Le Modèle Radial™
The Radial Model™
La cohérence créative n'est pas un accident — c'est une architecture. Un noyau de données au centre, des pipelines qui rayonnent, la curation humaine qui referme la boucle. Creative coherence is not an accident — it's an architecture. A data core at the center, pipelines radiating outward, human curation closing the loop.
Par Audric Gagnon — architecte du modèle, fondateur d'experimenting.ai By Audric Gagnon — architect of the model, founder of experimenting.ai
L'essentiel
The essentials
Le Modèle Radial est un modèle de création avec l'intelligence artificielle. Il tient en une image : un noyau de données au centre, des pipelines de génération qui rayonnent autour, un binôme humain-IA qui fait vivre l'ensemble, et une curation humaine qui referme la boucle.
Sa thèse centrale : la cohérence créative n'est pas un accident, c'est une architecture. Quand tous les acteurs d'un projet — humains et IA — partent du même noyau de données propre, les créations qui en sortent sont à la fois diverses et cohérentes. C'est ce qui permet enfin de créer avec l'IA à l'échelle d'une équipe, d'une marque, d'une organisation, sans perdre son âme en chemin.
Et son corollaire, qui change la façon de voir le travail créatif : à l'ère de l'IA, le rôle humain se concentre sur deux fonctions à haute valeur — maintenir le noyau et faire la curation des résultats. Tout le reste peut être amplifié.
The Radial Model is a model for creating with artificial intelligence. It fits in one image: a data core at the center, generation pipelines radiating outward, a human-AI duo driving the whole, and human curation closing the loop.
Its central thesis: creative coherence is not an accident — it's an architecture. When every actor on a project — human and AI — starts from the same clean data core, what comes out is both diverse and coherent. That is what finally makes it possible to create with AI at the scale of a team, a brand, an organization, without losing your soul along the way.
And its corollary, which changes how you look at creative work: in the AI era, the human role concentrates into two high-value functions — maintaining the core and curating the outputs. Everything else can be amplified.
Le problème
The problem
Depuis 2023, j'accompagne des équipes créatives, marketing et médias dans leur adoption de l'IA. Le même scénario revient partout.
Chacun prompte dans son coin. Dix personnes, dix façons de parler à la machine, dix visions implicites du projet. Les résultats sont parfois brillants, souvent inégaux, jamais alignés. La marque se dilue. Les révisions s'empilent. Et la conclusion tombe, presque toujours la même : « l'IA ne comprend pas notre vision. »
Le réflexe est de blâmer l'outil, ou de chercher LE meilleur outil. Mais le problème n'est pas là. Le problème, c'est qu'on demande à l'IA d'être cohérente avec une vision qui n'a jamais été rendue explicite. On automatise l'exécution avant d'avoir clarifié l'intention.
Since 2023, I've been guiding creative, marketing and media teams through AI adoption. The same scenario plays out everywhere.
Everyone prompts in their own corner. Ten people, ten ways of talking to the machine, ten implicit visions of the project. The results are occasionally brilliant, usually uneven, never aligned. The brand dilutes. Revisions pile up. And the conclusion lands, almost always the same: "AI doesn't understand our vision."
The reflex is to blame the tool, or to hunt for THE best tool. But that's not where the problem is. The problem is that we ask AI to be coherent with a vision that was never made explicit. We automate execution before clarifying intent.
L'histoire d'origine
The origin story
Le Modèle Radial n'est pas né dans un livre blanc. Il est né d'une observation terrain qui a d'abord semblé être un échec.
Dans mes ateliers, je fais travailler des équipes sous pression temporelle sur un projet créatif commun, avec l'IA comme partenaire. Le format traverse quatre phases :
The Radial Model wasn't born in a white paper. It was born from a field observation that first looked like a failure.
In my workshops, teams work under time pressure on a shared creative project, with AI as a partner. The format moves through four phases:
C'est là que je pose la question qui fait basculer l'atelier : « Produire la même chose — est-ce une bonne ou une mauvaise chose? » Et les discussions divergent aussitôt, sur deux découvertes.
That's when I ask the question that flips the workshop: "Producing the same thing — is that a good thing or a bad thing?" And the discussions immediately diverge, around two discoveries.
Pour la première fois, on peut pointer d'où elle vient — du noyau de données, ou de la personne qui pilote l'IA. Ce qui relevait du mystère du talent devient une variable qu'on peut situer, discuter, travailler.
For the first time, you can point to where it comes from — the data core, or the person piloting the AI. What used to be a mystery of talent becomes a variable you can locate, discuss, and work on.
Quand on travaille en équipe, « produire la même chose » porte un autre nom : la cohérence. Les résultats convergeaient parce que tout le monde était parti du même noyau. La source commune produisait l'alignement, automatiquement.
When you work as a team, "producing the same thing" goes by another name: coherence. The results converged because everyone had started from the same core. The shared source produced alignment — automatically.
Et si la cohérence émerge de la source partagée, alors elle se conçoit. Elle s'architecture. Dix créatifs avec un noyau clair ne produisent pas dix visions incompatibles : ils produisent dix variations cohérentes d'une même vision. C'est exactement ce qu'une organisation cherche quand elle veut créer à l'échelle.
Ce jour-là, le modèle avait son centre. Il ne restait qu'à le formaliser.
And if coherence emerges from the shared source, then it can be designed. Architected. Ten creatives with a clear core don't produce ten incompatible visions: they produce ten coherent variations of one vision. Which is exactly what an organization is looking for when it wants to create at scale.
That day, the model had its center. All that remained was to formalize it.
Le modèle
The model
Je l'ai nommé Radial parce que c'est sa forme : tout part du centre, tout y revient.
I named it Radial because that's its shape: everything starts from the center, everything returns to it.
Une relation de travail en boucle fermée. L'humain formule la direction, établit les contraintes, évalue; l'IA explore l'espace des possibles, génère des variantes, amplifie. Ni délégation totale, ni outil passif : une co-intelligence.
C'est l'espace que j'appelle curation et créativité : l'humain ne rédige plus chaque ligne, il dirige, il tranche, il affine. Faire de la curation, ce n'est pas choisir passivement dans un catalogue — c'est un acte créatif à part entière.
A closed-loop working relationship. The human sets the direction, establishes the constraints, evaluates; the AI explores the space of possibilities, generates variants, amplifies. Neither full delegation, nor a passive tool: a co-intelligence.
It's the space I call curation and creativity: the human no longer writes every line — they direct, decide, refine. Curation is not passively picking from a catalog; it's a creative act in its own right.
Le centre du modèle. L'ensemble minimal de données définitives, non ambiguës et pertinentes qui définissent le projet : positionnement, publics, piliers de message, ton, valeurs, contraintes. La source unique de vérité créative.
Ce n'est pas une base de données technique : c'est un consensus stratégique rendu explicite. Et la règle distillée de centaines d'ateliers : noyau impur, résultats chaotiques; noyau propre, résultats cohérents.
The center of the model. The minimal set of definitive, unambiguous, relevant data that defines the project: positioning, audiences, message pillars, tone, values, constraints. The single source of creative truth.
It's not a technical database: it's a strategic consensus made explicit. And the rule distilled from hundreds of workshops: impure core, chaotic outputs; clean core, coherent outputs.
Du noyau rayonnent les pipelines : des branches spécialisées de création — stratégie, contenu, images, développement, médias — chacune avec sa séquence d'étapes où humain et IA alternent.
Les pipelines sont modulaires — on ajuste une étape sans refondre l'ensemble — et ils convergent : leurs sorties se rejoignent dans un projet final aligné, parce qu'elles sont parties du même centre.
From the core radiate the pipelines: specialized branches of creation — strategy, content, images, development, media — each with its own sequence of steps where human and AI alternate.
Pipelines are modular — you adjust one step without rebuilding the whole — and they converge: their outputs come together in an aligned final project, because they started from the same center.
La plus grande part du travail créatif à l'ère de l'IA se déplace vers l'amont — définir et nettoyer le noyau. C'est là que se joue la qualité de tout ce qui suit.
In the AI era, the largest share of creative work moves upstream — defining and cleaning the core. That's where the quality of everything downstream is decided.
La boucle qui referme le tout. Au bout des pipelines, la curation : la sélection humaine active, le jugement qui retient ce qui dépasse la moyenne et rejette le reste. Puis le geste le plus important du modèle : ce qui est choisi retourne nourrir le noyau. Les apprentissages de chaque projet raffinent la source. Le système apprend. Le prochain projet part de plus haut.
The loop that closes it all. At the end of the pipelines, curation: active human selection, the judgment that keeps what rises above average and rejects the rest. Then the most important gesture in the model: what gets chosen goes back to feed the core. Each project's learnings refine the source. The system learns. The next project starts from higher ground.
Les fondations scientifiques
The scientific foundations
Avant de défendre le modèle, posons le mot qui le sous-tend. La créativité, ce n'est pas produire du différent pour du différent : c'est produire des idées à la fois originales et pertinentes — divergentes dans leurs angles, justes par rapport à une intention. Une idée originale mais hors sujet, c'est du bruit; une idée pertinente mais convenue, c'est de la moyenne.
Sur ce terrain, une équipe de recherche montréalaise (Université de Montréal, Concordia et Mila) a publié dans Scientific Reports la comparaison la plus rigoureuse à ce jour : les modèles de langage de pointe face à 100 000 humains, sur des tâches de pensée divergente et d'écriture créative, avec un scoring identique (Bellemare-Pepin, Jerbi et coll., 2026). Deux résultats — et ils tiennent ensemble :
Before defending the model, let's pin down the word underneath it. Creativity is not producing different for the sake of different: it's producing ideas that are both original and relevant — divergent in their angles, right for an intention. An original idea that's off-target is noise; a relevant idea that's expected is average.
On that ground, a Montréal research team (Université de Montréal, Concordia and Mila) published in Scientific Reports the most rigorous comparison to date: state-of-the-art language models against 100,000 humans, on divergent-thinking and creative-writing tasks, with identical scoring (Bellemare-Pepin, Jerbi et al., 2026). Two results — and they hold together:
Les meilleurs modèles dépassent désormais la moyenne humaine en pensée divergente, et s'approchent des habiletés humaines en écriture créative. L'IA n'est plus un générateur de banalités.
The best models now surpass the average human in divergent thinking, and approach human abilities in creative writing. AI is no longer a banality generator.
Mais les humains hautement créatifs dépassent encore largement les meilleurs modèles. Le sommet de la créativité n'a pas changé de mains.
But highly creative humans still largely surpass the best models. The summit of creativity hasn't changed hands.
C'est exactement l'asymétrie sur laquelle le Modèle Radial est construit. Si l'IA élève le plancher et que le jugement créatif humain tient le plafond, la question n'est pas « l'humain ou la machine » — c'est comment architecturer les deux pour que chacun joue là où il domine. L'IA amplifie la divergence dans les pipelines : elle explore l'espace des possibles plus vite et plus large que n'importe quelle équipe. L'humain exerce sa créativité là où elle reste souveraine : la direction — charger le noyau d'une intention que la moyenne statistique ne produira jamais — et le discernement — reconnaître, dans le flot des variantes, celle qui dépasse.
Les deux rôles humains du modèle — maintenir le noyau, faire de la curation — ne sont pas ce qui reste quand la machine a tout pris. Ce sont précisément les deux endroits où la recherche montre que l'humain créatif fait encore toute la différence.
That is exactly the asymmetry the Radial Model is built on. If AI raises the floor and human creative judgment holds the ceiling, the question is not "human or machine" — it's how to architect the two so each plays where it dominates. AI amplifies divergence in the pipelines: it explores the space of possibilities faster and wider than any team. The human exercises creativity where it remains sovereign: direction — loading the core with an intent the statistical average will never produce — and discernment — recognizing, in the stream of variants, the one that rises above.
The model's two human roles — maintaining the core, curating — are not what's left over once the machine has taken everything. They are precisely the two places where the research shows the creative human still makes all the difference.
L'objection sérieuse
The serious objection
C'est l'objection sérieuse, et elle mérite une réponse sérieuse.
Des chercheurs de Wharton (Nave, Terwiesch, Meincke, 2024) ont documenté un phénomène réel : quand plusieurs personnes donnent le même prompt à la même IA, les résultats convergent vers une moyenne statistique — à peine 6 % d'idées uniques. La convergence que j'observe dans mes ateliers est le même mécanisme. La différence est dans ce qu'on en fait.
Le Modèle Radial ne dit pas « donnez tous le même prompt ». Il dit : partagez le même noyau, puis divergez dans vos pipelines avec votre propre jugement créatif. Trois mécanismes distinguent la cohérence intentionnelle de l'homogénéité subie :
That's the serious objection, and it deserves a serious answer.
Researchers at Wharton (Nave, Terwiesch, Meincke, 2024) documented a real phenomenon: when several people give the same prompt to the same AI, outputs converge toward a statistical average — barely 6% unique ideas. The convergence I observe in my workshops is the same mechanism. The difference is in what you do with it.
The Radial Model does not say "everyone use the same prompt." It says: share the same core, then diverge in your pipelines with your own creative judgment. Three mechanisms separate intentional coherence from suffered homogeneity:
La convergence de Wharton émerge quand le prompt remplace la pensée. Le Modèle Radial remet la pensée au centre — littéralement.
Wharton's convergence emerges when the prompt replaces thinking. The Radial Model puts thinking back at the center — literally.
Applications
Applications
Le modèle est un fondement de mes formations : sur les 600+ professionnels que j'ai formés, près de 400 l'ont été spécifiquement sur la créativité, l'IA et le Modèle Radial. Il a été éprouvé dans des contextes volontairement différents — agences, équipes marketing, un diffuseur public majeur, studios de production, créateurs de balados, organismes de formation. Les pipelines changent à chaque fois. La structure, jamais.
Et il s'applique à toute matière créative, parce qu'il n'est attaché à aucune :
The model is a foundation of my training programs: of the 600+ professionals I've trained, nearly 400 were trained specifically on creativity, AI and the Radial Model. It has been field-tested in deliberately different contexts — agencies, marketing teams, a major public broadcaster, production studios, podcast creators, training organizations. The pipelines change every time. The structure never does.
And it applies to any creative matter, because it's tied to none:
Du livrable le plus concret à la réflexion la plus en amont : si ça se crée avec l'IA, ça part du même noyau et ça suit le même principe.
C'est le test qui m'a convaincu de le publier : un modèle qui survit au passage du marketing à l'éditorial au balado sans se déformer n'est pas une recette — c'est une structure.
From the most concrete deliverable to the most upstream thinking: if it's created with AI, it starts from the same core and follows the same principle.
That's the test that convinced me to publish it: a model that survives the trip from marketing to editorial to podcasting without deforming isn't a recipe — it's a structure.
Le modèle a une limite, et je préfère la nommer moi-même : un noyau trop volumineux finit par déborder de la fenêtre de contexte des outils d'IA. Un univers riche, documenté sur des dizaines de pages, ne peut pas être avalé en entier à chaque génération — ça consomme, ça ralentit, et ça dilue la direction.
La réponse est déjà dans la structure : quand le noyau déborde, on le fait grandir en arbre. Un noyau principal porte l'essentiel de l'univers — valeurs, positionnement, contraintes universelles — et chaque projet reçoit son sous-noyau, plus petit, qui en découle et n'embarque que ce dont ce projet a besoin. La règle de filiation est stricte : un sous-noyau hérite du noyau principal, jamais l'inverse. La cohérence cascade du tronc vers les branches.
La connexion entre les noyaux ne se fait pas encore automatiquement — c'est l'humain qui maintient la filiation. C'est la frontière actuelle du modèle, et le chantier des travaux en cours.
The model has a limit, and I'd rather name it myself: a core that grows too large ends up overflowing the context window of AI tools. A rich universe, documented across dozens of pages, can't be swallowed whole at every generation — it consumes, it slows down, and it dilutes the direction.
The answer is already in the structure: when the core overflows, you grow it as a tree. A main core carries the essentials of the universe — values, positioning, universal constraints — and each project gets its own sub-core, smaller, derived from it, carrying only what that project needs. The rule of descent is strict: a sub-core inherits from the main core, never the other way around. Coherence cascades from the trunk to the branches.
The connection between cores doesn't happen automatically yet — the human maintains the lineage. That's the model's current frontier, and the focus of ongoing work.
À retenir
Takeaways
Si vous ne retenez que trois phrases :
If you only keep three sentences:
Deux fonctions, toutes deux stratégiques, toutes deux irremplaçables.
Two functions, both strategic, both irreplaceable.
La qualité de vos créations avec l'IA est déterminée en amont, dans le noyau, pas dans le prompt.
The quality of what you create with AI is decided upstream, in the core — not in the prompt.
Les plateformes d'IA de 2026 ne seront pas celles de 2028. La structure radiale, elle, ne dépend d'aucune d'elles.
The AI platforms of 2026 won't be those of 2028. The radial structure depends on none of them.
Lexique
Glossary
Statut du modèle
Status of the model
Le Modèle Radial est un cadre vivant. Cette page en est la référence canonique : chaque évolution y sera versionnée et datée. Version courante : 1.0 (juillet 2026). Le modèle a été développé, nommé et formalisé par Audric Gagnon à Montréal, à partir d'observations terrain menées depuis 2023 dans le cadre des ateliers et mandats d'experimenting.ai.
Pour citer le modèle :
The Radial Model is a living framework. This page is its canonical reference: every evolution will be versioned and dated here. Current version: 1.0 (July 2026). The model was developed, named and formalized by Audric Gagnon in Montréal, from field observations conducted since 2023 through experimenting.ai's workshops and engagements.
To cite the model:
Vous voulez l'appliquer, l'enseigner ou le critiquer? Les trois me font plaisir. Citez la source, et écrivez-moi.
Want to apply it, teach it, or challenge it? All three make me happy. Cite the source, and write to me.
Aller plus loin
Going further
Le modèle complet en PDF : le gabarit de noyau à remplir, les pipelines types, la checklist de curation et les pièges observés en atelier. Gratuit, contre votre courriel.
The full model as a PDF: the fill-in data core template, typical pipelines, the curation checklist and the traps observed in workshops. Free, in exchange for your email.