FSD : Tesla remplace “Other” par “Navigation” dans le menu d’intervention pour mieux entraîner son IA

Un bouton. Un simple renommage dans un menu que la plupart des conducteurs FSD consultent à peine. Et pourtant, ce petit changement glissé dans la mise à jour 2026.2.9.9 / FSD v14.3.2 en dit beaucoup plus long qu’il n’y paraît sur la stratégie de Tesla.

C’est le compte @wholemars sur X qui l’a repéré le 28 avril 2026 — comme souvent, c’est lui qui a l’œil pour attraper ce que Tesla glisse discrètement dans ses mises à jour sans tambour ni trompette.

La thèse que je veux défendre ici : un simple renommage de bouton peut révéler où Tesla concentre ses efforts d’amélioration du FSD. Et dans ce cas précis, le message est clair.

Qu’est-ce que le menu d’intervention FSD et pourquoi il compte

Quand tu reprends la main sur le volant ou les pédales pendant que le FSD est actif, Tesla ne se contente pas d’enregistrer l’événement. Depuis la v14.3.2, le système te propose de qualifier ton intervention en choisissant parmi quatre catégories :

• Preference — tu aurais fait autrement, mais ce n’était pas un problème
• Comfort — la manœuvre t’a mis mal à l’aise
• Critical — tu as dû intervenir pour éviter un danger réel
• Other — tout ce qui ne rentrait pas dans les cases précédentes

Cette granularité, c’est bien plus qu’une interface soignée. C’est de la matière première pour l’entraînement des réseaux de neurones de Tesla.

Un log binaire “intervention / pas d’intervention” ne dit pas grand-chose à un modèle d’IA. En revanche, un signal qualifié — “j’ai repris la main parce que la manœuvre était dangereuse” vs “j’ai repris parce que le chemin proposé était sous-optimal” — change tout pour l’apprentissage.

“Other” disparaît : ce que change concrètement l’option “Navigation”

Dans la version 2026.2.9.9, Tesla remplace donc “Other” par “Navigation”. Concrètement, tu sélectionnes désormais cette option quand tu reprends la main à cause d’une erreur liée au guidage, pas à la conduite elle-même.

Les exemples que tu connais sûrement si tu utilises le FSD au quotidien :

• Une limite de vitesse incorrecte affichée et respectée par le FSD
• Une route sous-optimale choisie alors qu’un itinéraire bien plus logique existait
• L’entrée arrière d’un bâtiment proposée à la place de l’entrée principale
• Un POI mal géolocalisé qui envoie la voiture au mauvais endroit

Ce sont des erreurs frustrantes, mais qui n’ont rien à voir avec la capacité du FSD à percevoir son environnement ou à éviter un obstacle. Et c’est précisément là que le bât blessait.

Ce que “Other” engloutissait (et pourquoi c’était problématique)

“Other” était une catégorie fourre-tout. Elle mélangeait des erreurs de navigation, des comportements non catégorisables, des préférences trop spécifiques pour entrer dans les cases existantes — bref, un sac à tout mettre.

En data science, le bruit dans les labels est l’un des problèmes les plus coûteux à corriger en aval. Un mauvais tag envoyé aujourd’hui, c’est un modèle qui apprend de travers demain — et des milliers de copies du même problème multipliées sur toute la flotte.

Tesla préférait visiblement affiner sa taxonomie maintenant plutôt que de laisser s’accumuler des données mal classifiées dans ce tiroir fourre-tout.

Pourquoi la navigation est le talon d’Achille reconnu du FSD

Si tu suis la communauté FSD, les problèmes de navigation signalés sur les versions précédentes du FSD reviennent comme un leitmotiv : données cartographiques obsolètes, limites de vitesse “fantômes”, mauvaise gestion des points d’intérêt, corrections qui ne sont pas mémorisées d’une mise à jour à l’autre.

Le contraste est saisissant avec les progrès du FSD sur la perception et l’évitement d’obstacles — là, l’amélioration est visible et régulière. Mais la navigation, elle, patine.

Nuance importante : ces erreurs de navigation ne mettent généralement pas en danger la sécurité directement. Mais elles dégradent l’expérience et poussent les conducteurs à reprendre la main de façon répétée, inutilement.

Ce qui crée un cercle vicieux : plus les conducteurs interviennent pour des raisons de navigation, moins l’IA comprend pourquoi — jusqu’à aujourd’hui.

Des erreurs de navigation qui finissaient classées “Critical” à tort

TESLARATI a documenté un cas parlant : une manœuvre suggérée par le FSD était illégale — risque de verbalisation à la clé. Le conducteur l’avait logée en “Critical”.

Sauf que d’un point de vue sécurité pure, ce n’était pas un incident “Critical” au sens où Tesla l’entend. C’était une erreur de navigation avec conséquence légale — ce n’est pas la même chose qu’un risque de collision.

Ce type de mauvais classement génère du bruit dans les données d’entraînement : l’IA reçoit un signal “danger critique” là où le vrai message devrait être “tu m’as mal guidé”. Avec la catégorie “Navigation”, ce cas trouve enfin son bon tiroir.

Ce que ce petit changement révèle de la stratégie data de Tesla

Derrière ce renommage, il y a une logique bien connue en apprentissage automatique : le reinforcement learning from human feedback (RLHF) appliqué à grande échelle.

Tesla dispose de les milliards de miles FSD accumulés qui alimentent l’entraînement des modèles — un volume de données que nul concurrent ne peut égaler. Mais des signaux mal étiquetés valent moins que des signaux rares mais propres. C’est exactement la logique derrière ce renommage.

Ce qui est intéressant aussi, c’est la façon dont Tesla procède : sans annonce, sans communication marketing. C’est le signe d’une démarche d’ingénierie data itérative, pas d’un coup de com’.

Et le fait que Tesla isole désormais la navigation comme catégorie à part entière suggère que l’entreprise considère ce domaine comme un chantier d’amélioration prioritaire et distinct. C’est en soi une information stratégique sur la roadmap du FSD.

Comme le soulignent les experts consultés sur le fonctionnement des véhicules autonomes, l’autonomie complète et non supervisée passera autant par la qualité des données que par la puissance brute des modèles. Et chaque mise à jour du FSD affine progressivement le comportement du système — parfois via de grandes avancées visibles, parfois via de petits ajustements comme celui-ci, qui travaillent en profondeur.

Ce que ça change pour toi en tant que conducteur FSD : chaque fois que tu qualifies ton intervention avec soin, tu n’es pas juste en train de fermer une pop-up. Tu es, qu’on le veuille ou non, un contributeur actif à l’entraînement de l’IA de Tesla. Autant le faire bien.