Design: Mockups og hurtig prototyping
På denne side
Opdateret 2. november 2026 — Billedmodeller.
gpt-image-1, modellen dette kursus oprindeligt blev skrevet til, blev afviklet den 23. oktober 2026.gpt-image-1.5,gpt-image-1-miniogchatgpt-image-latestudgår den 1. december 2026. Eksemplerne bruger nugpt-image-2.5-sunburst, som tilbyder højeste præcision til redigering;gpt-image-2.5-flareer hurtigere til standardgenerering. Begge modeller understøtter også kvalitetsindstillingernexhighogmax. GPT Image-modeller returnerer altid billeder i base64: parameterenresponse_formatfra ældre DALL·E-modeller accepteres ikke længere og er fjernet fra koden. Kilde: Image generation (OpenAI).
Design: Mockups og hurtig prototyping
GPT Image ændrer designfasen mindre gennem kvaliteten af sit output end gennem de lave omkostninger ved at forkaste det. At udforske tre visuelle retninger for en hjemmeside plejede at tage en dag i et designværktøj; nu tager det få minutter. Det giver dig mulighed for at udforske seks retninger og forkaste fem uden tøven. Denne lektion viser dig, hvordan du udnytter denne frihed uden at forveksle udforskning med produktion.
Mockups af brugergrænseflader
Et genereret mockup tjener til at vælge en retning, ikke til at blive skåret op i komponenter. Din prompt skal derfor sigte mod visuel troværdighed: realistiske UI-komponenter, klar typografi, professionel afstandsholdning, en konsistent farvepalet og en angivelse af det forventede fidelitetsniveau – i dette tilfælde „high-fidelity render i stilen fra Figma/Sketch”. Bemærk, hvordan funktionen vælger opløsningen: 1024×1536 portræt til mobil, 1536×1024 landskab til desktop. At generere en mobilskærm i et landskabsformat ville producere et mockup, der slet ikke ligner en rigtig enhed.
from openai import OpenAI
import base64
client = OpenAI()
def ui_mockup(description: str, platform: str, output: str):
"""Generate a user interface mockup."""
prompt = (
f"UI/UX mockup for {platform}: {description}, "
"modern and clean design, realistic UI components, "
"clear typography, professional spacing, "
"consistent color palette, "
"high-fidelity render in the style of Figma/Sketch"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1536" if platform == "mobile" else "1536x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"{platform} mockup: {output}")
ui_mockup(
"analytics dashboard with charts, KPI cards, and navigation sidebar",
"desktop",
"dashboard_mockup.png"
)
ui_mockup(
"fitness tracking app with home screen, statistics, and history",
"mobile",
"fitness_app_mockup.png"
)
Udforskning af flere visuelle retninger
Ved starten af et projekt er spørgsmålet ikke „hvilket er det rigtige mockup?”, men „hvilke æstetiske familier fortjener at blive vist til kunden?”. Funktionen explore_directions svarer præcis på dette behov ved at holde konceptet konstant – en hjemmeside til en online læringsplatform – og kun variere to akser: kunstretningsstil og farvepalet. De tre foreslåede veje er ikke subtile variationer: korporativ minimalisme i hvid og navyblå, moderne farverig i lilla og orange samt premium mørk i sort og elektrisk blå målretter tre forskellige brandpositioneringer. Det er dette spændvidde, der gør præsentationen nyttig.
from openai import OpenAI
import base64
client = OpenAI()
def explore_directions(concept: str, directions: list[dict], prefix: str):
"""Generate multiple visual directions for the same concept."""
for i, direction in enumerate(directions):
prompt = (
f"{concept}, "
f"art direction: {direction['style']}, "
f"palette: {direction['palette']}, "
"professional high-quality render"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
path = f"{prefix}_direction_{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Direction {i+1} ({direction['style'][:30]}) → {path}")
explore_directions(
"Homepage for an online learning platform",
[
{
"style": "corporate minimal, lots of white space",
"palette": "white, navy blue, light gray"
},
{
"style": "modern and colorful, flat design illustrations",
"palette": "purple, orange, white"
},
{
"style": "dark and premium, subtle gradients",
"palette": "black, electric blue, gold"
},
],
"landing_page"
)
Prototyping af emballage
Emballage er sandsynligvis det område, hvor gevinsten er mest dramatisk, fordi en fysisk prototype er dyr og kommer sent. Prompten her adskiller bevidst tre input – produktet, stilen og de krævede elementer – og pålægger derefter en konstant iscenesættelse: et 3/4-view hvilende på en overflade, fotorealistisk rendering med bløde skygger. De to eksempler illustrerer den rækkevidde, denne struktur håndterer uden at blinke: en kraftpapirspose til økologisk te med håndskrevet typografi og et gennemsigtigt vindue på den ene side, en hvid og guldfarvet creme-krukke med guldbogstaver på den anden.
from openai import OpenAI
import base64
client = OpenAI()
def packaging_prototype(product: str, style: str, elements: str, output: str):
"""Generate a product packaging prototype."""
prompt = (
f"Packaging design for {product}, "
f"style: {style}, "
f"elements: {elements}, "
"3/4 view of packaging resting on a surface, "
"photorealistic render with soft shadows, "
"professional design ready for client presentation"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Packaging prototype: {output}")
packaging_prototype(
"premium organic tea in a kraft bag",
"natural and artisanal, handwritten typography",
"tea leaf logo, product name, organic label, transparent window",
"packaging_tea.png"
)
packaging_prototype(
"high-end moisturizing cream in a jar",
"minimalist luxury, white and gold",
"centered logo, brand name in gold lettering, 50ml capacity",
"packaging_cream.png"
)
Automatiserede moodboards
Et moodboard formidler en intention, før det viser en løsning. I stedet for at bygge et board manuelt ved at samle referencer, beskriver du temaet og de visuelle ingredienser og beder derefter om en asymmetrisk gitterkomposition i stilen fra Pinterest. Eksemplet på et moderne coworking-space viser det nyttige detaljeniveau: Du navngiver ikke bare stedet, du lister det lyse interiør med planter, skandinaviske møbler, træ- og betonstrukturer, afslappet menneskelig tilstedeværelse og en palet af terracotta, salviegrøn og off-white. Disse fem input giver resultatet dets sammenhæng.
from openai import OpenAI
import base64
client = OpenAI()
def generate_moodboard(theme: str, elements: list[str], output: str):
"""Generate a visual moodboard for a given theme."""
elements_str = ", ".join(elements)
prompt = (
f"Professional moodboard for the theme \"{theme}\", "
f"including: {elements_str}, "
"asymmetric grid composition in the style of Pinterest, "
"varied photos and textures, consistent palette, "
"art direction style for agency presentation"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Moodboard: {output}")
generate_moodboard(
"Modern coworking space",
[
"bright interior with plants",
"Scandinavian design furniture",
"wood and concrete textures",
"people working in a relaxed manner",
"terracotta, sage green, off-white palette"
],
"moodboard_coworking.png"
)
Konsistente ikonsæt
Et enkelt ikon er let; et konsistent sæt er svært, fordi konsistens afhænger af detaljer, der er usynlige for en naiv prompt. Funktionen icon_set gør dem eksplicitte: Den genindsætter temaet og stilen for hvert ikon, kræver en transparent eller hvid baggrund, centreret indramning, ensartet stregtykkelse og kvadratiske proportioner, og minder modellen om, at billedet tilhører et sæt. For de fem ikoner i en B2B SaaS-app – dashboard, brugere, indstillinger, notifikationer, analytics – er det denne påmindelse, der forhindrer dig i at få fem forskellige grafiske stilarter. Brug af en slug sikrer rene filnavne og håndterer apostroffer og mellemrum.
from openai import OpenAI
import base64
client = OpenAI()
def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
"""Generate a consistent set of icons."""
for icon in icons:
prompt = (
f"Single icon representing \"{icon}\", "
f"theme: {theme}, "
f"style: {style}, "
"transparent or white background, centered, "
"consistent design within an icon set, "
"uniform stroke weight, square proportions"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
slug = icon.lower().replace(" ", "_").replace("'", "")
path = f"{output_prefix}_{slug}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Icon {icon} → {path}")
icon_set(
theme="B2B SaaS application",
icons=["dashboard", "users", "settings", "notifications", "analytics"],
style="line art, 2px stroke, navy blue, rounded corners",
output_prefix="icon"
)
Forfining af et mockup gennem redigering
At regenerere et helt mockup for at korrigere et enkelt område får dig til at miste alt, der allerede var tilfredsstillende andre steder. Workflowet nedenfor fungerer anderledes: Det genererer først en komplet hjemmeside til en projektledelsesapp og åbner derefter et vindue i masken mellem 8 % og 45 % af højden – det vil sige under headeren og over funktionsblokkene – for kun at genafspille hero-sektionen. Headeren, navigationen og de tre blokke forbliver strengt identiske mellem v1 og v2, hvilket gør sammenligningen ærlig: Du ser effekten af din ændring og intet andet.
from openai import OpenAI
from PIL import Image, ImageDraw
import base64
client = OpenAI()
# Step 1: Generate the initial mockup
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=(
"Homepage mockup for a project management application, "
"modern design, header with navigation, hero section with illustration, "
"3 feature blocks, white background"
),
size="1024x1536",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open("mockup_v1.png", "wb") as f:
f.write(data)
print("Mockup v1 generated")
# Step 2: Modify the hero section via editing
source = Image.open("mockup_v1.png")
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 255))
draw = ImageDraw.Draw(mask)
# Hero area: upper part (below the header)
draw.rectangle([0, int(h * 0.08), w, int(h * 0.45)], fill=(0, 0, 0, 0))
mask.save("mask_hero.png")
response = client.images.edit(
model="gpt-image-2.5-sunburst",
image=open("mockup_v1.png", "rb"),
mask=open("mask_hero.png", "rb"),
prompt=(
"Hero section with a 3D isometric illustration of a kanban board, "
"title 'Manage Your Projects Simply', blue CTA button, subtle gradient background"
)
)
with open("mockup_v2.png", "wb") as f:
f.write(base64.b64decode(response.data[0].b64_json))
print("Mockup v2 with modified hero")
Hvor AI-prototyping stopper
Du skal være klar over statussen på det, du producerer her. Genererede mockups er visuelle udforskninger, ikke produktionsfiler: Teksten er godt gengivet, men kan indeholde mindre fejl, komponenter er hverken interaktive eller eksporterbare til Figma, og konsistens på tværs af flere skærme i samme brugerflow er ikke garanteret. En designer, der modtager disse billeder som en endelig leverance, ville have ret til at gøre indsigelse.
Deres værdi ligger et andet sted, og den er betydelig: De tjener til at validere en retning, før man investerer i det endelige design. At vælge mellem tre veje på en time i stedet for tre dage, at ankomme til et kundemøde med billeder i stedet for adjektiver, at eliminere en falsk god idé, før den fortærer en uges produktion – det er det, AI-prototyping faktisk køber dig.
For at overbevise dig selv kan du bygge dit eget værktøj til projektstart: Et script, der ud fra et brief genererer tre visuelle retninger for en hjemmeside, et tilhørende moodboard for hver og en sammenlignende HTML-katalog, der lader dig præsentere dem side om side.