L’université française à l’horizon 2030 : entre l’illusion des moyens et l’urgence d’un nouveau pacte financier

Le paysage de l’enseignement supérieur public français est aujourd’hui marqué par une « sédimentation de moyens historiques » qui ne suffit plus à masquer une réalité brutale : l’essoufflement d’un modèle. À première vue, les voyants semblent au vert avec des crédits publics au plus haut, mais derrière cette façade, les établissements s’approchent d’un mur budgétaire.

Le rapport des « Assises du financement des universités » de juin 2026 révèle un paradoxe systémique : plus l’État investit, plus la santé financière des universités se dégrade. Entre une autonomie restée inachevée et des charges exogènes dévorantes, l’institution doit aujourd’hui choisir entre une refonte structurelle ou un déclin programmé. Dans cet article, les Robots vous proposent un résumé des principaux éclairages que présente ce rapport, en imaginant qu’ils constituent une base de réflexion pour les programmes des candidats aux futures élections.

Le paradoxe des chiffres : plus de moyens, moins de santé financière

Entre 2018 et 2025, la Subvention pour Charge de Service Public (SCSP) a progressé de 26 % en valeur absolue ([1]). Pourtant, cette bouffée d’oxygène a été immédiatement inhalée par une hausse vertigineuse des charges. La capacité d’autofinancement (CAF) des universités a chuté de 37 % sur la période, tandis que le résultat financier global s’est effondré.

Ce gain de ressources est littéralement « dévoré » par des facteurs structurels et des décisions nationales dont les universités subissent le contrecoup :

• Le CAS Pension : une hausse de 4 points du taux de cotisation employeur en 2025, dont la compensation par l’État n’a été que partielle (75 % pour la majorité des établissements en 2026).
• Le GVT (Glissement-Vieillesse-Technicité) : le poids mécanique de l’ancienneté des personnels sur la masse salariale. Le GVT est en théorie compensé par l’Etat mais la question est toujours celle de la compensation insuffisante dans certains cas.
• L’explosion énergétique : une hausse des charges liées aux « fluides » (énergie) de 53 % entre 2018 et 2025.
• Les mesures « Guérini » : les revalorisations du point d’indice non intégralement couvertes par les ressources propres.

« La dégradation de ces indicateurs traduit une détérioration de la santé financière des universités et d’une dynamique de produits qui peine de plus en plus à couvrir celle des charges. » — Rapport Fournel-Roussel, juin 2026.

[1] Rapport Fournel-Roussel, juin 2026. Soit une hausse en euros constants qui pourrait être estimée entre 0,6 et 0,8 Md€ entre 2018 et 2025 dans un contexte où la hausse nominale est de 26 % et que l’inflation cumulée supérieur atteint environ 19 %.

L’autonomie a-t-elle échoué ?

Vingt ans après la première loi d’autonomie, le constat est parfois dur et suscite toujours le débat : elle demeure « partielle et asymétrique ». En réalité, les universités ont hérité d’un transfert de la gestion des difficultés financières plutôt que d’un véritable pouvoir de décision.

L’État maintient un surcontrôle étouffant sur des leviers stratégiques comme l’immobilier ou les ressources humaines. A propos de l’immobilier, il faut cependant noter que toutes les universités n’ont pas demandé la dévolution. Mais pour beaucoup d’entre elles, ce cadre d’action inadapté empêche les présidents d’université de piloter leur établissement comme de véritables chefs de file. Avec parfois, comme conséquence un manque de confiance réciproque qui contraint les acteurs à une gestion de court terme.  Ce que les esprits critiques du système transforment facilement en un constat négatif : les universités sont « autonomes » pour gérer leurs déficits, mais restent « sous tutelle » dès qu’il s’agit d’innover dans leur organisation ou leur offre de formation.

Les appels à projets : une fausse vraie bonne idée

Pour pallier la stagnation de la subvention d’État, les universités se sont ruées sur les financements compétitifs (ANR, France 2030). Si la France se classe au 2ème rang des bénéficiaires européens, elle peine à s’imposer sur la scène internationale, ne captant que 11 % des fonds Horizon Europe (contre 17 % de son poids économique) et ne coordonnant que 8,6 % des projets. En effet, le rapport Fournel/Roussel souligne « qu’au niveau européen, la France occupe une place importante, mais encore insuffisante, dans la captation des appels à projets ». Ainsi les rapporteurs constatent que « la France se situe néanmoins au quatrième rang européen pour le nombre de projets subventionnés et au cinquième rang en termes de volume de candidatures. Elle se positionne en revanche difficilement en coordination des projets collaboratifs avec seulement 8,6 % des projets coordonnés, derrière l’Espagne, l’Italie et l’Allemagne. »

En quoi les Appels A Projets (AAP) posent-ils un problème ?

Paradoxalement, le succès aux appels à projets peut fragiliser un budget. Le problème central réside dans le préciput (le forfait de gestion) versé par l’ANR, qui s’avère insuffisant pour couvrir les coûts complets (chauffage, personnel permanent, maintenance, frais de gestion). Sans une comptabilité analytique fine, les universités financent indirectement le fonctionnement des projets de recherche sur leur budget de base, générant une « marge négative » qui creuse le déficit structurel.

Et le patrimoine dans tout cela ?

Le patrimoine immobilier universitaire est le troisième plus massif de l’État, et d’ailleurs, on comptabilise aujourd’hui près de 14 millions de m² sous-exploités. En effet, ce parc génère à peine 0,6 % des revenus des universités. A nouveau le rapport constate que le verrou est institutionnel : seules 11 universités bénéficient aujourd’hui de la « dévolution » (la pleine propriété de leurs murs).

Le passage à une gestion patrimoniale directe semble être le levier indispensable pour transformer ces coûts en ressources. Le rapport identifie plusieurs opportunités de valorisation que l’on peut toutefois relativiser selon leur degré de faisabilité, pas toujours évident :

• La production et la revente d’énergie sur les campus.
• La gestion des infrastructures scientifiques (SPSI) comme plateformes de services.
• L’optimisation foncière via la création d’incubateurs ou de pépinières d’entreprises.
• L’exploitation événementielle et locative durant les périodes de faible activité.

Vers une hausse modérée des droits d’inscription 

C’est la proposition la plus radicale pour diversifier les revenus sans sortir du modèle public : porter les droits d’inscription à 900 € en licence et 1 300 € en master. L’objectif est de porter les droits d’inscription à 10 % des ressources propres pour générer 1,5 milliard d’euros supplémentaires (estimation du rapport).

Le rapport suggère deux rythmes : une transition lissée sur 5 à 6 ans pour les familles, ou un choc immédiat dont le surplus alimenterait un « Fonds pour la modernisation des universités ». Ce fonds deviendrait un véhicule d’investissement massif, avec une capacité cumulée de 5 milliards d’euros pour la rénovation des campus.

« Il est impératif de préserver le pacte social. Cette hausse doit s’accompagner d’une refonte des bourses et de la création de prêts à remboursement contingent, garantis par l’État, où l’étudiant ne rembourse qu’une fois un certain seuil de salaire atteint. »

Le ministre appelle de ses vœux l’ouverture d’un débat public sur ces questions et demande aux candidats de la future élection présidentielle de se prononcer sur leurs choix et leur vision de l’enseignement supérieur public.

L’horizon 2030 promet-il le risque d’un déficit de 2 milliards ? Est-il encore temps de réagir et de sauver le soldat Université ?

Sans changement de trajectoire, le déficit projeté pour 2030 s’élève à 2 milliards d’euros. C’est en tout cas ce que présente ce rapport. Devant cette perspective peu réjouissante, force est de constater que le temps presse. Ainsi, les chiffres montrent que la France dispose d’une fenêtre de tir étroite avant le basculement démographique de 2033, qui verra les effectifs étudiants baisser alors que les coûts énergétiques et de personnel continueront de croître. Une équation intenable.

L’avenir de l’université française se jouerait alors sur sa capacité à passer d’une autonomie de gestion à une autonomie de stratégie. La stratégie d’établissement définira sans nul doute les priorités et les choix conduisant, soit à l’échec, soit à un nouvel équilibre.

Mais, au-delà du débat comptable et des divergences de vision stratégique, une question demeure : quelle valeur réelle accordons-nous à notre enseignement supérieur public dans la compétition mondiale de l’intelligence ?

Lien vers le rapport complet : https://www.enseignementsup-recherche.gouv.fr/sites/default/files/2026-06/rapport-des-assises-du-financement-des-universit-s-pdf-40649.pdf

L’AI Act ne régule pas seulement l’intelligence artificielle. Il redéfinit silencieusement ce que signifie produire, transmettre et valoriser le savoir en Europe. Voilà qui pourrait bien compliquer la vie des Robots tout en mettant en lumière la pertinence de leurs expertises. Alors, pour aller plus loin dans les conséquences de l’application de ce texte, nous vous proposons d’explorer les premières expériences vécues par le monde de l’Enseignement Supérieur et de la Recherche.

Rappelons en préambule que l’AI Act est entré en vigueur le 1er août 2024 avec une mise en application progressive jusqu’en 2027, et qu’il constitue le premier cadre juridique global régissant l’intelligence artificielle. Son approche par les risques classe les systèmes d’IA en quatre catégories : risque inacceptable (interdits), haut risque (encadrement strict), risque limité (obligations de transparence) et risque minimal (libre développement).

Depuis plusieurs mois, ce texte est commenté sous un angle essentiellement juridique ou technologique. On parle partout de niveaux de risque, de conformité, d’obligations pour les fournisseurs de modèles. Mais dans le monde de l’Enseignement Supérieur et de la Recherche, l’enjeu est ailleurs. Plus diffus. Plus structurant. Car ce que l’AI Act vient toucher, ce n’est pas uniquement l’usage des technologies. C’est l’architecture même de la confiance académique. Dans une université, une école ou un laboratoire, la confiance est partout. Dans l’évaluation d’un étudiant. Dans la validation d’un résultat scientifique. Dans la réputation d’un chercheur. Dans la capacité d’une institution à produire du savoir fiable.

Or, l’intelligence artificielle, telle qu’elle s’est diffusée ces dernières années, a profondément fragilisé ces équilibres. Non pas en détruisant la confiance, mais en la rendant plus difficile à situer.

• Qui est l’auteur d’un texte généré avec un modèle ?
• Que vaut une évaluation assistée par un algorithme opaque ?
• Comment interpréter un résultat scientifique produit à partir de données traitées par des systèmes que personne ne comprend entièrement ?

L’AI Act arrive précisément à ce moment-là. Et il impose une réponse européenne très particulière : si la confiance ne peut plus être implicite, elle doit devenir explicite, documentée, démontrable.

L’annexe III de l’AI Act identifie explicitement les systèmes suivants (article 6, paragraphe 2) comme présentant un risque fort dans le secteur de l’éducation et de la formation :

On comprend aisément qu’un dispositif comme ParcoursSup ou encore que les plateformes de proctoring (systèmes de surveillance des examens à distance) sont particulièrement visés par ce cadre légal. D’autant plus que ces systèmes doivent et devront respecter des exigences strictes : documentation technique exhaustive, gestion des risques, gouvernance des données, supervision humaine et marquage CE.

Ainsi, dans l’enseignement, pendant longtemps, les outils numériques ont été considérés comme des supports ou des facilitateurs. Désormais, l’IA change de nature et devient co-productrice des contenus, des évaluations, parfois même des parcours pédagogiques. Avec l’AI Act, cette co-production ne peut plus rester invisible. Elle doit être signalée, expliquée, justifiée. Cela oblige les enseignants à repenser non seulement leurs outils, mais aussi leurs méthodes.

Ainsi, évaluer ne consiste plus seulement à mesurer un résultat. Il faut désormais interroger les conditions de production de ce résultat. Et c’est une évolution majeure !

ULB (Université libre de Bruxelles)
L’université a adopté un plan d’action en sept points, articulé autour de la gouvernance, de la formation, des outils, de l’enseignement et de la recherche. Elle a notamment mis en place des instances internes dédiées, engagé une révision du cadre réglementaire des études et lancé des actions de sensibilisation pour les enseignants, les étudiants et les personnels. L’enjeu est double : sécuriser les usages et accompagner l’acculturation. Voir le plan de l’ULB ici.

Université de Lille
L’établissement s’inscrit dans une dynamique de réflexion sur les usages de l’IA dans l’enseignement et la recherche, en lien avec des travaux sur les politiques institutionnelles et les pratiques des enseignants-chercheurs. La logique dominante est celle de la montée en compétence progressive, avec une attention particulière à la clarté des règles et à la responsabilité des utilisateurs. On pourra consulter la charte d’utilisation des SIAG ici.

Russell Group (Royaume-Uni)
Ce réseau regroupant plusieurs grandes universités de recherche a publié des principes pour l’usage éthique de l’IA générative dans l’enseignement supérieur. Les priorités sont la littératie IA, l’intégrité académique, l’adaptation des évaluations et la prise en compte des effets de l’IA sur l’apprentissage. L’approche est pragmatique : encadrer sans freiner l’innovation.

Voir la charte ici.

Lorsqu’on analyse ces chartes pour en vérifier la conformité avec l’AI Act, on observe quelque chose de plutôt positif. Les chartes sont très orientées sur les usages étudiants et répondent alors bien aux exigences réglementaires.

Par exemple, à l’université de Lille, la charte semble conforme sur les travaux pédagogiques et l’intégrité académique. Elle couvre donc bien l’usage étudiant, mais elle ne suffit pas forcément, à elle seule, à garantir la conformité de tous les usages institutionnels de l’université avec l’ensemble de l’AI Act.

En effet, les obligations de transparence de l’Article 50, ou les exigences plus larges liées à certains systèmes IA utilisés par l’établissement, doivent être vérifiées dans d’autres documents internes et dans les usages réels de l’université.

L’usage de modèles d’IA dans les processus scientifiques — analyse de données, simulation, rédaction — n’est pas nouveau. Mais il change d’échelle et s’étend à des chercheurs issus d’un spectre disciplinaire plus large. Et avec lui, une question devient centrale : peut-on encore parler de preuve scientifique lorsque les outils mobilisés sont en partie opaques ?

L’AI Act impose des exigences de traçabilité, de documentation, de robustesse qui vont progressivement redéfinir les standards de la production scientifique. Sans aucunement chercher à qualifier la science, l’AI Act contribue à redéfinir les conditions dans lesquelles elle peut être reconnue comme telle. Ainsi pour la recherche, la charte interdit de transmettre des données sensibles à des SIAG externes et demande de vérifier les politiques de confidentialité, ce qui est compatible avec les exigences de protection des données et de prudence attendues dans les usages académiques.

Avec l’AI Act, l’Europe ne cherche pas simplement à encadrer l’innovation en régulant ses conditions d’émergence et de diffusion. Elle tente par ailleurs de préciser les conditions de sa légitimité. En effet, l’AI Act redéfinit implicitement ce qu’est une innovation légitime, tant il prône une innovation plus seulement nouvelle, performante ou rentable, mais qui doit être human-centric, fiable, transparente et proportionnée aux risques.

Dans ce mouvement, l’Enseignement Supérieur et la Recherche occupent une position singulière. Non seulement parce qu’ils utilisent ces technologies, mais surtout parce qu’ils participent à définir ce qui sera considéré comme acceptable, fiable et responsable. On pourrait y voir une contrainte. Une couche supplémentaire de complexité dans un système déjà sous tension.

L’Université Paris-Dauphine PSL propose une réponse dans un épisode de son podcast Ex-Machina, consacré à la problématique de l’impact de l’AI Act, apparu à peine deux ans après le lancement de ChatGPT, et accusé un peu rapidement d’être un frein à l’innovation. Les deux intervenants, Olivia Tambou (Maître de conférences en droit européen à l’Université Paris Dauphine – PSL) et Thierry Poibeau (Directeur de recherche CNRS à l’École Normale Supérieure), expliquent pourquoi il ne s’agit pas d’une restriction mais davantage d’une opportunité.

Deux questions cruciales sont au cœur des débats : d’une part les modèles et d’autre part la gouvernance des données utilisées.

La question des modèles :

Les modèles à usage général (GPAI), dont les grands modèles de langage, font l’objet d’obligations distinctes :

• Obligations de transparence pour tous (documentation, respect du droit d’auteur)
• Obligations renforcées pour les modèles présentant unrisque systémique (seuil de 10²⁵ FLOPS d’entraînement) : évaluations adverses, tests de robustesse, signalement d’incidents

Les universités, organismes de recherche et plus spécifiquement les chercheurs développant ou adaptant ces modèles devront intégrer ces exigences dès la conception.

La question de la gouvernance des données de recherche :

Le règlement renforce les exigences en matière de données d’entraînement :

• Documentation des sources et des processus de préparation
• Analyse des biais potentiels
• Respect du RGPD et des droits de propriété intellectuelle

Cela implique une coordination accrue entre services juridiques, délégués à la protection des données, et équipes de recherche.

Les Technology Transfer Offices, en particulier, vont se retrouver en première ligne.

Valoriser une technologie issue de la recherche ne consistera plus seulement à démontrer son potentiel économique. Il faudra aussi évaluer sa conformité réglementaire, ses risques éthiques, sa robustesse.

A ce sujet, l’étude CESAER (https://www.cesaer.org/content/3-task-forces/2024-2025/task-force-innovation/ethical-applications-ai/20250414-workshop-note-initial-survey-results-ai-in-tto.pdf)  sur les usages de l’IA dans les TTO montre que les préoccupations éthiques sont jugées “très significatives” ou “somewhat significant” par la majorité des TTO, et que les risques éthiques représentent un verrou majeur à l’adoption de l’IA dans leurs propres processus. Leurs guides et bonnes pratiques soulignent que les TTO doivent intégrer des comités d’éthique ou des boards de gouvernance dans leurs processus d’IO, définir des règles claires pour l’audit et la mise en conformité de nouveaux outils IA, équilibrer la perspective académique (sociétale) et la perspective business (atténuation des risques).

Le TTO ne décide pas seul de la légitimité éthique, mais il s’assure que la question éthique est traitée avant le transfert. En d’autres termes, la valeur d’une innovation ne sera plus uniquement technique ou marchande. Elle sera aussi normative.

C’est peut-être là que se joue le changement le plus profond. On peut aussi y voir une opportunité plus rare. Celle de réaffirmer que produire du savoir ne consiste pas seulement à aller plus vite ou plus loin, mais à rendre explicites les conditions dans lesquelles ce savoir est produit.

Autrement dit, tous les acteurs de l’ESR devront agir dans la transparence et non pas en réponse à une obligation administrative, respectant ainsi une dimension constitutive de l’excellence académique. Cela ne devrait pas être trop compliqué pour des acteurs dont l’ADN est celui de la démonstration et de la preuve.

L’AI Act ne transforme pas seulement les règles du jeu. Il nous oblige à redéfinir ce à quoi nous acceptons de faire confiance.