Uber mise sur AV Labs pour devenir la couche de données indispensable aux véhicules autonomes. Une ambition révélée le 30 avril 2026 qui redéfinit le rôle de la plateforme dans la course aux robotaxis.
Du renoncement au véhicule autonome au pari sur les données
Il y a six ans, Uber vendait son programme de voiture autonome à Aurora, après qu’un de ses véhicules de test avait tué une piétonne en 2018. Un retrait que l’ancien PDG Travis Kalanick a depuis qualifié d’erreur stratégique majeure. La question qui agitait le secteur restait pourtant entière : comment Uber allait-il demeurer pertinent dans un monde où les robotaxis prolifèrent sans lui ?
La réponse, esquissée en janvier 2026 avec le lancement d’AV Labs, prend désormais une dimension bien plus grande. Lors du StrictlyVC de TechCrunch à San Francisco le 30 avril 2026, Praveen Neppalli Naga, directeur technique d’Uber, a révélé que l’objectif final est d’équiper les voitures des chauffeurs humains avec des capteurs, afin de collecter des données de conduite en conditions réelles au profit des entreprises de véhicules autonomes et, potentiellement, de tout modèle d’IA qui s’entraîne sur des scénarios du monde physique.
AV Labs : le programme dans son état actuel
Le lancement officiel d’AV Labs remonte au 27 janvier 2026. Uber décrit alors sa mission dans un communiqué officiel : construire un « data flywheel », c’est-à-dire un circuit vertueux de données couvrant les scénarios de conduite réels les plus rares et les plus complexes. Le programme a démarré dans des conditions volontairement modestes, avec un seul véhicule, une Hyundai Ioniq 5, sur lequel l’équipe d’ingénieurs installait encore manuellement des lidars, des radars et des caméras. Danny Guo, vice-président ingénierie d’Uber, a confié dans une interview accordée à TechCrunch : « Nous ne savons pas si le kit de capteurs va se décrocher, mais c’est la débrouillardise que nous avons pour l’instant. » (« We don’t know if the sensor kit will fall off, but that’s the scrappiness we have. »)
Depuis, le programme a pris de l’ampleur. Uber a dévoilé en février 2026 une offre plus complète baptisée Uber Autonomous Solutions, qui structure l’ensemble des services proposés aux partenaires AV. Selon la page officielle investisseurs d’Uber, la flotte dédiée à la collecte compterait désormais des milliers de véhicules équipés dans des dizaines de villes, ayant capturé des millions de kilomètres de données multi-capteurs aux États-Unis et en Europe.
La prochaine étape : des millions de chauffeurs comme capteurs
C’est là que l’ambition change d’échelle. « C’est la direction que nous voulons prendre à terme », a déclaré Neppalli Naga lors du StrictlyVC de TechCrunch à San Francisco. « Mais nous devons d’abord comprendre les kits de capteurs et leur fonctionnement. Il existe des réglementations : nous devons nous assurer que chaque État dispose d’une clarté sur ce que signifient les capteurs et sur ce que signifie le partage des données. » (« That is the direction we want to go eventually. But first we need to get the understanding of the sensor kits and how they all work. There are some regulations — we have to make sure every state has [clarity on] what sensors mean, and what sharing it means. »)
Uber est présent dans plus de 600 villes à travers le monde. Si une fraction seulement de ses millions de chauffeurs pouvait être convertie en plateformes mobiles de collecte, le volume de données que la plateforme pourrait proposer au secteur des véhicules autonomes dépasserait de loin ce que n’importe quelle entreprise du domaine est capable d’assembler seule. L’obstacle n’est pas technologique : il est réglementaire et logistique, et Uber indique y travailler méthodiquement État par État.
Pourquoi les données constituent le vrai goulot d’étranglement
Pour saisir l’enjeu, il faut comprendre l’évolution profonde des systèmes de conduite autonome. « Le goulot d’étranglement, c’est la donnée », a déclaré Neppalli Naga lors du StrictlyVC de TechCrunch à San Francisco. « Les entreprises comme Waymo doivent sillonner les routes pour collecter des données sur différents scénarios. Le problème pour toutes ces entreprises, c’est l’accès à ces informations, car elles n’ont pas le capital nécessaire pour déployer des voitures et tout aller collecter. » (« The bottleneck is data. [Companies like Waymo] need to go around and collect the data, collect different scenarios. The problem for all these companies is access to that data, because they don’t have the capital to deploy the cars and go collect all this information. »)
Le cas Waymo illustre cette limite mieux que quiconque. La filiale d’Alphabet a déployé des véhicules autonomes depuis plus d’une décennie, et pourtant ses robotaxis ont récemment été filmés en train de dépasser illégalement des bus scolaires à l’arrêt. Les systèmes à base de règles prédéfinies sont remplacés par des approches d’apprentissage par renforcement, qui exigent des volumes massifs de scénarios réels, rares et imprévisibles. Ces situations n’apparaissent pas dans les simulations, mais elles surviennent inévitablement à l’échelle de millions de trajets quotidiens.
Un « AV cloud » et le mode « shadow » pour affiner les algorithmes
En parallèle de la collecte brute, Uber développe ce que Neppalli Naga décrit comme un « AV cloud » : une bibliothèque de données de capteurs annotées que les 25 partenaires AV de la plateforme, dont Wayve (actif à Londres), peuvent interroger pour entraîner leurs modèles. Les données ne sont pas transmises telles quelles : l’équipe d’AV Labs les traite et les adapte aux besoins de chaque partenaire, en ajoutant une couche de compréhension sémantique essentielle pour les systèmes de perception, de prédiction et de planification de trajectoire.
Le second outil proposé est le test en mode « shadow » : les partenaires font tourner leurs modèles entraînés en parallèle de vrais trajets Uber, pour simuler comment un véhicule autonome se serait comporté sans le déployer physiquement sur la route. Chaque divergence entre la décision de l’algorithme et celle du conducteur humain est identifiée, documentée et renvoyée au partenaire pour affiner l’entraînement. Guo précisait dans une interview accordée à TechCrunch en janvier que ce mécanisme permet non seulement de détecter les lacunes des logiciels de conduite, mais aussi d’entraîner les modèles à conduire davantage comme un humain, et moins comme un robot.
Entre discours altruiste et levier commercial évident
Uber présente sa démarche sous un angle ouvert et non commercial. « Notre objectif n’est pas de gagner de l’argent avec ces données. Nous voulons les démocratiser », a déclaré Neppalli Naga lors du StrictlyVC de TechCrunch à San Francisco. (« Our goal is not to make money out of this data. We want to democratize it. ») En janvier, il avait développé ce positionnement dans une interview accordée à TechCrunch : « La valeur de ces données et le fait de voir la technologie de nos partenaires progresser valent bien plus que l’argent que nous pourrions en tirer. » (« The value of this data and having partners’ AV tech advancing is far bigger than the money we can make from this. »)
Mais la réalité commerciale derrière ce discours est difficile à ignorer. Uber a annoncé en avril 2026 un engagement de 10 milliards de dollars dans sa stratégie robotaxi, selon Reuters. La plateforme a déjà réalisé des prises de participation dans plusieurs acteurs AV. Sa capacité à proposer des données d’entraînement propriétaires à grande échelle lui confère un levier structurel considérable sur un secteur qui dépend aujourd’hui de son service de mobilité pour atteindre ses utilisateurs. Un partenariat avec NVIDIA, annoncé fin 2025, vise par ailleurs à construire une « Data Factory » pour les robotaxis, avec l’objectif de collecter plus de trois millions d’heures de données spécifiques à la conduite autonome pour les modèles d’entraînement.
L’ambition du réseau de chauffeurs-capteurs reste à confirmer dans les faits, en particulier sur le plan réglementaire et sur la question du consentement des conducteurs. Si Uber y parvient, la plateforme aura réalisé un pivot remarquable : passer du statut d’acteur ayant renoncé à la révolution autonome à celui d’infrastructure indispensable de cette même révolution. Les annonces des prochains mois sur l’évolution d’AV Labs, notamment la cadence de déploiement dans ses 600 villes de présence, permettront de mesurer la vitesse à laquelle cette vision devient une réalité opérationnelle.
