Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Marketing: visuelle elementer og bannere

Lektion 7 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Marketing: visuelle elementer og bannere
  2. Annoncebannere
  3. Visuelle elementer til sociale medier
  4. Illustrationer til blogartikler
  5. Sæt til marketingkampagne
  6. Test før du beslutter dig
  7. Vaner, der gør forskellen

Opdateret 2. november 2026 — billedmodeller. gpt-image-1, som dette kursus oprindeligt blev skrevet til, blev afviklet den 23. oktober 2026, og gpt-image-1.5, gpt-image-1-mini samt chatgpt-image-latest vil blive udfaset den 1. december 2026. Eksemplerne bruger nu gpt-image-2.5-sunburst, den mest præcise model til redigering; gpt-image-2.5-flare er hurtigere til standardgenerering. Begge understøtter også kvalitetsniveauerne xhigh og max. GPT Image-modeller returnerer altid billeder i base64: parameteren response_format fra ældre DALL·E-modeller accepteres ikke og er fjernet fra koden. Kilde: Image generation (OpenAI).

Marketing: visuelle elementer og bannere

Marketingteams forbruger visuelt indhold kontinuerligt: annoncebannere, sociale medie-opslag, artikelillustrationer og e-mail-overskrifter. Flaskehalsen er næsten aldrig idéen – det er produktionen. GPT Image via API’en flytter denne flaskehals ved at lade dig industrialisere output uden at gå på kompromis med kvaliteten, forudsat at du indkoder i dine prompts, hvad en art director ville kræve.

Annoncebannere

Et banner er ikke en illustration: det er en besked, der skal være læselig i små størrelser, i et rodet miljø og på et splitsekund. Din prompt skal derfor indeholde den nøjagtige tekst i anførselstegn og håndhæve læselighedsbetingelser – fed sans-serif-typografi, høj kontrast mellem tekst og baggrund samt en tydelig call-to-action. Funktionen nedenfor låser disse begrænsninger én gang for alle og varierer kun beskeden og den grafiske stemning, her en blå-violet gradient med lyse partikler til et tilbud om en gratis prøveperiode.

from openai import OpenAI
import base64

client = OpenAI()

def banniere_pub(message: str, style: str, format_nom: str, output: str):
    """Generate an ad banner with embedded text."""
    prompt = (
        f"Professional ad banner with the text \"{message}\" "
        f"in large, legible letters, {style}, "
        "clean and modern design, clear call to action, "
        "bold sans-serif typography, high text/background contrast"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",  # landscape format for banners
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Banner {format_nom}: {output}")


banniere_pub(
    message="30-day free trial",
    style="blue-violet gradient, light particles, tech mood",
    format_nom="leaderboard",
    output="banniere_essai.png"
)

Visuelle elementer til sociale medier

Hver platform har sine egne koder, og det ses straks, hvis du poster det samme kvadratiske billede overalt. Et nøgternt LinkedIn-opslag i blå og grå nuancer fungerer ikke på Instagram, hvor brugere forventer levende farver og en centreret komposition; en vertikal story kræver tekst i toppen og det visuelle i bunden, fordi brugerens tommelfinger dækker den nederste del af skærmen. Funktionen visuel_social indkoder disse forskelle i et konfigurationsordbog, der mapper hver platform til dens oprindelige opløsning og stilistiske brief, og sammensætter derefter prompten ud fra det emne og den tekst, du angiver.

from openai import OpenAI
import base64

client = OpenAI()

def visuel_social(plateforme: str, sujet: str, texte: str, output: str):
    """Generate a visual adapted to a social platform."""
    configs = {
        "instagram_post": {
            "size": "1024x1024",
            "style": "polished aesthetic, vibrant colors, centered composition"
        },
        "instagram_story": {
            "size": "1024x1536",
            "style": "vertical, text at top, impactful visual at bottom"
        },
        "linkedin": {
            "size": "1536x1024",
            "style": "professional and sober, blue and gray tones, corporate"
        },
        "twitter": {
            "size": "1536x1024",
            "style": "eye-catching, strong contrast, legible at small sizes"
        },
    }

    config = configs.get(plateforme, configs["instagram_post"])

    prompt = (
        f"Visual for {plateforme.replace('_', ' ')}, "
        f"subject: {sujet}, "
        f"displayed text: \"{texte}\", "
        f"{config['style']}, "
        "professional design, ready to publish"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size=config["size"],
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Visual {plateforme}: {output}")


visuel_social("instagram_post", "AI product launch", "New: CorsenBot 2.0", "ig_post.png")
visuel_social("linkedin", "developer recruitment", "We're hiring!", "linkedin_post.png")
visuel_social("instagram_story", "summer promotion", "-30% this weekend", "ig_story.png")

Illustrationer til blogartikler

En artikels forsidebillede følger en kontraintuitiv regel: det må ikke indeholde tekst. Dit CMS vil lægge titlen ovenpå, og et billede, der allerede bærer bogstaver, bliver til ulæseligt grød, når overskriften påføres. Prompten angiver derfor dette eksplicit, udover at anmode om en panoramisk komposition og harmoniske farver. Listen over artikler nedenfor viser også, hvordan en enkelt funktion betjener tre meget forskellige registre – 3D-isometrisk blåt til et kundeserviceemne, farverig collage til marketingtrends, mørk tech med grønne neonlys til cybersikkerhed.

from openai import OpenAI
import base64

client = OpenAI()

def illustration_article(titre_article: str, style: str, output: str):
    """Generate a header illustration for a blog article."""
    prompt = (
        f"Conceptual illustration for an article titled \"{titre_article}\", "
        f"{style}, "
        "panoramic composition, no text in the image, "
        "harmonious colors, suitable as a blog cover image"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Illustration: {output}")


articles = [
    ("How AI is transforming customer service", "3D isometric style, blue tones"),
    ("5 marketing trends for 2026", "modern collage, bright colors"),
    ("Cybersecurity guide for SMBs", "dark tech style, green neons"),
]

for i, (titre, style) in enumerate(articles):
    illustration_article(titre, style, f"article_header_{i+1}.png")

Sæt til marketingkampagne

En kampagne kører aldrig på ét enkelt visuelt element. Du har brug for kampagnens hero-banner, det kvadratiske sociale medie-opslag, den vertikale story og e-mail-overskriften, som alle bærer samme besked og farvepalet. Det er præcis her, API’en slår manuelt arbejde: i stedet for at eksportere en kildefil fire gange, beskriver du kampagnen én gang og lader løkken producere hver variant i dens oprindelige opløsning. JSON-manifestet, der skrives til sidst, er ikke bare pynt – det er det, der gør det muligt for dit publiceringsværktøj at finde den rigtige fil til den rigtige plads.

from openai import OpenAI
import base64
import json

client = OpenAI()

def kit_campagne(
    nom_campagne: str,
    message_principal: str,
    palette: str,
    output_dir: str = "."
):
    """Generate a complete visual kit for a marketing campaign."""
    assets = [
        {
            "nom": "hero_banner",
            "size": "1536x1024",
            "prompt_extra": "large hero banner, centered text, maximum impact"
        },
        {
            "nom": "social_square",
            "size": "1024x1024",
            "prompt_extra": "square social post, centered composition"
        },
        {
            "nom": "story_vertical",
            "size": "1024x1536",
            "prompt_extra": "vertical story format, text at top, visual at bottom"
        },
        {
            "nom": "email_header",
            "size": "1536x1024",
            "prompt_extra": "email marketing header, sober and professional"
        },
    ]

    resultats = []

    for asset in assets:
        prompt = (
            f"Marketing visual for the \"{nom_campagne}\" campaign, "
            f"message: \"{message_principal}\", "
            f"palette: {palette}, "
            f"{asset['prompt_extra']}, "
            "premium design, modern typography"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size=asset["size"],
            quality="high",
        )

        path = f"{output_dir}/{nom_campagne}_{asset['nom']}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)

        resultats.append({"asset": asset["nom"], "path": path})
        print(f"  {asset['nom']} → {path}")

    # Save the manifest
    manifeste_path = f"{output_dir}/{nom_campagne}_manifeste.json"
    with open(manifeste_path, "w") as f:
        json.dump(resultats, f, indent=2, ensure_ascii=False)

    print(f"\nComplete kit: {len(resultats)} visuals generated")
    print(f"Manifest: {manifeste_path}")
    return resultats


kit_campagne(
    nom_campagne="rentree-2026",
    message_principal="Train in AI starting this September",
    palette="deep blue, copper orange, white"
)

Test før du beslutter dig

Marketing træffer sjældent beslutninger ud fra mavefornemmelser: det sker ud fra tal. Men du har brug for flere versioner til at måle mod hinanden, hvilket tidligere kostede meget, når du skulle hyre en designer til hver enkelt. A/B-testfunktionen genererer lige så mange varianter, som konfigurationer du sender til den, og navngiver filerne med bogstaver – A, B, C – så det er let at matche dem med dine kampagnestatistikker. Eksemplet sætter tre behandlinger af samme annonce for en meditationsapp op mod hinanden: en fotografisk tilgang med natur og gyldent lys, en minimalistisk geometrisk illustration og en abstrakt gradient med svævende partikler. Konceptet og teksten ændres ikke; kun den visuelle behandling testes, hvilket er betingelsen for, at testresultatet betyder noget.

from openai import OpenAI
import base64

client = OpenAI()

def ab_test_visuels(concept: str, variantes: list[dict], output_prefix: str):
    """Generate A/B variants of the same marketing concept."""
    for i, variante in enumerate(variantes):
        lettre = chr(65 + i)  # A, B, C...
        prompt = (
            f"{concept}, "
            f"style: {variante['style']}, "
            f"dominant color: {variante['couleur']}, "
            "professional design, ready to publish"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{output_prefix}_variante_{lettre}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Variant {lettre} ({variante['style'][:30]}) → {path}")


ab_test_visuels(
    concept="Ad for a meditation app with the text 'Find your calm'",
    variantes=[
        {"style": "photographic, nature and golden light", "couleur": "green and gold"},
        {"style": "minimalist illustration, geometric shapes", "couleur": "pastel blue"},
        {"style": "abstract gradient, floating particles", "couleur": "purple and pink"},
    ],
    output_prefix="meditation_ad"
)

Vaner, der gør forskellen

Fem vaner adskiller industrialiseret produktion fra en bunke usammenhængende visuelle elementer. Mærkekonsistens lever i prompten: inkluder systematisk din farvepalet og stil, ellers starter hver generering fra en standardæstetik, og dit feed bliver et lapppetæppe. Tekstens læselighed kræver disciplin i længden – GPT Image håndterer typografi godt, men en besked på fem til syv ord er grænsen, hvorefter et banner bliver til et ulæseligt afsnit.

Generér altid i mediets oprindelige dimension i stedet for at beskære bagefter, fordi modellen komponerer til den ramme, du giver den, og beskæring flytter motivet ud af dets styrkezone. Arkivér dine prompts undervejs: et bibliotek med velafprøvede formuleringer efter visuel type er langt mere værd efter seks måneder end enhver engangshastighedsgevinst. Kør endelig hvert visuelt element gennem et grundlæggende juridisk tjek, selv bare et hurtigt blik, for at verificere, at det ikke minder om et eksisterende varemærke.

Sæt alt dette sammen til en fiktiv produktlancering: et script, der genererer hero-banneret, Instagram-opslaget, story’en, LinkedIn-visualen og to A/B-varianter af hovedopslaget, alt sammen ledsaget af et JSON-manifest, der lister hver produceret fil.