Ces dernières années ont vu la domination des Réseaux de Convolution Graphique (Graph Convolutional Networks, GCNs) dans le domaine de la prédiction du mouvement humain. Diverses formes de convolutions graphiques ont été proposées, chacune étant soigneusement conçue et intégrée dans une architecture de réseau élaborée. Cet article franchit les limites des connaissances actuelles en introduisant Universal Graph Convolution (UniGC), un nouveau concept de convolution graphique qui reconceptualise différentes convolutions graphiques comme des cas particuliers. En exploitant UniGC au niveau du réseau, nous proposons GCNext, une nouvelle paradigme pour la construction de GCNs qui détermine dynamiquement les convolutions graphiques les mieux adaptées, tant par échantillon que par couche. GCNext offre plusieurs cas d'utilisation, notamment l'entraînement d'un nouveau GCN à partir de zéro ou l'affinement d'un GCN préexistant. Les expériences menées sur les jeux de données Human3.6M, AMASS et 3DPW montrent que, grâce à des designs uniques allant du module au réseau, GCNext réduit jusqu'à 9 fois le coût computationnel par rapport aux méthodes GCN existantes, tout en atteignant des performances d'état de l'art.