top of page

Robotaxis : la réalité rattrape l’intelligence artificielle

il y a 8 heures
7 min de lecture

Les robotaxis ont longtemps été présentés comme l’aboutissement naturel de l’intelligence artificielle appliquée à l’automobile : une voiture capable de lire la route, d’anticiper les mouvements et de conduire sans intervention humaine. Mais l’industrie entre dans une phase plus exigeante. Il ne suffit plus de démontrer qu’un véhicule sait circuler dans un environnement connu. Il doit prouver qu’il sait réagir lorsque la route change brutalement de visage.

En Californie, la restriction imposée à Waymo sur les autoroutes remet cette question au premier plan. La décision ne signe pas l’arrêt des robotaxis. Elle rappelle cependant qu’entre une performance convaincante sur des milliers de trajets et une fiabilité acceptable dans toutes les situations prévues, il existe encore un espace que ni les algorithmes ni les démonstrations commerciales ne peuvent escamoter.

Robotaxi Waymo Ojai circulant sur Mission Street à San Francisco, photographié par Daniel Lu le 23 juillet 2026.

Photo : Daniel Lu (dllu) / Wikimedia Commons, photographie du 23 juillet 2026, publiée sous licence CC BY-SA 4.0.


Une décision locale, un effet immédiat sur l’offre


Le 5 novembre 2026, trois véhicules Waymo sont entrés dans une zone de chantier active sur l’US 101, près de Burlingame. Le lendemain, un autre véhicule a tenté de contourner un dispositif de ralentissement organisé par la California Highway Patrol sur l’Interstate 280, à San Francisco. Le département californien des véhicules motorisés a considéré ces événements comme la répétition d’incursions dans des zones de travaux, malgré des mesures correctives prises après des incidents similaires en mai. Son ordre, effectif le 11 novembre et rendu public le 17, interdit à Waymo de tester ou d’exploiter ses véhicules sans conducteur sur les autoroutes de l’État. Le régulateur a invoqué un risque immédiat pour la sécurité publique.

Waymo affirme que les épisodes récents n’ont provoqué ni collision ni blessure. L’entreprise a suspendu les trajets commerciaux sur autoroute dans tous les marchés où elle les proposait, notamment dans la baie de San Francisco, à Los Angeles, Phoenix, Miami et Austin. Les essais sur autoroute avec des spécialistes autonomes formés au volant se poursuivent, tandis que les courses sur les rues ordinaires restent disponibles. La nuance compte : il ne s’agit ni d’un arrêt général de Waymo ni d’une interdiction de tous les robotaxis, mais d’une restriction ciblée sur la conduite sans conducteur sur les autoroutes californiennes.

Cette décision locale a pourtant une portée plus large. Une entreprise peut adapter ses opérations dans plusieurs villes lorsque le même système logiciel, les mêmes procédures de validation et la même doctrine de sécurité sont en jeu. Le risque réglementaire devient donc aussi un risque industriel : une fonction annoncée comme un progrès commercial peut être suspendue avant d’avoir atteint le niveau de maturité attendu.


Le niveau 4 n’est pas la conduite universelle


Pour comprendre le débat, il faut distinguer autonomie avancée et autonomie universelle. La NHTSA décrit le niveau 4 comme un système qui assume l’ensemble de la conduite dans des zones de service limitées, sans exiger que le passager reprenne le volant. Le niveau 5, lui, vise la conduite automatisée dans toutes les conditions et sur toutes les routes. Un service de robotaxi peut donc être entièrement sans conducteur tout en restant strictement circonscrit à un territoire, à des routes et à des conditions précises.

Cette distinction n’est pas un détail de terminologie. Elle définit le domaine opérationnel dans lequel le constructeur estime que son système peut fonctionner. Une autoroute connue, cartographiée et ouverte ne présente pas les mêmes contraintes qu’une voie temporairement fermée, où la signalisation change, les marquages se superposent et les humains imposent parfois une priorité par gestes. L’autonomie doit rester capable de reconnaître quand la scène sort de son cadre prévu.


Le vrai problème n’est pas le cône, c’est le contexte


Une zone de chantier concentre précisément ce que les modèles ont le plus de mal à généraliser : une géométrie qui change, des cônes déplacés, des panneaux temporaires, des ouvriers proches de la chaussée, des véhicules de secours et des consignes manuelles. Le problème n’est pas seulement de détecter un objet. Il faut comprendre qu’une voie habituellement ouverte peut être neutralisée, qu’un agent peut donner une instruction prioritaire et qu’un itinéraire calculé quelques secondes plus tôt n’est plus sûr.

À vitesse autoroutière, une erreur d’interprétation laisse moins de temps pour corriger la trajectoire. Le véhicule doit parfois accepter de ralentir fortement, de s’arrêter ou de demander une intervention distante, plutôt que de préserver la fluidité du trajet. La sécurité se mesure aussi à la qualité de cette décision conservatrice. Une machine réellement autonome n’est pas celle qui avance toujours, mais celle qui sait renoncer lorsque son niveau de confiance devient insuffisant.


Des statistiques encourageantes, mais une exigence de preuve


Le tableau ne doit pourtant pas être caricatural. Waymo a publié en septembre une analyse portant sur plus de 270 millions de miles autonomes parcourus jusqu’à fin juin 2026 dans cinq grandes zones américaines. Selon ses propres calculs, son système aurait été impliqué dans 82 % de collisions avec blessure en moins que les conducteurs humains et dans 95 % de collisions graves ou mortelles en moins. Ces chiffres proviennent de la méthodologie de l’entreprise et doivent être lus comme tels. Ils montrent néanmoins que le débat ne se résume pas à une opposition entre humains compétents et machines défaillantes.

Le contrôle réglementaire reste indispensable. Le 6 novembre, la NHTSA a ouvert une nouvelle procédure visant à évaluer l’efficacité d’une correction logicielle liée au comportement de véhicules Waymo face aux autobus scolaires arrêtés. Le dossier concerne 2 895 systèmes de cinquième génération et relève que la majorité des signalements identifiés sont postérieurs à la mise à jour de novembre 2025. Il s’agit d’une enquête sur l’efficacité du correctif, pas d’une conclusion définitive sur la responsabilité de l’entreprise. Mais elle rappelle qu’une mise à jour logicielle n’efface pas automatiquement un risque.


La Chine accélère sur la simulation du monde réel


En Chine, Baidu développe une autre réponse au même défi. Présenté le 3 novembre lors de l’Apollo AI Day à Shenzhen, Apollo World est un modèle du monde multimodal piloté par des agents, conçu pour reproduire des environnements de conduite dans lesquels véhicules, piétons et autres acteurs réagissent aux décisions du robotaxi. Baidu indique que le système sert déjà à l’entraînement et à la validation internationale d’Apollo Go.

Le groupe revendique pour sa plateforme Apollo Go une présence dans 28 villes, plus de 23 millions de trajets et 350 millions de kilomètres autonomes, dont plus de 240 millions sans conducteur. Ces volumes sont des chiffres communiqués par l’entreprise, et non un audit indépendant. L’intérêt de cette annonce réside surtout dans la méthode : au lieu de rejouer uniquement des scènes enregistrées, le modèle cherche à faire réagir les autres agents à chaque décision du véhicule.

Un freinage, un changement de voie ou un arrêt imprévu peut ainsi modifier le comportement des véhicules et des piétons virtuels. L’intérêt est de répéter des situations rares, de faire varier les paramètres et d’éprouver les réactions avant une exposition sur route. Le modèle n’est utile que si le monde virtuel respecte suffisamment les lois physiques et les comportements humains.


La simulation ne remplace pas la route


La simulation n’abolit pourtant pas l’écart entre laboratoire et circulation réelle. Les données d’entraînement reflètent toujours des choix de collecte, des hypothèses et des scénarios connus. Une scène virtuelle peut être visuellement convaincante sans reproduire la bonne dynamique d’un chantier, la nervosité d’un conducteur ou l’ambiguïté d’un geste policier. Le risque serait alors de mesurer la performance sur un monde que le système sait déjà lire.

Les programmes les plus solides combinent donc plusieurs niveaux de preuve : simulation fermée, essais sur piste, tests sur routes ouvertes avec conducteur de sécurité, validation indépendante, puis déploiement progressif dans un domaine opérationnel clairement défini. La publication des incidents, la conservation des données et la possibilité pour les régulateurs de vérifier les correctifs sont aussi importantes que le nombre de kilomètres parcourus. L’apprentissage automatique progresse par itération, mais la responsabilité de l’exploitant demeure entière.


Une nouvelle équation économique pour la mobilité premium


Pour l’économie des robotaxis, l’autoroute n’est pas une simple option technique. Elle rend possibles des liaisons plus rapides entre centres urbains, quartiers périphériques et aéroports. Sans elle, le service peut rester utile sur les rues ordinaires, mais certaines promesses de gain de temps et de continuité deviennent plus difficiles à tenir. Les flottes doivent alors arbitrer entre des trajets plus longs, une zone de service plus réduite et une expérience moins prévisible.

Le marché premium sera particulièrement attentif à cette cohérence. Un client ne paie pas pour admirer un capteur lidar ou une démonstration d’intelligence artificielle. Il attend une prise en charge fiable, un trajet fluide, de la confidentialité et une arrivée à l’heure. La transformation automobile passe aussi par l’électrification et le design, comme le montrent notre analyse de la Ferrari Luce et notre dossier consacré à la petite voiture électrique Kate. L’autonomie ne sera convaincante que lorsqu’elle s’intégrera à cette promesse sans la fragiliser.


L’intelligence artificielle physique dépasse l’automobile


Cette logique dépasse également la voiture. Les projets de robotique mobile, comme le concept Kawasaki CORLEO que nous avons présenté, posent une question voisine : comment faire évoluer une machine autonome dans un environnement physique où les règles changent sans prévenir ? Le défi commun est celui d’une intelligence capable de percevoir, d’agir, de corriger et de reconnaître ses limites.


Ce qu’il faudra prouver avant de relancer


Avant toute reprise, les autorités demanderont des preuves ciblées : détection fiable des chantiers, compréhension des déviations temporaires, réponse aux véhicules d’urgence et respect des consignes des agents. Waymo devra démontrer que les correctifs sont efficaces dans des situations variées, pas seulement sur les scénarios qui ont déclenché la restriction. Le régulateur devra, de son côté, expliquer les critères de levée de l’interdiction afin que la sécurité ne se confonde pas avec une décision arbitraire.

À terme, la confiance se construira par la transparence et la répétabilité. Les opérateurs devront documenter leurs limites, signaler les incidents, montrer comment ils corrigent les défaillances et accepter que certaines routes ou conditions restent hors périmètre. L’autonomie de niveau 4 n’a pas besoin de prétendre fonctionner partout. Elle doit être excellente là où elle s’engage, et prudente dès qu’elle s’en éloigne.


La prochaine démonstration sera celle de la prudence


Le prochain grand progrès des robotaxis ne sera peut-être pas une nouvelle ville conquise ni un million de kilomètres supplémentaires. Ce sera la capacité à reconnaître l’imprévu avant qu’il ne devienne un danger. Dans l’automobile autonome, la sophistication se mesure désormais moins à la vitesse de décision qu’à la justesse du moment où la machine choisit de ne pas avancer.

bottom of page