Ashok ha señalado que Robotaxi mantiene un historial de seguridad impecable en las 380,000 millas no supervisadas recorridas hasta ahora. Sin embargo, muchos observadores siguen preocupados de que un accidente grave sea solo cuestión de tiempo.
Esa preocupación no es irracional. A medida que el servicio se expande y el kilometraje acumulado crece, los primeros incidentes graves se vuelven estadísticamente inevitables. La pregunta relevante no es si ocurrirán, sino cuándo y con qué gravedad.
En un análisis anterior, modelamos la trayectoria probable de kilometraje de Robotaxi utilizando la tasa de crecimiento semanal declarada por Ashok y la capacidad de producción instalada de Cybercab. Combinar esa proyección con los datos públicos de la NHTSA nos permite estimar la probabilidad de que Robotaxi se vea involucrado en accidentes de diferentes gravedades a lo largo del tiempo.
Una aclaración importante: las cifras que siguen son tasas de participación, no tasas de culpabilidad puras. Describen la probabilidad de que un Robotaxi esté presente en un accidente que produzca una lesión o muerte, independientemente de qué parte sea la principal responsable. Esto proporciona una base realista con la que se puede juzgar el rendimiento de seguridad futuro.
Parte 1 – La Línea de Base Humana: Seguridad Vial Hoy
Comenzamos con las estadísticas nacionales detalladas más recientes de la Administración Nacional de Seguridad del Tráfico en Carreteras (NHTSA).
En 2023, los vehículos de pasajeros representaron aproximadamente el 89% de todas las millas recorridas por vehículos en Estados Unidos. Para los ocupantes de estos vehículos, las tasas fueron:
En términos absolutos, esto corresponde a aproximadamente 24,000 muertes de ocupantes y 1.95 millones de lesiones reportadas por la policía en casi 2.9 billones de millas de vehículos de pasajeros.
Las lesiones reportadas por la policía se clasifican en la escala KABCO:
Para el resto de este análisis, adoptamos las tasas de "todos los vehículos de pasajeros" como la línea de base humana (0.83 muertes y 68 lesiones por cada 100 millones de millas). Luego asumimos que un sistema Robotaxi maduro será 10 veces más seguro que este promedio humano — un objetivo ambicioso pero comúnmente citado en la industria (y uno que Waymo también ha utilizado como referencia en sus propios informes de seguridad).
Esta suposición de 10 veces se convierte en la base de las proyecciones estadísticas que siguen.
Parte 2 – Por qué los Incidentes Siguen un Proceso de Poisson
Los accidentes de tráfico son eventos raros en relación con el enorme número de millas recorridas. Cuando los eventos son poco frecuentes, independientes y ocurren a una tasa media aproximadamente constante, el número de ocurrencias en una exposición dada (aquí, millas) se describe bien mediante una distribución de Poisson.
Bajo un proceso de Poisson, la probabilidad de observar exactamente k eventos después de M millas es:
donde λ es el número esperado de eventos por milla.
Estamos interesados principalmente en la probabilidad de experimentar al menos un evento. Eso es simplemente el complemento de la probabilidad de cero eventos:
Cómo obtener λ
A partir de los datos de la NHTSA en la Parte 1, ya conocemos el número promedio de millas entre eventos para vehículos de pasajeros conducidos por humanos. La tasa de eventos por milla es, por lo tanto, el recíproco:
Equivalentemente, si la tasa publicada se da por cada 100 millones de millas:
Para nuestra línea de base (todos los vehículos de pasajeros):
- Muerte: λ_humano = 0.83 / 10⁸ = 8.3 × 10⁻⁹ por milla
- Lesión (todas las gravedades): λ_humano = 68 / 10⁸ = 6.8 × 10⁻⁷ por milla
Debido a que asumimos que Robotaxi es 10 veces más seguro, simplemente dividimos estas tasas por 10:
Sustituyendo en la expresión anterior se obtiene la probabilidad de al menos un incidente después de cualquier kilometraje acumulado M:
Esta es la fórmula utilizada para todas las proyecciones en la siguiente sección.
Parte 3 – Cuándo los Primeros Incidentes se Vuelven Probables
Ahora podemos aplicar la fórmula de Poisson de la Parte 2 a las cuatro categorías de resultado de interés:
- Muerte (K)
- Lesión grave / incapacitante (A)
- Lesión menor / no incapacitante (B)
- Lesión posible (C)
Usando las tasas de línea de base humana de la Parte 1, escaladas por la suposición de seguridad de 10 veces, obtenemos una tasa de eventos λ separada para cada categoría. La primera vista grafica la probabilidad de al menos un evento contra las millas no supervisadas acumuladas de Robotaxi:
Del kilometraje al tiempo calendario
En nuestro artículo anterior, construimos un modelo prospectivo de millas no supervisadas semanales utilizando las tasas de crecimiento semanal de dos dígitos declaradas por Ashok, limitadas por la capacidad de producción de Cybercab de aproximadamente 2,400 vehículos por semana (la guía anual de 125k de Tesla) y una suposición de alta utilización de 200 millas por vehículo por día.
Tomando el caso de crecimiento del 14% como escenario central y acumulando las millas semanales limitadas se produce una trayectoria de kilometraje acumulado a lo largo del tiempo calendario. Sustituir ese kilometraje acumulado en la fórmula de Poisson da la probabilidad de cada tipo de incidente en función del tiempo:
Bajo esta trayectoria, los umbrales de probabilidad del 50% se alcanzan aproximadamente de la siguiente manera:
Kilometraje acumulado actual de Waymo
A modo de escala, hemos marcado las millas completamente autónomas acumuladas aproximadas de Waymo en el gráfico de kilometraje.
El panel de Impacto de Seguridad oficial de Waymo reporta 220.6 millones de millas solo de pasajeros hasta marzo de 2026. A un ritmo reciente de aproximadamente 4 millones de millas solo de pasajeros por semana, la extrapolación a mediados/finales de 2026 arroja aproximadamente 280–300 millones de millas pagadas. Teniendo en cuenta las millas vacías de reposicionamiento y preparación, duplicamos conservadoramente esa cifra para llegar a una estimación de ~600 millones de millas autónomas totales.
Historial real de Waymo
Los informes públicos de SGO/NHTSA sobre incidentes de Waymo, mapeados en la escala KABCO, dan la siguiente imagen aproximada:
Observaciones clave:
- La gran mayoría de los casos de lesiones reportados caen en las categorías de menor gravedad (C y B).
- La propia investigación de seguridad de Waymo trata solo los casos confirmados reportados por la policía A o K como "lesión grave o peor".
- En más de 220 millones de millas solo de pasajeros, Waymo reporta aproximadamente un 94% menos de accidentes con lesiones graves o peores y un ~82% menos de accidentes con lesiones de cualquier gravedad que el punto de referencia humano en las mismas áreas de operación.
- Estas comparaciones se hacen independientemente de la culpa. En el pequeño número de incidentes graves (A) y fatales (K), la información pública disponible indica que el vehículo Waymo generalmente no era la parte principal culpable.
Este historial real ilustra la distinción que también es importante para Robotaxi: a una escala suficiente, la participación en accidentes se vuelve estadísticamente inevitable. La pregunta decisiva es si el sistema tiene la culpa con menos frecuencia — y produce menos resultados graves — que los conductores humanos que recorren las mismas millas. El marco de Poisson desarrollado aquí simplemente calibra cuándo se puede esperar que Tesla Robotaxi, bajo una suposición de seguridad de 10 veces, comience a encontrar las mismas categorías de eventos.
Como muestra el gráfico de kilometraje acumulado, una vez que una flota autónoma alcanza varios cientos de millones de millas, la participación en incidentes graves e incluso fatales se vuelve estadísticamente inevitable, incluso bajo una suposición de seguridad de 10 veces. Por lo tanto, el historial de Waymo es consistente con lo que predice el modelo de Poisson a esa escala: la pregunta relevante ya no es si ocurren tales eventos, sino con qué frecuencia el sistema tiene la culpa y cómo se compara su perfil de gravedad con el de los conductores humanos.
Conclusión
Hemos modelado la probabilidad de que Robotaxi se vea involucrado en accidentes de diferentes gravedades, asumiendo que el sistema finalmente logra una mejora de seguridad de 10 veces con respecto al vehículo de pasajeros promedio conducido por humanos. Combinar esa suposición con la trayectoria de kilometraje desarrollada en nuestro análisis anterior produce expectativas cuantitativas claras: las lesiones de menor gravedad se vuelven probables en la primera mitad de 2027, las lesiones graves más tarde ese año, y una muerte hacia finales de 2027 bajo el caso de crecimiento central.
El historial real de Waymo es consistente con lo que el mismo modelo predice a varios cientos de millones de millas acumuladas. Incluso un sistema que es sustancialmente más seguro que los conductores humanos, a una escala suficiente, se verá involucrado en accidentes graves y fatales. Las estadísticas hacen que esto sea inevitable.
Dos distinciones siguen siendo esenciales. Primero, estas proyecciones se refieren a la participación, no a la culpa. Segundo, la primera muerte con culpa también es estadísticamente inevitable eventualmente; la única variable abierta es cuándo ocurre en relación con la experiencia vivida del público con la tecnología.
Este es el desafío estratégico central para Tesla. La primera muerte con culpa debe llegar lo suficientemente tarde como para que un gran número de personas ya hayan usado Robotaxi, confíen en su rendimiento habitual y comprendan su seguridad en relación con la conducción humana. La analogía es la aviación comercial. Los aviones modernos todavía matan personas, pero la tasa de mortalidad es del orden de 0.01 muertes por cada 100 millones de millas de pasajeros — aproximadamente un orden de magnitud más baja que incluso un Robotaxi 10 veces más seguro (≈ 0.08 muertes por cada 100 millones de millas). La sociedad acepta el riesgo residual de la aviación porque el beneficio es grande y la seguridad relativa está bien establecida. Robotaxi necesitará la misma base de rendimiento demostrado a gran escala para cuando ocurra la primera muerte claramente con culpa.
Ese es el umbral que Tesla debe cruzar.
