La France teste désormais le Full Self-Driving de Tesla. Alors que le constructeur cherche à obtenir l’autorisation de déployer plus largement son système de conduite assistée en Europe, une autre question mérite d’être posée au-delà de la sécurité routière : que devient la masse de données produites par une voiture capable de voir, comprendre et apprendre de son environnement ?
Pour les DPO, le sujet est loin d’être anecdotique.
Le Full Self-Driving (FSD) de Tesla, ou le Drive Pilot de Mercedes, voir le Personal Pilot L3 de BMW, se situent à la croisée de plusieurs domaines : intelligence artificielle, véhicules connectés, traitement massif de données, géolocalisation et systèmes de transport intelligents.
Et derrière la promesse de voitures capables de gérer de plus en plus de situations de conduite se trouve une question essentielle :
Jusqu’où peut-on faire apprendre une voiture sans transformer les routes en gigantesque système de collecte de données personnelles ?
La conduite autonome, un système de transport intelligent
Les systèmes de transport intelligents — ou STI — désignent les technologies qui utilisent les données, les communications, les capteurs, les logiciels et l’intelligence artificielle pour améliorer la gestion et l’utilisation des transports.
Le FSD de Tesla s’inscrit naturellement dans cette logique.
Le système combine notamment :
- des caméras et capteurs embarqués ;
- des algorithmes d’intelligence artificielle ;
- de la vision par ordinateur ;
- des données cartographiques et de navigation ;
- des informations relatives à l’environnement routier ;
- des données issues de l’utilisation des véhicules ;
- et, selon les fonctionnalités et paramètres activés, des données pouvant être transmises aux systèmes de Tesla.
Tesla explique notamment utiliser des données de conduite anonymisées issues de sa flotte pour entraîner son système FSD. Le constructeur affiche aujourd’hui plus de 14 milliards de miles parcourus dans le monde et indique que le FSD est déjà autorisé sur plusieurs marchés, sous réserve des approbations réglementaires locales.
La logique est celle du Fleet Learning : plus le système rencontre de situations, plus les données susceptibles d’alimenter son amélioration sont nombreuses.
C’est précisément là que le RGPD entre en scène.
Une voiture qui « voit » n’est pas neutre au regard du RGPD
Une voiture autonome ou fortement automatisée ne voit pas uniquement la route.
Ses caméras peuvent être confrontées à des :
- piétons ;
- cyclistes ;
- conducteurs ;
- plaques d’immatriculation ;
- façades et habitations ;
- véhicules stationnés ;
- lieux de travail ;
- commerces ;
- infrastructures publiques.
Certaines de ces informations peuvent constituer des données à caractère personnel, directement ou lorsqu’elles peuvent être combinées avec d’autres informations.
Le sujet n’est donc pas simplement :
« Tesla collecte-t-elle des images ? »
La véritable question est :
« Pour quelle finalité ces images sont-elles collectées, qui peut y accéder, combien de temps sont-elles conservées et que devient l’information permettant potentiellement d’identifier une personne ? »
C’est une problématique classique du RGPD appliquée à un environnement technologique qui, lui, ne l’est pas.
1. Le premier enjeu : les personnes filmées sans le savoir
Le véhicule peut circuler dans l’espace public et rencontrer en permanence des personnes qui ne sont ni conductrices ni clientes de Tesla.
Un piéton n’a évidemment pas choisi d’être filmé par une voiture passant devant lui.
Cela ne signifie pas pour autant que tout enregistrement est automatiquement interdit ou qu’un consentement individuel doit être obtenu.
Le RGPD repose sur une logique différente : base légale, finalité déterminée, minimisation, proportionnalité, information lorsque celle-ci est requise et limitation de la conservation.
La question devient donc particulièrement sensible lorsque les images quittent le véhicule et sont utilisées pour d’autres finalités, par exemple pour :
- améliorer les algorithmes ;
- entraîner un modèle d’IA ;
- analyser des comportements routiers ;
- détecter des situations particulières ;
- effectuer des opérations de sécurité ;
- produire des statistiques ;
- ou développer de nouvelles fonctionnalités.
Plus la finalité s’éloigne de la simple assistance à la conduite, plus le DPO doit s’interroger sur la compatibilité de cette nouvelle utilisation avec la finalité initiale.
2. Le consentement n’est pas nécessairement la solution
C’est probablement l’un des points les plus intéressants pour les DPO.
On pourrait être tenté de dire :
« Il suffit de demander au conducteur s’il accepte que ses vidéos soient envoyées à Tesla. »
En réalité, le RGPD ne fonctionne pas aussi simplement.
Le responsable de traitement doit déterminer la base légale appropriée pour chaque traitement.
Le consentement peut constituer une base légale dans certaines situations, mais il n’est pas automatiquement requis pour toute collecte de données effectuée par un véhicule connecté.
Inversement, le fait qu’un utilisateur ait accepté certaines conditions ne signifie pas que toutes les utilisations ultérieures des données sont automatiquement légitimes.
Le raisonnement doit donc être beaucoup plus fin :
- Quelle donnée ?
- Pour quelle finalité ?
- Avec quelle base légale ?
- Pendant combien de temps ?
- Pour quels destinataires ?
- Dans quels pays ?
C’est exactement le type de cartographie qu’un DPO doit être capable de réaliser.
3. La géolocalisation : une donnée particulièrement révélatrice
Le véhicule connecté peut également produire une quantité considérable de données relatives aux déplacements.
Pris isolément, un trajet peut sembler banal.
Mais l’analyse de trajets répétés peut permettre de déduire :
- le domicile ;
- le lieu de travail ;
- les habitudes de déplacement ;
- les horaires ;
- les lieux régulièrement fréquentés ;
- certains centres d’intérêt ;
- voire, dans certaines situations, la fréquentation de lieux particulièrement sensibles.
La géolocalisation est donc susceptible de devenir une donnée extrêmement révélatrice de la vie privée.
Le principe de minimisation des données prend ici tout son sens.
La question du DPO ne devrait pas être uniquement :
« Peut-on techniquement collecter cette donnée ? »
Mais :
« Avons-nous réellement besoin de cette précision de localisation pour cette finalité ? »
Et si la réponse est non, il faut se demander si une donnée moins précise, agrégée ou davantage pseudonymisée pourrait suffire.
4. Le véritable sujet : que se passe-t-il après la collecte ?
C’est probablement le point le plus stratégique.
Le risque RGPD n’est pas nécessairement lié à la caméra elle-même.
Il réside dans la chaîne de traitement de la donnée.
Une donnée peut être :
captée → traitée dans le véhicule → transmise → stockée → analysée → utilisée pour entraîner une IA → conservée → partagée avec différents acteurs.
À chacune de ces étapes, le DPO doit pouvoir répondre à plusieurs questions.
Qui est responsable du traitement ?
- Tesla, Mercedes, BMW, Volkswagen, Audi, Porsche….. ?
- Un partenaire comme Mobileye… ?
- Un sous-traitant ? (Baidu, Zoox, Waymo…)
Où les données sont-elles traitées ?
- Dans le véhicule ?
- Dans un cloud….européen ?
- Hors de l’Union européenne ?
Qui peut y accéder ?
- Les ingénieurs ?
- Les équipes de sécurité ?
- Les équipes de développement de l’IA ?
- Des prestataires ?
Combien de temps sont-elles conservées ?
- Quelques secondes ?
- Quelques jours ?
- Plusieurs mois ?
Les données sont-elles réellement anonymisées ?
Ou simplement pseudonymisées ? Cette distinction est fondamentale.
Une donnée pseudonymisée reste une donnée personnelle au sens du RGPD lorsqu’elle peut être rattachée à une personne par des informations complémentaires.
5. Le « Fleet Learning » : le nouveau terrain de jeu des DPO
Le Fleet Learning pose une question particulièrement intéressante.
Lorsqu’un constructeur récupère des données provenant de milliers ou de millions de véhicules, il ne traite plus uniquement les données d’un conducteur.
Il construit progressivement une base d’apprentissage issue du monde réel.
Chaque véhicule devient alors potentiellement un capteur mobile.
- Un rond-point.
- Un passage piéton.
- Un cycliste.
- Un véhicule mal garé.
- Une situation dangereuse.
- Un comportement inattendu.
Toutes ces situations peuvent devenir des exemples permettant d’améliorer un système d’intelligence artificielle.
D’un point de vue technologique, c’est extrêmement puissant.
D’un point de vue RGPD, cela impose de se demander :
La donnée collectée pour faire fonctionner mon véhicule peut-elle être réutilisée pour entraîner une intelligence artificielle ?
Et surtout :
Cette nouvelle finalité était-elle prévisible, nécessaire et suffisamment encadrée ?
6. Le principe de privacy by design devient incontournable
Le cas du FSD illustre parfaitement l’intérêt de l’article 25 du RGPD relatif à la protection des données dès la conception et par défaut.
Le privacy by design ne devrait pas être ajouté après la conception du véhicule.
Il devrait être intégré dès la conception :
- du système de caméra ;
- du stockage ;
- des flux réseau ;
- des interfaces cloud ;
- des modèles d’IA ;
- des mécanismes d’accès ;
- des durées de conservation ;
- des procédures de suppression.
Par exemple, lorsqu’une donnée n’est pas nécessaire au serveur, pourquoi la transmettre ?
Lorsqu’une image peut être traitée localement dans le véhicule, pourquoi l’envoyer dans le cloud ?
Lorsqu’une information peut être transformée ou agrégée, pourquoi conserver sa granularité initiale ?
Le meilleur moyen de protéger une donnée reste souvent de ne pas la collecter ou de ne pas la transmettre.
7. Tesla commence à tester son FSD en France
Le sujet devient particulièrement concret.
En septembre 2026, la France a commencé des tests sur route du Full Self-Driving de Tesla afin d’évaluer son comportement et sa sécurité sur les routes françaises.
Ces tests interviennent alors que plusieurs pays européens ont déjà avancé sur l’autorisation du système. La Slovénie est notamment devenue en septembre le sixième pays européen à autoriser l’utilisation du FSD sur ses routes, tandis qu’un éventuel vote européen pourrait ouvrir la voie à un déploiement plus large.
Tesla organise également des expériences passager en France. À Lille, Paris-Est et Tours, par exemple, le constructeur propose en 2026 de faire découvrir le FSD dans des conditions réelles, tout en précisant que la fonctionnalité n’est pas encore disponible à l’achat en France. (99€ / mois)
Tesla indique par ailleurs avoir réalisé des essais sur des parcours européens, notamment à Paris, avec des conducteurs de sécurité. Son tableau de bord de démonstration fait état de plus de 230 000 scénarios testés dans six grandes villes européennes.
La France n’est donc plus seulement spectatrice.
Elle entre dans la phase d’évaluation grandeur nature.
Et cette phase pose une question qui dépasse largement la seule sécurité routière :
Quelles données sont produites pendant ces tests, quelles données sont nécessaires à leur réalisation et quelles données peuvent ensuite être utilisées pour entraîner les systèmes d’IA ?
Le FSD : un sujet pour les DPO, mais aussi pour les RSSI et les responsables IA
Le cas Tesla montre surtout que les frontières entre les métiers deviennent de plus en plus floues.
Le DPO doit naturellement s’intéresser :
- aux données personnelles ;
- aux bases légales ;
- aux finalités ;
- aux droits des personnes ;
- aux durées de conservation ;
- aux transferts internationaux ;
- aux sous-traitants ;
- aux AIPD lorsque les conditions sont réunies.
Mais il doit également travailler avec :
le RSSI, pour la sécurité des flux et des accès ;
les équipes IA, pour comprendre les mécanismes d’apprentissage ;
les équipes juridiques, pour qualifier les responsabilités ;
les équipes produit, pour intégrer le privacy by design ;
les équipes métier, pour déterminer les finalités réellement nécessaires.
Le véhicule intelligent devient ainsi un excellent exemple de ce que pourrait être demain une gouvernance réellement transversale de la donnée et de l’IA.
Et si la voiture devenait le prochain grand objet connecté à surveiller ?
Nous avons appris à nous méfier des smartphones, des assistants vocaux, des objets connectés et des applications.
Nous devrons probablement apprendre à regarder les voitures connectées avec la même attention.
Car un smartphone sait où nous sommes.
Une voiture connectée peut potentiellement savoir :
où nous allons / quand nous partons / où nous nous arrêtons / quelles routes nous empruntons et quelles situations nous rencontrons.
Et avec l’IA, elle peut progressivement apprendre à interpréter ce qu’elle voit.
Le débat sur le FSD ne devrait donc pas opposer simplement :
« voiture autonome » contre « sécurité routière ».
Il doit également intégrer une troisième dimension :
la gouvernance de la donnée.
La question centrale pour les DPO pourrait finalement être très simple :
Si ma voiture devient capable de voir et d’apprendre, qui contrôle réellement ce qu’elle voit et ce qu’elle apprend ?
C’est peut-être l’une des grandes questions de conformité des véhicules intelligents de demain.
À retenir pour les DPO
FSD + RGPD = un cas d’école de privacy by design.
Avant de valider un dispositif de véhicule connecté ou autonome, le DPO devrait notamment chercher à documenter :
- Les catégories exactes de données collectées
- Les finalités de chaque traitement
- La ou les bases légales
- Les traitements réalisés localement et ceux réalisés dans le cloud
- Les mécanismes d’anonymisation ou de pseudonymisation
- Les durées de conservation
- Les personnes et prestataires pouvant accéder aux données
- Les éventuels transferts hors UE
- Les modalités d’exercice des droits
- La nécessité éventuelle d’une AIPD
- Les mesures de sécurité associées
- La gouvernance des données utilisées pour entraîner les modèles d’IA
Le véhicule autonome n’est donc pas uniquement un sujet automobile.
C’est un sujet de donnée, d’intelligence artificielle, de cybersécurité, de réglementation et de protection de la vie privée.
Et avec l’arrivée progressive du FSD sur les routes européennes, les DPO ont tout intérêt à commencer à s’y intéresser dès maintenant.
Publication aidé par l’IA, documentation et mise en page
