Rethinking Higher Education/fr/Chapter 10
L'université du futur : l'enseignement supérieur augmenté par l'IA entre humanisme européen et innovation chinoise
Martin Woesler
Université normale du Hunan
Résumé
L'enseignement supérieur se trouve à la croisée des chemins. La convergence de l'intelligence artificielle, de l'apprentissage hybride post-pandémique et des technologies de campus intelligents transforme les universités d'institutions de transmission des savoirs en écosystèmes d'apprentissage adaptatifs. Cet article examine comment les universités européennes et chinoises répondent à cette transformation, en s'appuyant sur des données institutionnelles, des analyses de politiques publiques et des recherches empiriques récentes. Nous documentons l'approche dirigée par l'État chinois — illustrée par la Plateforme d'éducation intelligente, lauréate du prix UNESCO, desservant 293 millions d'apprenants — et la contrastons avec le modèle décentralisé de l'UE opérant à travers 65 alliances d'universités européennes regroupant plus de 570 établissements dans 35 pays. Par une comparaison systématique des politiques d'adoption de l'IA, des modèles d'apprentissage hybride, de l'infrastructure de campus intelligents et de l'intégration de l'IA générative, nous soutenons que ni l'accent chinois sur la rapidité et l'échelle, ni l'accent européen sur la gouvernance démocratique et l'autonomie du corps enseignant ne suffisent à eux seuls. Une synthèse — combinant la capacité de la Chine en matière de déploiement rapide avec l'engagement de l'Europe envers les valeurs humanistes et l'autogouvernance institutionnelle — offre le modèle le plus prometteur pour l'université du futur.
Mots-clés : transformation universitaire, IA dans l'enseignement supérieur, campus intelligent, apprentissage hybride, comparaison UE-Chine, politique d'IA générative, éducation numérique
1. Introduction
Le 13 mars 2024, le Centre d'excellence Jean Monnet de l'Université normale du Hunan a inauguré sa série de conférences « Numérisation en Chine et en Europe » par une présentation intitulée « L'université du futur ». La conférence, à laquelle ont assisté plus de 200 participants, explorait comment l'intelligence artificielle, la réalité virtuelle et les pédagogies hybrides remodèlent l'institution qui a servi de véhicule principal pour la transmission des savoirs avancés depuis la fondation de l'Université de Bologne en 1088.
L'université fait face à un paradoxe. En tant qu'institution, elle est remarquablement stable — sa forme organisationnelle de base (départements, facultés, cours magistraux, examens, diplômes) a moins changé en un millénaire que presque toute autre institution sociale. Pourtant, l'environnement dans lequel elle opère s'est transformé au-delà de toute reconnaissance en une seule décennie. Les étudiants entrant à l'université aujourd'hui obtiendront leur diplôme dans un marché du travail où environ 44 pour cent des travailleurs devront modifier leur profil de compétences dans les cinq ans (WEF 2023). Ils utiliseront quotidiennement des outils d'IA — 50 pour cent les utilisent déjà au moins une fois par semaine à l'intérieur et à l'extérieur de la salle de classe (EDUCAUSE 2025). Ils attendent des options d'apprentissage hybride — 86 pour cent des étudiants de premier cycle en présentiel préfèrent une combinaison de cours en personne et en ligne (Rize Education 2025). Et ils travailleront dans une économie où les institutions qui les forment — entreprises, plateformes en ligne, bootcamps — concurrencent de plus en plus les universités sur le marché des diplômes.
Cet article examine comment les universités européennes et chinoises naviguent dans cette transformation. Il s'appuie sur les chapitres compagnons de ce volume qui traitent de dimensions spécifiques de la numérisation éducative — l'IA dans l'apprentissage des langues, les formes alternatives d'apprentissage, la protection des données, l'éthique de l'IA et la durabilité — en abordant la question institutionnelle globale : de quel type d'université avons-nous besoin pour l'ère de l'IA, et comment les deux plus grands systèmes éducatifs du monde y travaillent-ils ?
2. Le campus intelligent : infrastructure pour l'avenir
2.1 La Plateforme d'éducation intelligente de la Chine
L'approche de la Chine en matière de transformation universitaire est illustrée par la Plateforme nationale d'éducation intelligente (国家智慧教育平台), lancée en mars 2022 et récompensée par le Prix UNESCO Roi Hamad Bin Isa Al-Khalifa pour l'utilisation des TIC dans l'éducation en 2023. Fin 2023, la plateforme reliait 519 000 établissements éducatifs, 18,8 millions d'enseignants et 293 millions d'apprenants, avec plus de 100 millions d'utilisateurs enregistrés dans plus de 200 pays et 36,7 milliards de visites (UNESCO 2023).
La plateforme intègre quatre sous-plateformes — pour l'éducation de base, l'enseignement professionnel, l'enseignement supérieur et la formation des enseignants — dans une infrastructure numérique unifiée. Pour l'enseignement supérieur spécifiquement, elle donne accès à plus de 27 000 cours en ligne, des expériences de simulation virtuelle et des espaces d'apprentissage collaboratif inter-établissements. L'échelle est sans précédent : aucun autre pays n'exploite une plateforme éducative unique desservant près de 300 millions d'utilisateurs.
La Plateforme d'éducation intelligente reflète une approche distinctement chinoise de la technologie éducative — centralisée, financée par l'État, rapidement déployée et intégrée aux stratégies nationales plus larges. La stratégie de numérisation de l'éducation du 14e Plan quinquennal positionne la transformation numérique comme essentielle à l'objectif de la Chine de devenir un leader mondial de l'éducation d'ici 2035. Les gouvernements provinciaux ont complété la plateforme nationale par des initiatives régionales ; la province du Hunan, par exemple, a investi dans l'infrastructure de salles de classe intelligentes dans ses universités publiques, y compris l'Université normale du Hunan.
2.2 Les initiatives de campus intelligents en Europe
L'approche européenne du développement de campus intelligents est caractéristiquement décentralisée. Plutôt qu'une plateforme nationale ou continentale unique, les universités européennes poursuivent des initiatives de campus intelligents individuellement ou à travers des réseaux collaboratifs. L'Initiative des universités européennes, financée par Erasmus+, a établi 65 alliances regroupant plus de 570 établissements d'enseignement supérieur dans 35 pays (Commission européenne 2025). Ces alliances facilitent le partage d'infrastructure numérique, les programmes en ligne conjoints et la recherche collaborative, mais chaque institution conserve son autonomie sur ses choix technologiques et ses approches pédagogiques.
Des universités européennes individuelles ont développé des projets de campus intelligents notables. Le Smart Data Campus de l'Université d'Édimbourg intègre des capteurs IoT, des analyses d'apprentissage et des systèmes prédictifs. L'initiative Smart Campus de TU Delft utilise la technologie de jumeau numérique pour optimiser la gestion des bâtiments et les environnements d'apprentissage. Le Plan d'action pour l'éducation numérique de la Commission européenne (2021-2027) fournit des orientations politiques et des incitations financières mais, contrairement à l'approche chinoise, n'impose pas de solutions technologiques spécifiques.
L'approche de l'UE offre des avantages en termes de diversité institutionnelle et d'autonomie du corps enseignant — les universités peuvent adapter les technologies à leurs contextes et traditions pédagogiques spécifiques. Cependant, elle produit également une fragmentation, une duplication des efforts et une adoption plus lente par rapport au modèle centralisé de la Chine.
2.3 Conception de salles de classe intelligentes et résultats d'apprentissage
La recherche sur l'efficacité des salles de classe intelligentes fournit un fondement empirique aux décisions d'investissement institutionnel. Une étude portant sur 421 étudiants de premier cycle chinois issus d'universités du Projet 985, du Projet 211 et d'universités locales a constaté que « le plaisir psychologique déclenché par l'infrastructure immersive des salles de classe intelligentes est une source importante d'amélioration académique perçue » et que « l'étayage dirigé par l'enseignant avec l'IA amplifie cet effet » (Zhang, C. 2026). L'étude suggère que la technologie des salles de classe intelligentes améliore l'apprentissage non pas principalement par la diffusion de l'information mais par la création d'environnements engageants et immersifs qui augmentent la motivation et l'attention des étudiants.
Une revue systématique des technologies de campus intelligents a identifié l'intégration de l'IoT, de l'IA, de l'informatique en nuage et de l'analyse de données massives comme les éléments clés de l'infrastructure de campus intelligents, les tableaux de bord personnalisés, les agents conversationnels IA et l'analyse prédictive émergeant comme les applications les plus prometteuses (Elbertsen, Kok et Salimi 2025). Toutefois, la revue a également noté que la plupart des mises en œuvre de campus intelligents restent au niveau de la gestion des installations plutôt que de la transformation pédagogique — optimisant la consommation énergétique des bâtiments plutôt que changeant fondamentalement la manière dont l'enseignement et l'apprentissage se déroulent.
3. L'apprentissage personnalisé par l'IA
3.1 La promesse et la réalité
L'aspiration à un apprentissage personnalisé par l'IA — un enseignement adapté au rythme, au style, aux connaissances préalables et aux objectifs d'apprentissage de chaque étudiant — représente l'une des visions les plus convaincantes pour l'université du futur. La Chine a adopté cette vision avec un enthousiasme particulier. La Plateforme d'éducation intelligente intègre des algorithmes d'apprentissage adaptatif qui recommandent des cours, ajustent les niveaux de difficulté et fournissent un retour individualisé en fonction des données de performance des étudiants.
Cependant, la recherche empirique révèle un tableau plus nuancé. Une analyse thématique des perceptions de 48 étudiants de premier cycle chinois sur l'apprentissage personnalisé par l'IA a constaté que les étudiants valorisaient les gains d'efficacité — un accès plus rapide aux matériaux pertinents, des exercices pratiques plus ciblés, un retour immédiat — mais exprimaient des préoccupations quant à la dépendance excessive aux recommandations de l'IA et à la perte potentielle de la pensée critique et de la capacité d'apprentissage autonome (Wang et al. 2024). Les étudiants décrivaient une tension entre la commodité des parcours d'apprentissage guidés par l'IA et leur désir d'explorer, de lutter et de découvrir par eux-mêmes.
Cette tension reflète une question philosophique plus profonde sur l'éducation. Si le but de l'enseignement universitaire est simplement de transmettre des connaissances et des compétences prédéterminées aussi efficacement que possible, alors la personnalisation par l'IA représente une amélioration incontestable. Si, en revanche, l'éducation vise aussi à développer l'autonomie intellectuelle, la tolérance à l'ambiguïté, la capacité de pensée critique et l'aptitude à formuler des questions plutôt qu'à simplement y répondre, alors une personnalisation excessive peut être contreproductive — elle peut optimiser le mesurable tout en sapant l'essentiel.
3.2 La personnalisation en pratique : trois modèles
Trois modèles distincts d'apprentissage personnalisé par l'IA ont émergé dans la pratique actuelle :
Le modèle de recommandation utilise l'IA pour suggérer des cours, des lectures et des activités d'apprentissage en fonction des données de performance et des préférences des étudiants. C'est l'approche de la plupart des plateformes de MOOC et de la Plateforme d'éducation intelligente de la Chine. Il traite l'éducation comme analogue à la consommation de contenu — les étudiants se voient « recommander » des expériences éducatives de la même manière que Netflix recommande des films. Le modèle est efficace pour l'apprentissage autodirigé mais soulève des préoccupations quant aux bulles de filtre (les étudiants étant orientés vers un contenu confortable plutôt que stimulant) et quant à la réduction de l'éducation à la consommation.
Le modèle adaptatif ajuste la difficulté, le rythme et la séquence des supports d'apprentissage en temps réel en fonction des réponses des étudiants. Les plateformes d'apprentissage adaptatif telles que Knewton, DreamBox et Squirrel AI en Chine ont démontré des améliorations mesurables des performances aux tests standardisés. Cependant, les critiques soutiennent que l'apprentissage adaptatif optimise les résultats mesurables tout en négligeant potentiellement l'immesurable — la curiosité, la créativité, la volonté de s'engager face à la difficulté plutôt que de la contourner.
Le modèle de tutorat utilise des agents conversationnels IA ou des tuteurs virtuels pour fournir un enseignement individualisé, répondre aux questions, expliquer des concepts et guider la résolution de problèmes. Des études sur le tutorat par IA en mathématiques et en sciences ont montré des résultats prometteurs, en particulier pour les étudiants qui n'auraient autrement pas accès à un tutorat individuel. L'étude sur l'apprentissage des langues assisté par l'IA dans ce volume a constaté que le tutorat par IA procure des avantages psychologiques — en particulier l'effet « absence de peur de faire des erreurs » — qui complètent plutôt qu'ils ne remplacent l'enseignement humain (Woesler, ce volume).
Chaque modèle a des applications légitimes, mais aucun ne constitue une « éducation personnalisée » au sens profond envisagé par les philosophes de l'éducation. Une personnalisation véritable impliquerait non seulement d'adapter la diffusion du contenu aux schémas d'apprentissage individuels mais de soutenir le développement de chaque étudiant en tant qu'agent intellectuel et moral unique — un objectif qui reste au-delà des capacités actuelles de l'IA.
3.3 Prudence européenne et enthousiasme chinois
Les institutions européennes ont généralement abordé l'apprentissage personnalisé par l'IA avec une plus grande prudence que leurs homologues chinoises. Cela reflète plusieurs facteurs : des cadres de protection des données plus stricts (le RGPD impose des exigences strictes sur le traitement des données des étudiants à des fins de personnalisation ; voir le chapitre compagnon sur la protection des données, Woesler, ce volume), une tradition d'autonomie du corps enseignant dans les décisions pédagogiques, et une philosophie éducative humaniste qui met l'accent sur la Bildung — la formation de la personne dans son entièreté — plutôt que sur l'acquisition de compétences.
Les institutions chinoises, opérant dans un environnement de données plus permissif et encouragées par la politique de l'État, ont avancé plus agressivement vers la personnalisation par l'IA. L'accent mis par le ministère de l'Éducation sur l'« éducation intelligente » (智慧教育) et l'intégration de l'IA dans la Plateforme nationale d'éducation intelligente créent des incitations institutionnelles à l'adoption. Cependant, les preuves empiriques sur l'efficacité restent mitigées, et les chercheurs chinois appellent de plus en plus à une évaluation critique parallèlement à l'enthousiasme.
4. L'apprentissage hybride comme norme post-pandémique
4.1 La pérennité des modèles hybrides
La pandémie de COVID-19 a contraint les universités du monde entier à adopter l'apprentissage en ligne à grande échelle. La question en 2024-2026 n'est pas de savoir s'il faut poursuivre une forme d'enseignement en ligne mais comment optimiser le mélange. Les données suggèrent que l'apprentissage hybride n'est pas un aménagement temporaire mais un élément permanent de l'enseignement supérieur. Plus de 68 pour cent des universités ont augmenté leurs offres en ligne depuis 2020, et près de la moitié prévoient de faire des programmes en ligne un pilier stratégique central (EDUCAUSE 2025). Une enquête auprès des étudiants de premier cycle en présentiel a constaté que 86 pour cent préfèrent une approche hybride avec un à quatre cours en ligne par semestre (Rize Education 2025).
Une recherche utilisant la modélisation par équations structurelles et l'analyse par réseau de neurones profonds a confirmé que l'apprentissage hybride représente un modèle post-pandémique durable, bien que son efficacité dépende fortement de l'infrastructure de soutien institutionnel — incluant une technologie fiable, un corps enseignant formé, une conception appropriée de l'évaluation et des services de soutien aux étudiants (Yaqin et al. 2025). L'étude a identifié le soutien institutionnel comme un prédicteur plus fort du succès de l'apprentissage hybride que la qualité de la technologie ou la compétence numérique des étudiants.
4.2 L'adoption de l'apprentissage mixte en Chine
En Chine, une étude des facteurs influençant l'intention comportementale d'adopter l'apprentissage mixte chez les étudiants universitaires dans l'ère post-pandémique a constaté une large acceptation aux côtés de préoccupations spécifiques (Yu et al. 2023). Les étudiants appréciaient la flexibilité de l'apprentissage mixte — la possibilité de revoir les cours enregistrés, d'accéder aux supports de manière asynchrone et d'étudier à leur propre rythme — mais exprimaient des préoccupations quant à la réduction des interactions sociales et à la difficulté de maintenir l'autodiscipline dans les environnements en ligne.
Ces préoccupations font écho aux critiques de longue date de l'enseignement en ligne. La dimension sociale de l'apprentissage universitaire — les conversations informelles dans les couloirs, les débats dans les séminaires, les projets collaboratifs qui construisent des réseaux professionnels — ne peut être pleinement reproduite dans les environnements numériques. Les universités chinoises ont répondu en développant des formats hybrides qui combinent la diffusion de contenu en ligne avec des ateliers intensifs en présentiel, des projets collaboratifs et des sessions de mentorat. L'expérience propre de l'Université normale du Hunan avec la série de conférences Jean Monnet illustre cette approche : les conférences ont été dispensées devant des audiences de 150 à 200 participants avec une diffusion simultanée en ligne, suivies de sessions de discussion en personne avec des groupes plus restreints.
Une méta-analyse couvrant 37 études sur l'apprentissage mixte de 2000 à 2024 a constaté un effet positif moyen-supérieur sur les résultats d'apprentissage (DMS = 0,698), avec la proportion optimale en ligne à environ 50 pour cent. Ce constat est significatif pour la conception des programmes : il suggère que le modèle hybride le plus efficace n'est pas principalement en ligne avec des sessions occasionnelles en présentiel, ni principalement en présentiel avec des supports en ligne complémentaires, mais un mélange approximativement égal des deux. L'implication pédagogique est que l'apprentissage hybride devrait être conçu comme une expérience intégrée — et non simplement « le même cours dispensé par deux canaux » — avec des activités d'apprentissage spécifiques assignées au mode le mieux adapté à leur objectif éducatif : la transmission d'information en ligne, l'apprentissage social et la discussion approfondie en personne.
5. L'IA générative dans les programmes
5.1 La vague d'adoption
L'IA générative est passée de la nouveauté à l'omniprésence dans l'enseignement supérieur avec une rapidité remarquable. L'enquête EDUCAUSE 2025 a constaté que 57 pour cent des établissements d'enseignement supérieur priorisent désormais l'intégration de l'IA, contre 49 pour cent en 2024. Une analyse globale des politiques d'adoption institutionnelle a trouvé un spectre de réponses, des interdictions pures et simples (de plus en plus rares) à l'intégration obligatoire (encore peu courante) en passant par le courant principal émergent de l'« intégration régulée » — autorisant l'utilisation de l'IA sous des conditions spécifiées avec une attribution appropriée (Computers and Education: Artificial Intelligence 2025).
Aux États-Unis, 63 pour cent des universités à forte activité de recherche encouragent l'utilisation de l'IA générative, tandis que 27 pour cent la découragent ou la limitent. En Europe, les politiques varient considérablement selon l'institution et le pays, reflétant le modèle de gouvernance décentralisée. En Chine, le tableau est compliqué par la restriction de l'accès aux outils d'IA mondiaux (ChatGPT, Claude, Gemini, Copilot) et la promotion d'alternatives nationales (Ernie Bot, Tongyi Qianwen, DeepSeek).
5.2 Les étudiants chinois naviguant entre l'IA mondiale et nationale
Une étude sur la façon dont les étudiants universitaires chinois naviguent entre l'IA générative mondiale et nationale a constaté que les étudiants développent des stratégies complexes pour accéder aux outils restreints parallèlement aux alternatives nationales officiellement autorisées (Xie et al. 2025). Les étudiants rapportaient utiliser des VPN, des comptes étrangers et des réseaux de pairs pour accéder à ChatGPT et à d'autres plateformes restreintes, tout en utilisant les outils nationaux pour les devoirs qui seraient examinés par les enseignants. Ce schéma de double usage reflète une tension dans la stratégie chinoise d'éducation à l'IA entre la promotion de l'adoption de l'IA et le contrôle de l'écosystème de l'IA.
5.3 Les défis de l'intégrité académique
L'intégration de l'IA générative soulève des questions pressantes sur l'intégrité académique. Une étude a constaté que 58 pour cent des étudiants admettaient avoir utilisé l'IA pour achever des devoirs de manière malhonnête, tandis que 65 pour cent reconnaissaient que le plagiat est une préoccupation avec le contenu non modifié généré par l'IA (ICAI 2024 ; Frontiers in Artificial Intelligence 2024). Les universités chinoises ont répondu par des mesures quantitatives — l'Université des sciences et technologies de Tianjin (天津科技大学), par exemple, a imposé en 2024 que le contenu généré par l'IA dans les mémoires de licence ne dépasse pas 40 pour cent. Le ministère de l'Éducation a interdit aux étudiants de soumettre du contenu généré par l'IA comme leur propre travail académique.
Ces réponses illustrent la difficulté de réguler l'utilisation de l'IA dans l'éducation. Un seuil de 40 pour cent est mesurable en principe mais difficile à appliquer en pratique — comment déterminer la proportion exacte de contenu généré par l'IA dans un texte qui a été substantiellement réécrit par son auteur humain ? Le défi plus profond n'est pas de détecter l'utilisation de l'IA mais de développer des méthodes d'évaluation qui valorisent les contributions distinctement humaines — la pensée originale, l'analyse critique, la synthèse créative — que l'IA ne peut reproduire. C'est là que les traditions philosophiques de la Bildung européenne et du 修身 (xiushen, culture de soi) chinois convergent : toutes deux mettent l'accent sur le développement de la personne dans son entièreté, et non simplement sur la production de réponses correctes.
5.4 Paysages des politiques institutionnelles
Le panorama mondial des politiques d'IA générative dans l'enseignement supérieur se caractérise par une évolution rapide et une variation institutionnelle significative. En Chine, l'Université Fudan est devenue l'une des premières grandes universités chinoises à publier des lignes directrices complètes sur l'IA en janvier 2026, couvrant à la fois l'utilisation par les étudiants et les enseignants. Les lignes directrices autorisent l'IA pour l'aide à la recherche et le soutien à l'apprentissage mais interdisent son utilisation dans les évaluations formelles sans autorisation explicite de l'enseignant. D'autres universités chinoises ont suivi avec des degrés variables de permissivité, bien que l'orientation générale — façonnée par le ministère de l'Éducation — soit vers l'intégration régulée plutôt que l'interdiction.
En Europe, les Perspectives de l'éducation numérique de l'OCDE (2023) ont constaté qu'aucun des 18 pays ou juridictions enquêtés n'avait publié de réglementation spécifique sur l'IA générative dans l'éducation, bien que neuf aient publié des orientations non contraignantes. En 2025, ce tableau avait considérablement évolué, avec plusieurs pays (dont les Pays-Bas, la Finlande et l'Irlande) publiant des lignes directrices nationales et des universités individuelles développant des politiques spécifiques à l'institution. Toutefois, le rythme d'élaboration des politiques continue de prendre du retard par rapport au rythme d'adoption de l'IA par les étudiants et le corps enseignant.
Le paysage politique dans l'enseignement supérieur révèle de plus en plus un déficit de préparation. L'étude EDUCAUSE 2024 sur le paysage de l'IA a constaté que 80 pour cent du corps enseignant et du personnel utilisent des outils d'IA, mais que moins d'un sur quatre connaît la politique officielle de leur institution en matière d'IA. Cet écart entre la pratique et la gouvernance représente l'un des défis les plus urgents pour l'université du futur — les politiques institutionnelles doivent non seulement exister mais être communiquées, comprises et perçues comme pertinentes par la communauté académique.
6. Le rôle du corps enseignant dans la transformation universitaire
6.1 Le corps enseignant comme agent du changement
La transformation de l'université ne peut être imposée d'en haut — elle doit être menée, ou au moins codirigée, par le corps enseignant. Une réflexion critique sur les tendances actuelles de l'IA dans l'enseignement supérieur a soutenu que la transformation doit être « portée par le corps enseignant plutôt que pilotée par la technologie » (Ruano-Borbalan 2025). Les membres du corps enseignant sont les porteurs du savoir disciplinaire, les concepteurs des programmes et l'interface principale entre les étudiants et l'institution. Leur engagement — ou leur résistance — détermine si l'innovation technologique se traduit en une véritable amélioration pédagogique.
Pourtant, le corps enseignant fait face à des défis significatifs. De nombreux universitaires formés avant l'ère de l'IA manquent d'expérience personnelle avec les outils que leurs étudiants utilisent quotidiennement. Les structures d'incitation des carrières académiques — qui récompensent les publications de recherche davantage que l'innovation pédagogique dans la plupart des systèmes — fournissent une motivation limitée pour investir du temps dans la transformation pédagogique. Et la rapidité du changement technologique crée de l'incertitude quant aux innovations qui méritent d'être adoptées et celles qui sont des tendances éphémères.
Une étude des réglementations, des politiques technologiques et des attitudes des universités envers l'IA en Chine, fondée sur une analyse de politiques et 33 entretiens avec des enseignants d'universités de recherche chinoises, a constaté que le corps enseignant considère généralement l'IA comme améliorant la personnalisation et la productivité de la recherche mais exprime des préoccupations concernant l'intégrité académique, les biais algorithmiques et la dépendance excessive aux systèmes automatisés (Higher Education Quarterly 2025). Ces préoccupations reflètent celles du corps enseignant européen, ce qui suggère que l'expérience du corps enseignant face à la transformation pilotée par l'IA transcende les différences culturelles et systémiques.
6.2 Le développement professionnel pour l'ère de l'IA
Les universités européennes et chinoises font toutes deux face au défi du développement professionnel du corps enseignant pour un enseignement augmenté par l'IA. L'approche de la Chine a été caractéristiquement à grande échelle : la plateforme nationale de formation des enseignants, intégrée à la Plateforme d'éducation intelligente, a formé plus de 10 millions d'enseignants aux compétences numériques. Toutefois, la formation spécifique à l'intégration de l'IA dans l'enseignement universitaire reste inégale, les universités de recherche d'élite avançant plus rapidement que les établissements régionaux orientés vers l'enseignement.
Les approches européennes du développement du corps enseignant varient selon les institutions mais sont de plus en plus soutenues par les financements de l'UE. L'appel Erasmus+ 2026 alloue 145,6 millions d'euros pour les partenariats de coopération et les projets prospectifs, avec la transformation numérique de l'éducation comme thème prioritaire. Les alliances d'universités européennes ont également créé des programmes d'échanges inter-institutionnels de personnel enseignant axés sur la pédagogie numérique.
Les programmes de développement professionnel du corps enseignant les plus efficaces partagent plusieurs caractéristiques : ils sont spécifiques à la discipline plutôt que génériques, ils impliquent une expérimentation pratique plutôt qu'une instruction passive, ils créent des communautés de pratique entre pairs plutôt que des ateliers ponctuels, et ils abordent explicitement les questions éthiques et pédagogiques soulevées par l'IA plutôt que de se concentrer uniquement sur les compétences techniques.
7. UE contre Chine : deux visions de l'université du futur
7.1 Le modèle chinois : une transformation dirigée par l'État
La vision de la Chine pour l'université du futur se caractérise par une planification centralisée, une infrastructure numérique massive, un déploiement rapide et une intégration étroite avec les objectifs de développement national. Le plan « Modernisation de l'éducation 2035 » du Conseil des affaires d'État positionne l'éducation comme une priorité stratégique nationale et lie explicitement la transformation éducative à l'innovation technologique et à la compétitivité économique. Le « Plan de développement de l'intelligence artificielle de nouvelle génération » (2017) positionne en outre la compétence en IA comme un atout stratégique national, avec des implications pour tous les niveaux de l'éducation.
La manifestation pratique de cette vision est impressionnante par son échelle. À partir de septembre 2025, l'éducation à l'IA est devenue obligatoire dans toutes les écoles primaires et secondaires — les écoles primaires se concentrent sur la littératie en IA et l'exposition, les collèges sur la logique et la pensée critique, et les lycées sur l'innovation appliquée et la conception d'algorithmes. Au niveau universitaire, l'initiative chinoise des universités « Double premier rang » (双一流) a créé un niveau d'établissements d'élite qui servent de laboratoires pour la pédagogie augmentée par l'IA. L'Université de Pékin, l'Université Tsinghua et l'Université du Zhejiang, entre autres, ont établi des centres de recherche spécifiques à l'IA et intégré des outils d'IA dans l'enseignement de toutes les disciplines.
Les avantages de ce modèle sont évidents en termes d'échelle et de rapidité. Aucun autre système éducatif ne peut déployer une plateforme desservant 293 millions d'apprenants dans les deux ans suivant son lancement, ou imposer l'éducation à l'IA dans toutes les écoles primaires et secondaires en un seul cycle politique. Le taux de connectivité haut débit quasi universel dans les écoles chinoises (99,9 pour cent des écoles connectées à 100 Mbit/s ou plus, selon le ministère de l'Éducation 2023) (obtenu grâce au Plan d'action pour l'informatisation de l'éducation 2.0) fournit une base technologique que de nombreux pays européens n'ont pas encore égalée.
Les inconvénients sont tout aussi évidents dans les contraintes pesant sur l'autonomie institutionnelle, l'espace limité pour l'innovation pédagogique portée par le corps enseignant en dehors des paramètres définis par l'État, et les restrictions d'accès aux outils d'IA mondiaux qui peuvent limiter la préparation des étudiants aux carrières internationales. L'approche du « jardin clos » — promouvoir les plateformes d'IA nationales tout en restreignant l'accès à ChatGPT, Claude et Gemini — crée un paradoxe : les étudiants sont formés à la littératie en IA en utilisant un sous-ensemble limité des outils disponibles à l'échelle mondiale, ce qui les désavantage potentiellement dans les contextes académiques et professionnels internationaux.
7.2 Le modèle européen : gouvernance démocratique et valeurs humanistes
La vision européenne de l'université du futur est façonnée par la tradition d'autonomie institutionnelle consacrée dans la Magna Charta Universitatum (1988, réaffirmée en 2020), le cadre du Processus de Bologne et l'Espace européen de l'enseignement supérieur. L'Initiative des universités européennes, lancée en 2019 et considérablement élargie depuis, représente la tentative la plus ambitieuse de créer un système universitaire continental tout en préservant la diversité institutionnelle. Avec 145,6 millions d'euros alloués dans l'appel Erasmus+ 2026 pour les partenariats de coopération et les projets prospectifs, l'UE investit substantiellement — bien que pas à l'échelle du financement centralisé de la Chine.
Le fondement intellectuel du modèle européen s'appuie sur le concept de Bildung — l'idéal éducatif allemand de formation personnelle par l'engagement avec le savoir, la culture et l'enquête critique — et ses analogues dans d'autres traditions européennes (la tradition française de culture générale, la tradition britannique d'éducation libérale). Ces traditions partagent un accent sur l'éducation comme plus qu'une acquisition de compétences : c'est le développement de la capacité de pensée indépendante, de raisonnement éthique et de participation civique.
Le Règlement européen sur l'IA fournit un cadre réglementaire distinctif qui façonne la manière dont les universités européennes abordent l'adoption de l'IA. Le Règlement classe comme « à haut risque » les systèmes d'IA utilisés pour évaluer les résultats d'apprentissage, déterminer l'accès à l'éducation et surveiller le comportement des étudiants lors des examens. La reconnaissance des émotions dans les contextes éducatifs est interdite. Ces contraintes réglementaires, qui n'ont pas d'équivalent chinois, créent un cadre de garde-fous éthiques qui encourage une intégration prudente et réfléchie de l'IA.
Les avantages de ce modèle résident dans la protection de la liberté académique, le respect de la diversité disciplinaire et l'intégration de la réflexion éthique dans l'adoption technologique. Les inconvénients sont la fragmentation, la lenteur de l'adoption, la mise en œuvre inégale entre les États membres et le risque que les processus de gouvernance démocratique deviennent des obstacles à une adaptation en temps opportun. Une comparaison de la transformation numérique dans les établissements d'enseignement supérieur européens a trouvé des « similitudes et différences » significatives — les similitudes étant portées par des défis communs et des incitations politiques de l'UE, les différences reflétant des traditions nationales divergentes, des niveaux de financement et des cultures institutionnelles différents (EUA 2025).
7.3 Vers une synthèse
Le modèle le plus prometteur pour l'université du futur s'appuie sur les forces des deux approches tout en atténuant leurs faiblesses. Du modèle chinois, il retient la volonté d'investir dans l'infrastructure numérique à grande échelle, l'intégration des compétences en IA dans toutes les disciplines (et pas seulement en informatique) et l'urgence d'une adaptation rapide. Du modèle européen, il retient l'engagement envers l'autonomie institutionnelle, l'intégration de cadres éthiques dans l'adoption technologique, l'accent sur la pensée critique et l'éducation humaniste aux côtés des compétences techniques, et le principe selon lequel la transformation éducative devrait être portée par le corps enseignant plutôt qu'imposée administrativement.
Concrètement, cette synthèse pourrait impliquer : une infrastructure numérique partagée (comme dans le modèle chinois) avec une liberté institutionnelle dans son application pédagogique (comme dans le modèle européen) ; une littératie en IA obligatoire dans toutes les disciplines (comme dans le nouveau mandat chinois pour le primaire et le secondaire) combinée à une réflexion éthique sur les limites et les risques de l'IA (comme dans le cadre du Règlement européen sur l'IA) ; des plateformes de données à grande échelle pour les analyses d'apprentissage (comme dans la Plateforme d'éducation intelligente de la Chine) régies par des principes stricts de protection des données (comme dans le RGPD) ; et un investissement national dans l'infrastructure de campus intelligents (comme dans les initiatives provinciales chinoises) déployé à travers des processus compétitifs fondés sur le mérite (comme dans le modèle Erasmus+).
7.4 Synthèse comparative
Le tableau suivant résume les principales dimensions de différence entre les approches chinoise et européenne de l'université du futur :
Infrastructure : La Chine exploite une plateforme nationale centralisée (Plateforme d'éducation intelligente, 293 millions d'utilisateurs) ; l'UE exploite des systèmes décentralisés basés sur les institutions et les alliances (65 alliances, 340 établissements d'enseignement supérieur).
Intégration de l'IA : La Chine impose l'éducation à l'IA à tous les niveaux à partir de septembre 2025, avec la promotion des outils d'IA nationaux ; l'UE encourage la littératie en IA à travers le Règlement sur l'IA (février 2025) et les politiques institutionnelles, avec un accès ouvert aux outils mondiaux.
Gouvernance : La Chine suit un modèle descendant, dirigé par l'État, avec le ministère de l'Éducation et le Conseil des affaires d'État fixant l'orientation ; l'UE suit un modèle ascendant, gouverné par le corps enseignant, avec l'autonomie institutionnelle protégée par le Processus de Bologne.
Environnement des données : La Loi chinoise sur la protection des informations personnelles (PIPL) permet une utilisation plus large des données éducatives avec une supervision étatique ; le RGPD de l'UE impose des exigences strictes de protection des données qui contraignent les analyses d'apprentissage.
Rapidité d'adoption : Le modèle centralisé de la Chine permet un déploiement rapide auprès de centaines de millions d'utilisateurs ; les processus démocratiques de l'UE garantissent une délibération attentive mais ralentissent la mise en œuvre.
Assurance qualité : La Chine s'appuie sur l'accréditation institutionnelle et le suivi de la qualité dirigé par l'État ; l'UE s'appuie sur l'évaluation disciplinaire par les pairs, l'accréditation institutionnelle et les Standards et lignes directrices européens (ESG).
Fondement culturel : La Chine s'appuie sur les traditions éducatives confucéennes mettant l'accent sur la diligence, le respect des enseignants et le service de l'État ; l'Europe s'appuie sur les traditions des Lumières mettant l'accent sur la pensée critique, l'autonomie individuelle et la participation civique.
Aucun des deux modèles ne répond pleinement au défi central de l'université du futur : intégrer la capacité technologique à la finalité humaniste. La Chine démontre ce que la technologie peut accomplir à grande échelle ; l'Europe démontre pourquoi l'échelle seule est insuffisante sans réflexion éthique et épanouissement individuel comme objectifs éducatifs.
7.5 La question des compétences : que devrait enseigner l'université du futur ?
Derrière les questions institutionnelles et technologiques se trouve une question plus fondamentale : que devrait enseigner l'université du futur ? La réponse traditionnelle — des connaissances disciplinaires organisées en programmes de diplômes — est de plus en plus insuffisante dans un monde où les savoirs sont abondants, librement accessibles et rapidement obsolescents. Le Rapport sur l'avenir de l'emploi du Forum économique mondial (2024) estime que 44 pour cent des compétences fondamentales des travailleurs seront perturbées dans les cinq ans, rendant les ensembles de compétences statiques obsolètes plus vite que les universités ne peuvent mettre à jour leurs programmes.
La Chine a répondu à ce défi avec une franchise caractéristique, imposant la littératie en IA comme compétence fondamentale dès l'école primaire et intégrant des cours d'« innovation et entrepreneuriat » (创新创业) dans les programmes universitaires de toutes les disciplines. Le chapitre compagnon sur les formes alternatives d'apprentissage (Woesler, ce volume) documente comment les institutions chinoises adoptent également les micro-certifications, l'éducation fondée sur les compétences et l'apprentissage par projet comme compléments aux programmes de diplômes traditionnels.
Les réponses européennes ont été plus variées mais convergent de plus en plus vers un cadre de « compétences transversales » — pensée critique, créativité, collaboration, communication, littératie numérique et raisonnement éthique. Le cadre des compétences clés pour l'apprentissage tout au long de la vie de l'UE (mis à jour en 2018) fournit un point de référence, mais la mise en œuvre au niveau institutionnel reste incohérente.
La question plus profonde est de savoir si l'université du futur devrait principalement enseigner aux étudiants quoi penser (transmission des savoirs), comment penser (raisonnement critique) ou comment apprendre (capacité d'adaptation). Le modèle chinois, avec son accent sur les compétences pratiques et les priorités de développement national, tend vers le premier et le troisième. Le modèle européen, avec son accent sur la Bildung et la liberté académique, tend vers le deuxième. L'université du futur aura besoin des trois — et de la sagesse de savoir quand chacun est approprié.
Cela nous ramène à la convergence confucéo-lumièriste mentionnée précédemment. Les deux traditions reconnaissent que l'éducation doit aller au-delà du simple transfert de connaissances pour développer la personne dans son entièreté — le 君子 (junzi, homme exemplaire) confucéen et l'idéal des Lumières du citoyen autonome et pensant de manière critique. À l'ère de l'intelligence artificielle, ces idéaux humanistes ne sont pas obsolètes ; ils sont plus essentiels que jamais. Les capacités distinctement humaines que les deux traditions cultivent — le jugement moral, la sensibilité esthétique, l'empathie, la capacité à naviguer dans l'ambiguïté et la complexité — sont précisément les capacités que l'IA ne peut reproduire et que le marché du travail de l'avenir valorisera de plus en plus.
8. Conclusion
L'université du futur ne sera ni un campus intelligent chinois ni un séminaire humaniste européen — elle devra être les deux à la fois. Le défi de la décennie à venir n'est pas de choisir entre l'efficacité technologique et la profondeur humaniste mais de les intégrer. L'apprentissage personnalisé par l'IA doit coexister avec la culture de l'autonomie intellectuelle. L'infrastructure de salles de classe intelligentes doit servir l'innovation pédagogique, et non simplement la gestion des installations. L'IA générative doit être intégrée dans les programmes de manière à développer la pensée critique des étudiants plutôt qu'à la remplacer. Et l'apprentissage hybride doit être conçu non pas simplement pour la commodité mais pour une véritable efficacité éducative.
La comparaison des approches européennes et chinoises de la transformation universitaire révèle qu'aucun des deux systèmes n'a pleinement résolu l'énigme de l'université du futur. La Chine démontre ce qui est possible lorsqu'un État consacre des ressources massives à la numérisation de l'éducation ; l'Europe démontre ce qui est nécessaire lorsque la transformation éducative est guidée par des valeurs démocratiques et des traditions humanistes. L'université qui prospérera en 2035 — et en 2050 — sera celle qui apprendra des deux traditions, combinant l'échelle avec la subtilité, la rapidité avec la réflexion et l'innovation avec les valeurs humaines durables qui ont soutenu l'université pendant près d'un millénaire.
Remerciements
Cette recherche a été soutenue par le Centre d'excellence Jean Monnet « Centre d'études européennes : Numérisation en Europe et en Chine » (EUSC-DEC), financé par l'Union européenne dans le cadre de la convention de subvention n° 101126782. Les opinions exprimées sont uniquement celles de l'auteur et ne reflètent pas nécessairement celles de l'Union européenne.
Références
Computers and Education: Artificial Intelligence. (2025). Generative AI in higher education: A global perspective of institutional adoption policies and guidelines. Elsevier. DOI: 10.1016/j.caeai.2024.100348.
EDUCAUSE. (2025). Shaping the future of learning: AI in higher education.
Elbertsen, L., Kok, R., & Salimi, N. (2025). Designing the future smart campus: Integrating key elements to enhance user experience. Journal of Science and Technology Policy Management, 16(10), 117–137.
European Universities Association (EUA). (2025). Similarities and differences in the digital transformation of higher education. Global University Associations Forum (GUAF).
International Center for Academic Integrity (ICAI). (2024). Academic integrity and generative AI: Student survey data. As cited in: Frontiers in Artificial Intelligence (2024), „Shaping integrity: Why generative artificial intelligence does not have to undermine education." DOI: 10.3389/frai.2024.1471224.
Liu, X., et al. (2025). Regulations, technology policies and universities' attitudes to artificial intelligence in China. Higher Education Quarterly, 79(4). DOI: 10.1111/hequ.70055.
OECD. (2023). Digital Education Outlook 2023: Emerging governance of generative AI in education.
Rize Education. (2025). The hybrid college of the future.
Ruano-Borbalan, J.-C. (2025). The transformative impact of artificial intelligence on higher education: A critical reflection on current trends and future directions. International Journal of Chinese Education. SAGE. DOI: 10.1177/2212585X251319364.
UNESCO. (2023). Smart Education Platform of China: Laureate of UNESCO Prize for ICT in Education.
Wang, X., Xu, X., Zhang, Y., Hao, S., & Jie, W. (2024). Exploring the impact of artificial intelligence application in personalized learning environments: Thematic analysis of undergraduates' perceptions in China. Humanities and Social Sciences Communications, 11(1), 1644.
Yu, T., Dai, J., & Wang, C. (2023). Adoption of blended learning: Chinese university students' perspectives. Humanities and Social Sciences Communications. 10(1), 390. Nature.
Woesler, M. (ce volume). Cadres éthiques pour l'IA dans l'enseignement supérieur : entre réglementation européenne et innovation chinoise.
Woesler, M. (ce volume). Protection des données des étudiants dans l'université numérique : comparaison du RGPD et de la PIPL chinoise.
Woesler, M. (ce volume). Apprendre une langue étrangère avec et sans IA : une étude comparative empirique.
World Economic Forum (WEF). (2023). Future of Jobs Report 2023.
Xie, Q., Li, M., & Cheng, F. (2025). Between regulation and accessibility: How Chinese university students navigate global and domestic generative AI. Globalisation, Societies and Education. Taylor & Francis.
Yaqin, A. M. A., Muqoffi, A. K., Rizalmi, S. R., Pratikno, F. A., & Efranto, R. Y. (2025). Hybrid learning in post-pandemic higher education systems: an analysis using SEM and DNN. Cogent Education, 12(1), 2458930. Taylor & Francis.
Zhang, C. (2026). Unlocking academic gains in smart-classroom settings: A moderated-mediation study among Chinese undergraduates. Acta Psychologica. Elsevier.