Deux histoires apparemment sans rapport qui n'en sont en fait qu'une
Le 7 juin 2026, le média Not A Tesla App a rapporté un chiffre facile à négliger : le système FSD de Tesla ajoute désormais environ un million de miles de données de conduite chaque jour. La même semaine, le chercheur indépendant F. Scott Moody a publié un compte rendu détaillé sur son blog, understandingai.org, après avoir visionné 78 vidéos réelles du service Robotaxi d'Austin en fonctionnement. Sa conclusion : le système a fonctionné bien mieux qu'il ne l'avait espéré. La plupart des couvertures ont traité ces deux éléments comme distincts, mais ils sont en réalité les deux faces d'une même pièce — l'un est la cause, l'autre l'effet. Comprendre ce lien est la clé pour voir comment l'approche de Tesla en matière de conduite autonome diffère fondamentalement de celle de tous les autres acteurs de l'industrie.
Un cercle vertueux de données qui ne reçoit pas suffisamment d'attention
La stratégie Robotaxi de Tesla est architecturalement distincte de celle de Waymo, et la différence ne concerne pas seulement la philosophie matérielle — elle va au cœur de la manière dont l'IA de chaque entreprise apprend réellement.
| Dimension | Tesla | Waymo |
|---|---|---|
| Source de données d'entraînement (taille de la flotte) | Plus de 5 millions de véhicules équipés du FSD dans le monde | Environ 700 véhicules spécialement construits, principalement à San Francisco |
| Entrée moyenne de kilométrage quotidien | Environ 1 000 000 miles/jour | Environ 25 000 miles/jour (estimation basée sur les données d'octobre 2025) |
| Coût du matériel par véhicule | Caméra uniquement, de qualité grand public | Des centaines de milliers de dollars en lidar et cartographie HD |
| Comment la flotte évolue | Logiciel poussé par ondes radio vers la flotte existante | Véhicules achetés et déployés un par un |
| Taille de la flotte Robotaxi (Austin vs. San Francisco) | Environ 20 véhicules (Austin) | Plus de 700 véhicules (San Francisco) |
Les 700 véhicules de Waymo à San Francisco génèrent ce que l'on pourrait appeler des données de qualité professionnelle — chaque mile est enregistré par un système autonome spécialement conçu. Mais seules ces 700 voitures contribuent. Tesla, en revanche, ne gère actuellement qu'environ 20 Robotaxis à Austin. Jugée purement sur la taille de la flotte Robotaxi elle-même, Tesla est clairement en retard. Mais jugée sur l'architecture de données sous-jacente, l'image s'inverse — car ce qui soutient réellement Tesla, ce sont des millions de voitures familiales ordinaires qui sont sur la route chaque jour.
Le jalon des 10 milliards de miles — et une courbe qui ne cesse de s'accentuer
Le 3 mai 2026, Tesla a franchi un seuil qu'Elon Musk a cité à plusieurs reprises comme un prérequis pour une conduite autonome sûre et non supervisée : 10 milliards de miles FSD cumulés. Electrek, Carscoops et The Verge ont tous confirmé le jalon dans la même période.
| Jalon de kilométrage | Date | Temps écoulé depuis le jalon précédent |
|---|---|---|
| 1 milliard de miles | Avril 2024 | — |
| 8 milliards de miles | Vers juillet 2025 | Environ 15 mois depuis 1B |
| 10 milliards de miles | 3 mai 2026 | Environ 8 mois depuis 8B |
| Rythme actuel | Juin 2026 | Environ 1 000 000 de miles ajoutés par jour |
Ce qui est notable, ce n'est pas le total — c'est la vitesse à laquelle le taux lui-même continue d'augmenter. Passer de 8 milliards à 10 milliards de miles a pris environ 8 mois, et au rythme actuel d'environ 1 million de miles par jour, Tesla ajoute un milliard de miles supplémentaires environ tous les 33 jours. Ce n'est pas une courbe linéaire ; c'est un effet cumulatif.
L'argument des 1 % : pourquoi le nombre de base est ce qui compte vraiment
Musk lui-même a reconnu quelque chose qui, à première vue, ressemble à une critique de ses propres données : seule une petite fraction des miles parcourus par le FSD est réellement utile pour entraîner le modèle. Les critiques ont utilisé cet aveu pour affirmer que l'avantage de kilométrage est exagéré. Cependant, en examinant les chiffres réels, la conclusion est très différente.
Même en supposant que seulement 1 % de ce kilométrage quotidien constitue des données d'entraînement réellement utiles, le million de miles quotidiens de Tesla produit toujours environ 10 000 miles de données de cas limites de grande valeur par jour — et cela dépasse déjà le kilométrage quotidien de l'ensemble de la flotte de Waymo d'environ 25 000 miles de plus de 40 % une fois la comparaison correctement effectuée. Si le taux de données utiles atteint 2 %, l'écart se creuse à environ 80 %. En d'autres termes, la variable qui décide du résultat n'est pas le pourcentage lui-même — c'est le dénominateur. Une fois que la base est d'un million de miles par jour, même une petite partie de celle-ci produit un ensemble de données qu'aucune flotte spécialement conçue ne peut raisonnablement égaler.
Réseaux neuronaux de bout en bout : pourquoi plus de données rend la voiture plus intelligente, plus rapidement
Depuis la version 12 du FSD, l'architecture de Tesla est basée sur des réseaux neuronaux de bout en bout — et ce n'est pas une simple note technique, c'est la raison réelle pour laquelle le cercle vertueux des données fonctionne.
Un système de conduite autonome basé sur des règles s'améliore à l'ancienne : les ingénieurs repèrent un cas limite, écrivent une nouvelle règle et publient une mise à jour. Le rythme d'amélioration est limité par la vitesse à laquelle les humains peuvent écrire du code. Un réseau neuronal de bout en bout s'améliore différemment — par exposition. Montrez-lui suffisamment de décisions de conduite, et il apprendra à en prendre de meilleures par lui-même, le taux d'amélioration étant principalement limité par le volume de données et la puissance de calcul, que Tesla a tous deux développés de manière agressive. La mise à jour FSD v14.3 "Sentient" publiée plus tôt cette année est largement considérée comme la démonstration publique la plus claire de ce que cette architecture peut réellement offrir.
Ce à quoi cela ressemble en pratique : lorsqu'une Model 3 en Californie effectue un changement de voie fluide sur une autoroute très fréquentée, les entrées des capteurs, la trajectoire et le timing deviennent tous une partie des données d'entraînement. Une fois le modèle mis à jour, un Cybercab d'Austin gérant une fusion similaire pourrait le gérer un peu plus naturellement. En d'autres termes, cette flotte massive de consommateurs ne vend pas seulement des voitures — elle enseigne continuellement la même IA qui gérera finalement l'activité Robotaxi. Une analyse de Morgan Stanley publiée en avril 2026 a adopté une vision optimiste de la prochaine FSD V15, arguant qu'elle pourrait réduire de manière significative l'écart entre les capacités actuelles du FSD et le niveau de performance requis pour une exploitation Robotaxi non supervisée à grande échelle.
Validation indépendante : ce que 78 vidéos ont réellement montré
Le point de données le plus négligé de cette semaine n'est pas venu de Tesla ou de Wall Street — il est venu du chercheur indépendant F. Scott Moody. Après avoir examiné méthodiquement 78 vidéos réelles et non éditées du Robotaxi d'Austin en fonctionnement, sa conclusion a été que le système a fonctionné bien mieux qu'il ne l'avait espéré au départ.
Cela est important car Moody n'a aucun intérêt financier à ce que Tesla réussisse ou échoue, et sa méthode — regarder des séquences brutes plutôt que des compilations sélectionnées — est aussi proche d'un audit impartial du monde réel que le public y a actuellement accès. Cela correspond également à ce que la logique du cercle vertueux des données prédirait : un système ajoutant un million de miles par jour et ayant déjà dépassé le cap des 10 milliards de miles devrait fonctionner à un niveau qui surprendrait quiconque est étalonné sur les versions antérieures du FSD. Un point de données distinct rapporté par Crypto Briefing renforce cela — un aller-retour complet de San Francisco à Palo Alto effectué sans aucune intervention, traversant certaines des combinaisons d'autoroutes et de rues les plus complexes de la région de la Baie. Dans le même temps, Tesla mène un effort de validation parallèle en Europe, y compris une demande de test du FSD supervisé à Jönköping, en Suède, ce qui signifie que le modèle est continuellement exposé à un ensemble entièrement différent de conditions routières et de cas limites.
Les 20 voitures d'Austin : une preuve de concept, pas le produit
La petite taille de la flotte Robotaxi d'Austin — confirmée à environ 20 véhicules par Electrek et Benzinga, couvrant l'ensemble de la zone métropolitaine sans moniteurs de sécurité — est souvent citée comme preuve que les ambitions Robotaxi de Tesla sont exagérées. Cette interprétation ne tient pas compte de l'objectif de l'architecture.
Ces 20 voitures ne sont pas le produit ; elles sont la couche de validation. Elles collectent la seule catégorie de données que seule une exploitation commerciale entièrement non supervisée peut produire : de réelles interactions avec des passagers payants, de réels cas limites rencontrés dans un cadre commercial réel, et de réelles données de conformité réglementaire. C'est la partie des données que la flotte grand public ne peut tout simplement pas générer, car les conducteurs FSD quotidiens ne sont pas des clients payants d'un service de robotaxi commercial.
Pendant ce temps, les dépôts de permis rapportés cette semaine montrent que Tesla cherche à obtenir l'approbation au Nevada pour pas moins de 5 000 Robotaxis — un signe que le calendrier interne de mise à l'échelle de l'entreprise pourrait avancer plus rapidement que ne le suggèrent les commentaires publics. Cinq mille véhicules dans un seul État placeraient à eux seuls la flotte Robotaxi de Tesla bien en avance sur toute opération comparable aux États-Unis. Le rythme des téléchargements de l'application Robotaxi, qui a déjà dépassé les records historiques établis par Uber et Waymo, suggère que la demande est prête à absorber ce genre d'échelle.
L'asymétrie de mise à l'échelle
La différence la plus significative entre Tesla et tous les autres opérateurs de véhicules autonomes n'est pas la taille actuelle de la flotte, mais la façon dont chacun d'eux évolue.
Waymo doit acheter, équiper, assurer et déployer chaque véhicule individuellement, et chaque nouvelle ville nécessite de nouvelles dépenses en capital, une approbation réglementaire et une infrastructure opérationnelle construite à partir de zéro. Cela limite la croissance de la flotte à un rythme à peu près linéaire, contraint par le capital et la logistique. Tesla, quant à elle, a déjà dépassé Waymo en termes de couverture totale de la zone de service — en utilisant une petite fraction du nombre de véhicules.
Le chemin de Tesla vers l'échelle est, à la base, une mise à jour logicielle. Une fois que le modèle atteint le niveau de performance requis pour une exploitation non supervisée dans des environnements variés, le déploiement signifie simplement l'envoi d'une mise à jour sans fil à chaque véhicule équipé d'un matériel FSD compatible. La croissance de la flotte à ce moment-là cesse d'être linéaire — elle pourrait augmenter de millions de véhicules en un seul cycle de mise à jour.
Ces millions de véhicules sont déjà sur la route, et ce, depuis des années. Chaque jour, ils ajoutent un million de miles supplémentaires au modèle même qui les fera fonctionner de manière autonome à terme.
Dernière réflexion
Les 20 Robotaxis d'Austin ne sont pas vraiment le cœur de l'histoire ici — ils sont la preuve de concept d'un système qui est entraîné, jour après jour, par des millions de voitures que la plupart de leurs propriétaires considèrent simplement comme leur trajet quotidien. Lorsque le modèle sera enfin prêt, la flotte ne grandira pas d'une voiture à la fois. Elle grandira du nombre de propriétaires de Tesla qui choisiront de participer, tous le même jour où une mise à jour sera publiée.