Ashok a noté que Robotaxi maintient un bilan de sécurité impeccable sur les 380 000 miles parcourus sans supervision à ce jour. Pourtant, de nombreux observateurs restent préoccupés par le fait qu'un accident grave n'est qu'une question de temps.
Cette inquiétude n'est pas irrationnelle. À mesure que le service se développe et que le kilométrage cumulé augmente, les premiers incidents majeurs deviennent statistiquement inévitables. La question pertinente n'est pas de savoir s'ils se produiront, mais quand et avec quelle gravité.
Dans une analyse précédente, nous avons modélisé la trajectoire probable du kilométrage de Robotaxi en utilisant le taux de croissance hebdomadaire déclaré par Ashok et la capacité de production installée des Cybercab. En combinant cette projection avec les données publiques de la NHTSA, nous pouvons estimer la probabilité d'implication de Robotaxi dans des accidents de différentes gravités au fil du temps.
Une précision importante : les chiffres qui suivent sont des taux d'implication, et non des taux de responsabilité purs. Ils décrivent la probabilité qu'un Robotaxi soit présent dans un accident entraînant une blessure ou un décès, quelle que soit la partie principalement responsable. Cela fournit une base de référence réaliste pour juger des performances futures en matière de sécurité.
Partie 1 – La référence humaine : la sécurité routière aujourd'hui
Nous commençons par les statistiques nationales les plus récentes et détaillées de la National Highway Traffic Safety Administration (NHTSA).
En 2023, les véhicules de tourisme représentaient environ 89 % de tous les miles parcourus aux États-Unis. Pour les occupants de ces véhicules, les taux étaient les suivants :
En termes absolus, cela correspond à environ 24 000 décès d'occupants et 1,95 million de blessures signalées à la police sur près de 2 900 milliards de miles parcourus en véhicule de tourisme.
Les blessures signalées à la police sont classées selon l'échelle KABCO :
Pour la suite de cette analyse, nous adoptons les taux « tous véhicules de tourisme » comme référence humaine (0,83 décès et 68 blessures pour 100 millions de miles). Nous supposons ensuite qu'un système Robotaxi mature sera 10 fois plus sûr que cette moyenne humaine — un objectif ambitieux mais couramment cité dans l'industrie (et que Waymo a également utilisé comme référence dans ses propres rapports de sécurité).
Cette hypothèse de 10× devient le fondement des projections statistiques qui suivent.
Partie 2 – Pourquoi les incidents suivent un processus de Poisson
Les accidents de la route sont des événements rares par rapport à l'énorme nombre de miles parcourus. Lorsque les événements sont peu fréquents, indépendants et se produisent à un taux moyen à peu près constant, le nombre d'occurrences pour une exposition donnée (ici, les miles) est bien décrit par une distribution de Poisson.
Dans un processus de Poisson, la probabilité d'observer exactement k événements après M miles est :
où λ est le nombre attendu d'événements par mile.
Nous nous intéressons principalement à la probabilité de vivre au moins un événement. C'est simplement le complément de la probabilité de zéro événement :
Comment obtenir λ
À partir des données de la NHTSA dans la partie 1, nous connaissons déjà le nombre moyen de miles entre les événements pour les véhicules de tourisme conduits par des humains. Le taux d'événements par mile est donc l'inverse :
De manière équivalente, si le taux publié est donné pour 100 millions de miles :
Pour notre référence (tous les véhicules de tourisme) :
- Décès : λ_humain = 0,83 / 10⁸ = 8,3 × 10⁻⁹ par mile
- Blessure (toutes gravités) : λ_humain = 68 / 10⁸ = 6,8 × 10⁻⁷ par mile
Parce que nous supposons que Robotaxi est 10 fois plus sûr, nous divisons simplement ces taux par 10 :
En substituant dans l'expression précédente, nous obtenons la probabilité d'au moins un incident après un kilométrage cumulé M :
C'est la formule utilisée pour toutes les projections de la section suivante.
Partie 3 – Quand les premiers incidents deviennent probables
Nous pouvons maintenant appliquer la formule de Poisson de la partie 2 aux quatre catégories de résultats qui nous intéressent :
- Décès (K)
- Blessure grave / incapacitante (A)
- Blessure mineure / non incapacitante (B)
- Blessure possible (C)
En utilisant les taux de référence humains de la partie 1, ajustés par l'hypothèse de sécurité 10×, nous obtenons un taux d'événement λ distinct pour chaque catégorie. Le premier graphique trace la probabilité d'au moins un événement en fonction des miles Robotaxi cumulés sans supervision :
Du kilométrage au temps calendaire
Dans notre article précédent, nous avons construit un modèle prospectif des miles hebdomadaires sans supervision en utilisant les taux de croissance hebdomadaires à deux chiffres déclarés par Ashok, limités par la capacité de production de Cybercab d'environ 2 400 véhicules par semaine (prévision annuelle de Tesla de 125k) et une hypothèse d'utilisation élevée de 200 miles par véhicule et par jour.
En prenant le cas de croissance de 14 % comme scénario central et en accumulant les miles hebdomadaires plafonnés, on obtient une trajectoire de kilométrage cumulé au fil du temps calendaire. En substituant ce kilométrage cumulé dans la formule de Poisson, on obtient la probabilité de chaque type d'incident en fonction du temps :
Selon cette trajectoire, les seuils de probabilité de 50 % sont atteints approximativement comme suit :
Le kilométrage cumulé actuel de Waymo
Pour donner une échelle, nous avons indiqué sur le graphique du kilométrage le nombre approximatif de miles entièrement sans conducteur cumulés par Waymo.
Le tableau de bord officiel de l'impact sur la sécurité de Waymo fait état de 220,6 millions de miles réservés uniquement par les passagers jusqu'en mars 2026. À un rythme récent d'environ 4 millions de miles réservés uniquement par les passagers par semaine, l'extrapolation à la mi/fin 2026 donne environ 280 à 300 millions de miles payants. En tenant compte des miles de repositionnement et de mise en scène à vide, nous doublons ce chiffre de manière prudente pour arriver à une estimation d'environ 600 millions de miles autonomes totaux.
Le bilan réel de Waymo
Les rapports publics SGO / NHTSA sur les incidents de Waymo, cartographiés sur l'échelle KABCO, donnent l'image approximative suivante :
Observations clés :
- La grande majorité des cas de blessures signalés se situent dans les catégories de gravité inférieure (C et B).
- Les propres recherches de Waymo en matière de sécurité ne traitent que les cas confirmés de A ou K signalés à la police comme « blessure grave ou pire ».
- Sur plus de 220 millions de miles réservés uniquement par les passagers, Waymo signale environ 94 % d'accidents avec blessure grave ou pire en moins et environ 82 % d'accidents avec blessure de toute gravité en moins par rapport à la référence humaine dans les mêmes zones d'exploitation.
- Ces comparaisons sont faites indépendamment de la responsabilité. Dans les quelques incidents graves (A) et mortels (K), les informations publiques disponibles indiquent que le véhicule Waymo n'était généralement pas la partie principalement responsable.
Ce bilan réel illustre la distinction qui importe également pour Robotaxi : à une échelle suffisante, l'implication dans des accidents devient statistiquement inévitable. La question décisive est de savoir si le système est moins souvent en faute — et produit moins de résultats graves — que les conducteurs humains parcourant les mêmes miles. Le cadre de Poisson développé ici permet simplement de calibrer quand Tesla Robotaxi, selon une hypothèse de sécurité 10×, peut commencer à rencontrer les mêmes catégories d'événements.
Comme le montre le graphique du kilométrage cumulé, une fois qu'une flotte sans conducteur atteint plusieurs centaines de millions de miles, l'implication dans des incidents graves, voire mortels, devient statistiquement inévitable — même avec une hypothèse de sécurité 10×. Le bilan de Waymo est donc cohérent avec ce que le modèle de Poisson prédit à cette échelle : la question pertinente n'est plus de savoir si de tels événements se produisent, mais à quelle fréquence le système est en faute et comment son profil de gravité se compare à celui des conducteurs humains.
Conclusion
Nous avons modélisé la probabilité d'implication de Robotaxi dans des accidents de différentes gravités, en supposant que le système atteigne finalement une amélioration de la sécurité de 10× par rapport au véhicule de tourisme moyen conduit par un humain. En combinant cette hypothèse avec la trajectoire kilométrique développée dans notre analyse précédente, nous obtenons des attentes quantitatives claires : les blessures de faible gravité deviennent probables au premier semestre 2027, les blessures graves plus tard dans l'année, et un décès vers la fin 2027 dans le scénario de croissance central.
Le bilan réel de Waymo est cohérent avec ce que le même modèle prédit à plusieurs centaines de millions de miles cumulés. Même un système nettement plus sûr que les conducteurs humains sera, à une échelle suffisante, impliqué dans des accidents graves et mortels. Les statistiques rendent cela inévitable.
Deux distinctions restent essentielles. Premièrement, ces projections concernent l'implication, et non la faute. Deuxièmement, le premier décès imputable est également statistiquement inévitable à terme ; la seule variable ouverte est le moment où il se produit par rapport à l'expérience vécue du public avec la technologie.
C'est le défi stratégique central pour Tesla. Le premier décès imputable doit arriver assez tard pour qu'un grand nombre de personnes aient déjà utilisé Robotaxi, aient confiance dans ses performances ordinaires et comprennent sa sécurité par rapport à la conduite humaine. L'analogie est l'aviation commerciale. Les avions de ligne modernes tuent encore des gens, mais le taux de mortalité est de l'ordre de 0,01 décès pour 100 millions de miles-passagers — soit environ un ordre de grandeur inférieur à celui d'un Robotaxi même 10× plus sûr (≈ 0,08 décès pour 100 millions de miles). La société accepte le risque résiduel de l'aviation parce que l'avantage est important et que la sécurité relative est bien établie. Robotaxi aura besoin de la même base de performances démontrées à grande échelle au moment où le premier décès clairement imputable se produira.
C'est le seuil que Tesla doit franchir.
