ phim, 178.375 hồ sơ phát hành tại rạp và 236.176 cá nhân.

Trong suốt quá trình hoạt động, những thách thức mà The Numbers phải đối mặt đã thay đổi rất nhiều. Trong khoảng một phần tư thế kỷ đầu tiên, lưu lượng truy cập vẫn ở mức có thể kiểm soát được và hầu hết là lịch sự. Như Bruce chia sẻ:

Trước thời đại AI, chúng tôi nhận được lưu lượng truy cập từ con người, chủ yếu là các trình thu thập dữ liệu (crawlers) của công cụ tìm kiếm hoạt động chuẩn mực và một vài người thu thập dữ liệu cho các dự án cá nhân. Nếu ai đó quá tham lam, chúng tôi có thể phát hiện và chặn họ.

Trong vài năm qua, các chủ sở hữu trang web trên toàn thế giới đã chứng kiến lưu lượng truy cập web của họ thay đổi. Những gì ban đầu chỉ là người dùng duyệt web đã nhường chỗ cho số lượng bot ngày càng tăng. Đến năm 2024, lưu lượng truy cập tự động đã vượt qua lưu lượng truy cập của con người, và chỉ tháng trước, Cloudflare thông báo rằng bot đã chiếm tới 57,5% các yêu cầu truy cập trang web.

The Numbers cảm nhận được sự thay đổi này qua hai làn sóng rõ rệt. Làn sóng đầu tiên bắt đầu vào khoảng năm 2024:

Chúng tôi thấy sự gia tăng lớn về số lượt thu thập dữ liệu khi việc đào tạo AI tham gia cùng các trình thu thập của công cụ tìm kiếm. Các trình thu thập AI thường ít chuẩn mực hơn so với các công cụ tìm kiếm, điều này làm tăng khối lượng công việc quản lý để giữ cho trang web hoạt động trơn tru.

Và làn sóng thứ hai mạnh mẽ và gây thiệt hại nặng nề hơn:

Khoảng tháng 12 năm 2025, chúng tôi thấy một đợt tăng đột biến khác về lưu lượng truy cập mà tôi cho là do AI tác nhân (agentic AI): sự kết hợp giữa các tác nhân AI tự động quét các trang web để phản hồi lại các câu lệnh (prompts) và việc mọi người có thể tự viết các tác nhân để quét trang web.

Giống như mọi trang web giàu dữ liệu khác, đến đầu năm 2026, The Numbers đã bị tấn công dữ dội bởi các bot AI quét các trang của nó lặp đi lặp lại ở quy mô công nghiệp. Bruce cho biết chỉ 10% lưu lượng truy cập của họ đến từ con người, phần còn lại đến từ bot AI và lưu lượng truy cập tự động.

Điều này gây áp lực khủng khiếp lên trang web, nhưng Bruce và đội ngũ của ông đã có thể thực hiện các biện pháp để giảm thiểu những tác động tồi tệ nhất. Một trong những cách thông minh nhất là trò chuyện với các robot bằng ngôn ngữ của chính chúng:

Có những nội dung trên trang web được thiết kế để LLM đọc, để nó có thể trả lời ai đó rằng ‘đây là cách bạn cấp phép dữ liệu’ thay vì ‘đây là cách bạn quét trang web’. Điều này đã mang lại hiệu quả to lớn. Hiện tại chúng tôi nhận được số lượng yêu cầu cấp phép dữ liệu nhiều gấp mười lần.

Nhưng giảm thiểu không có nghĩa là thoát khỏi hoàn toàn. Từ tháng 12 đến đầu tháng 3, đội ngũ đã phải vật lộn để giữ cho trang web tồn tại dưới áp lực đó. Bruce ước tính rằng:

Khoảng 90% thời gian của chúng tôi dành cho việc duy trì trang web hiện tại trong khi chúng tôi dành những khoảng thời gian rảnh rỗi để làm việc trên một hệ thống mới và cải tiến hơn.

Vấn đề càng trở nên trầm trọng hơn do tuổi đời của trang web: ba mươi năm hoạt động, với khoảng 160.000 tệp nguồn phục vụ khoảng 2 triệu trang.

Sau đó, vào rạng sáng thứ Năm, ngày 5 tháng 3, các máy chủ đã sụp đổ.

Đội ngũ đã nỗ lực tìm hiểu chuyện gì đã xảy ra, ban đầu cho rằng đó là do sức nặng quá lớn từ lưu lượng truy cập của AI. Có vẻ như AI là thủ phạm... nhưng có lẽ không chỉ theo cách mà họ nghĩ ban đầu.

Ẩn sâu trong dòng lưu lượng truy cập của các tác nhân AI, nhật ký của trang web cho thấy điều gì đó nhắm mục tiêu cụ thể hơn là việc quét dữ liệu thông thường. Như Bruce mô tả:

Một số trong đó sử dụng trang web thông qua các URL hợp lệ, những kẻ khác lại tìm kiếm các "cửa sau" (back doors), rất có thể là để lấy dữ liệu trước khi nó xuất hiện trên trang web, hoặc để thao túng dữ liệu hiển thị cho người dùng.

Theo lời khuyên của một người bạn làm trong lĩnh vực an ninh mạng, máy chủ cũ đã bị tắt hoàn toàn. Vĩnh viễn. Việc khôi phục các bản sao lưu và cố gắng đưa trang web 30 năm tuổi hoạt động trở lại đồng nghĩa với việc phải bảo vệ 160.000 tệp cũ trước những kẻ tấn công đã dành nhiều tháng để thăm dò chúng.

Đội ngũ đã nhanh chóng dựng lên một phiên bản tối giản của trang web trên cơ sở hạ tầng mới, ít nhất có thể tiếp tục cung cấp các số liệu phòng vé mới nhất trong khi họ đánh giá lại những gì đã xảy ra và kế hoạch tiếp theo. Trang web đã hoạt động trở lại vào thứ Sáu, ngày 13 tháng 3.

Thoạt nhìn, The Numbers có vẻ không phải là một mục tiêu rõ ràng. Nó không thu thập thông tin thẻ tín dụng và không có dữ liệu khách hàng hấp dẫn nào để rao bán trên dark web. Đây là một công ty nhỏ, độc lập chuyên công bố doanh thu của các bộ phim.

Làm thế nào mà ai đó có thể hy vọng kiếm tiền chỉ bằng cách có quyền truy cập riêng tư vào trang web của họ?

Trong trường hợp bạn chưa đoán ra, điều đó liên quan đến các thị trường dự đoán.