Elon Musk lleva una década prometiendo la conducción autónoma total. Lleva también años diciéndoles a los inversores que Tesla está a punto de tener el sistema más seguro del mundo. Una investigación de Reuters publicada el 28 de mayo de 2026 introduce una perspectiva diferente: nueve personas que trabajaron etiquetando datos para entrenar el FSD y un ingeniero de software del proyecto coinciden en que el sistema sigue cometiendo errores básicos y peligrosos, y que las estadísticas de seguridad que Tesla publica son, literalmente, «basura».
«No iría en un robotaxi de Tesla ni aunque me pagasen», declara uno de los entrevistados. No es un crítico externo. Es alguien que pasó años entrenando el modelo.
Qué dice la investigación de Reuters
Los testimonios de Reuters apuntan a tres problemas específicos.
Fallos elementales persistentes. Los vehículos con FSD chocan con animales en la calzada, ignoran la presencia de autobuses escolares, fallan al detectar balizas y no reaccionan correctamente ante obstáculos en condiciones de baja visibilidad —niebla, lluvia intensa, retroiluminación solar directa—. Estos no son escenarios extremos de conducción autónoma; son situaciones que cualquier conductor humano gestiona con automatismo.
Las estadísticas de seguridad son poco fiables. Tesla publica un informe trimestral de seguridad del Autopilot/FSD que compara los accidentes por milla de sus sistemas frente a los promedios de conductores humanos. Los trabajadores entrevistados por Reuters sostienen que esas comparaciones están construidas de manera que favorece a Tesla: las circunstancias en que se activa el FSD son selectivas, los benchmarks con conductores humanos no son comparables, y la metodología de clasificación de incidentes introduce sesgos que minimizan los accidentes del sistema.
El etiquetado de datos tiene presiones que comprometen la calidad. Los anotadores de datos —las personas que revisan horas de vídeo y marcan qué son objetos, peatones, señales de tráfico— describen presiones de productividad que dificultan hacer bien el trabajo. Un etiquetador que tarda más tiempo en marcar correctamente una escena ambigua cumple menos cuota diaria que uno que va rápido sin cuidar la precisión. Ese dato entra en el modelo.
El patrón de promesas incumplidas
El artículo de Xataka contextualiza estos testimonios con el historial de declaraciones de Musk sobre conducción autónoma: en 2016 prometió que habría un Tesla capaz de conducir de Los Ángeles a Nueva York de forma autónoma para finales de 2017. En 2019 prometió robotaxis en 2020. En 2022 prometió conducción urbana completa para ese año. En 2025, cuando Tesla lanzó su servicio de robotaxi en Austin, lo hizo con monitores de seguridad a bordo.
La investigación federal de la NHTSA sobre el FSD, escalada en marzo de 2026, documentó 80 casos de infracciones de tráfico atribuibles al sistema y un peatón muerto. La investigación examinó cuatro accidentes en condiciones de baja visibilidad que estaban en el origen del expediente abierto en 2024.
La expansión del robotaxi de Tesla a Dallas y Houston en abril de 2026 tuvo una disponibilidad real del 0% al 2% en las primeras 24 horas: el «lanzamiento» consistió en uno o dos coches por ciudad. Waymo, que opera en las mismas ciudades, realiza 500.000 viajes pagados por semana en 10 ciudades, con una reducción documentada del 91% en accidentes con lesiones graves respecto a conductores humanos.
El problema estructural del enfoque «end-to-end» de Tesla
Tesla apostó por un enfoque radicalmente distinto al de Waymo o Cruise para el desarrollo de conducción autónoma: sin LiDAR (sensores de profundidad basados en láser), solo cámaras y redes neuronales entrenadas con datos masivos de vídeo. El argumento de Musk era que los humanos conducimos con visión, no con LiDAR, así que la IA también debería poder.
El problema es que el volumen de datos no siempre compensa la calidad. Los etiquetadores que trabajan bajo presión de productividad producen anotaciones inconsistentes. Las situaciones poco frecuentes —un animal cruzando la autopista de noche, un autobús escolar con las luces de stop activadas, una obra sin señalización adecuada— están infrarrepresentadas en los datos de entrenamiento precisamente porque son poco frecuentes. Y el modelo aprende de lo que hay, no de lo que debería haber.
Waymo lleva años con LiDAR, múltiples sensores redundantes y mapas HD de alta precisión. Es más caro, más complejo y más difícil de escalar, pero los datos de seguridad en operaciones reales avalan el enfoque.
Mi valoración
Los testimonios de Reuters son creíbles precisamente porque provienen de personas que trabajaron dentro del sistema, no de críticos externos. Que quienes entrenaron el FSD no se subirían voluntariamente en un robotaxi de Tesla no es un dato anecdótico; es evidencia cualitativa de que hay una brecha entre el marketing de Tesla y la confianza real del equipo en el producto.
Lo que más me convence es la acusación sobre las estadísticas de seguridad. Tesla ha construido parte de su narrativa de inversión sobre esos informes de seguridad trimestrales. Si la metodología es tan selectiva como dicen los testimonios, los inversores y los reguladores están tomando decisiones basadas en datos que no reflejan la realidad operativa del sistema.
Lo que más me preocupa es el incentivo que tiene Tesla para acelerar el despliegue de robotaxi antes de que la tecnología esté madura. El IPO de SpaceX, la presión de Waymo y los competidores chinos, y la narrativa de valoración de Tesla como empresa de IA —no de coches— crean presión para lanzar antes de lo que sería prudente.
Preguntas frecuentes
¿Qué es el FSD de Tesla y cuál es su nivel de autonomía real?
FSD (Full Self-Driving, Supervised) es el paquete de software de conducción asistida avanzada de Tesla. A pesar del nombre, no es conducción autónoma completa: requiere que el conductor mantenga atención en la carretera y esté listo para intervenir en cualquier momento. Es un sistema SAE Nivel 2+ (asistencia avanzada), no Nivel 4 (autónomo en área definida) ni Nivel 5 (completamente autónomo). Tesla no ha recibido aprobación regulatoria para conducción autónoma sin supervisión humana en ningún mercado importante.
¿Por qué Tesla no usa LiDAR si otros sistemas sí lo usan?
Elon Musk ha argumentado repetidamente que el LiDAR es innecesario porque los humanos conducimos con visión, no con láseres, y que un sistema de visión artificial bien entrenado puede hacer lo mismo. Los ingenieros de Waymo, Cruise y otros sistemas defienden que el LiDAR proporciona datos de profundidad 3D en tiempo real que son complementarios a la visión y reducen los falsos negativos en detección de objetos, especialmente en condiciones de baja luz o visibilidad reducida. La discusión técnica sigue abierta, pero los datos de seguridad en operación real favorecen a los sistemas con sensores redundantes.
¿Puede Tesla acabar siendo demandada por estos fallos?
Tesla ya enfrenta múltiples demandas civiles de usuarios y familias de víctimas relacionadas con accidentes del Autopilot y FSD. La investigación federal de la NHTSA tiene la capacidad de exigir un recall —que en el caso del FSD significaría una actualización de software obligatoria—. Si los testimonios de Reuters apoyan la tesis de que Tesla conocía los fallos y publicaba estadísticas de seguridad engañosas, la exposición legal se amplía considerablemente.