Marketing: elementos visuales y banners
En esta página
Actualizado el 2 de noviembre de 2026 — modelos de imagen.
gpt-image-1, para el cual se escribió originalmente este curso, fue discontinuado el 23 de octubre de 2026, ygpt-image-1.5,gpt-image-1-miniychatgpt-image-latestse retirarán el 1 de diciembre de 2026. Los ejemplos ahora utilizangpt-image-2.5-sunburst, el modelo más preciso para edición;gpt-image-2.5-flarees más rápido para la generación estándar. Ambos admiten también los niveles de calidadxhighymax. Los modelos GPT Image devuelven siempre las imágenes en base64: el parámetroresponse_formatde los modelos DALL·E anteriores no se acepta y se ha eliminado del código. Fuente: Generación de imágenes (OpenAI).
Marketing: elementos visuales y banners
Los equipos de marketing consumen elementos visuales de forma continua: banners publicitarios, publicaciones para redes sociales, ilustraciones para artículos, cabeceras de correo electrónico. El cuello de botella casi nunca es la idea, sino la producción. GPT Image a través de la API desplaza ese cuello de botella al permitirte industrializar la producción sin sacrificar la calidad, siempre que codifiques en tus indicaciones (prompts) lo que exigiría un director de arte.
Banners publicitarios
Un banner no es una ilustración: es un mensaje que debe permanecer legible en tamaños pequeños, en un entorno saturado y en una fracción de segundo. Por tanto, tu indicación debe incluir el texto exacto entre comillas e imponer condiciones de legibilidad: tipografía sans-serif en negrita, alto contraste entre texto y fondo, y una llamada a la acción clara. La siguiente función fija estas restricciones de una vez por todas, variando únicamente el mensaje y el ambiente gráfico, aquí un degradado azul-violeta con partículas de luz para una oferta de prueba gratuita.
from openai import OpenAI
import base64
client = OpenAI()
def banniere_pub(message: str, style: str, format_nom: str, output: str):
"""Genera un banner publicitario con texto incrustado."""
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", # formato apaisado para 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"
)
Visuales para redes sociales
Cada plataforma tiene sus propios códigos, y publicar el mismo cuadrado en todas partes se nota inmediatamente. Una publicación sobria para LinkedIn en tonos azules y grises no funcionará en Instagram, donde los usuarios esperan colores vibrantes y una composición centrada; una historia vertical requiere texto en la parte superior y el visual en la inferior, porque el pulgar del usuario tapa la parte inferior de la pantalla. La función visuel_social codifica estas diferencias en un diccionario de configuración que asigna a cada plataforma su resolución nativa y su breve estilístico, componiendo luego la indicación a partir del asunto y el texto que proporciones.
from openai import OpenAI
import base64
client = OpenAI()
def visuel_social(plateforme: str, sujet: str, texte: str, output: str):
"""Genera un visual adaptado a una plataforma social."""
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")
Ilustraciones para artículos de blog
La imagen de portada de un artículo sigue una regla contraintuitiva: no debe contener texto. Tu CMS superpondrá el título, y una imagen que ya lleve letras se convertirá en una masa ilegible una vez aplicado el encabezado. La indicación debe establecerlo explícitamente, además de solicitar una composición panorámica y colores armoniosos. La lista de artículos siguiente muestra también cómo una única función sirve para tres registros muy distintos: isométrico 3D en azul para un tema de atención al cliente, collage colorido para tendencias de marketing, y tecnología oscura con neones verdes para ciberseguridad.
from openai import OpenAI
import base64
client = OpenAI()
def illustration_article(titre_article: str, style: str, output: str):
"""Genera una ilustración de cabecera para un artículo de blog."""
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")
Kit de campaña de marketing
Una campaña nunca se ejecuta con un único visual. Necesitas el banner principal del sitio, el cuadrado para redes sociales, la historia vertical y la cabecera del correo electrónico, todos portando el mismo mensaje y paleta. Aquí es precisamente donde la API supera al trabajo manual: en lugar de reexportar un archivo fuente cuatro veces, describes la campaña una sola vez y dejas que el bucle produzca cada variante en su resolución nativa. El manifiesto JSON escrito al final no es un adorno: es lo que permite a tu herramienta de publicación encontrar el archivo correcto para la ranura adecuada.
from openai import OpenAI
import base64
import json
client = OpenAI()
def kit_campagne(
nom_campagne: str,
message_principal: str,
palette: str,
output_dir: str = "."
):
"""Genera un kit visual completo para una campaña de marketing."""
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}")
# Guardar el manifiesto
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"
)
Prueba antes de decidir
El marketing rara vez decide por intuición: decide con números. Pero necesitas múltiples versiones para confrontarlas entre sí, algo que antes costaba mucho cuando había que traer a un diseñador para cada una. La función de pruebas A/B genera tantas variantes como configuraciones le pases, nombrando los archivos por letra —A, B, C— para que emparejarlos con las estadísticas de tu campaña sea obvio. El ejemplo enfrenta tres tratamientos del mismo anuncio para una aplicación de meditación: un enfoque fotográfico de naturaleza y luz dorada, una ilustración geométrica minimalista, un degradado abstracto con partículas flotantes. El concepto y el texto no se mueven; solo se prueba el tratamiento visual, que es la condición para que el resultado de la prueba signifique algo.
from openai import OpenAI
import base64
client = OpenAI()
def ab_test_visuels(concept: str, variantes: list[dict], output_prefix: str):
"""Genera variantes A/B del mismo concepto de marketing."""
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"
)
Hábitos que marcan la diferencia
Cinco hábitos separan la producción industrializada de un montón de visuales inconexos. La coherencia de marca vive en la indicación: incluye sistemáticamente tu paleta y estilo, o cada generación partirá de una estética por defecto y tu feed se convertirá en un mosaico. La legibilidad del texto impone una disciplina de longitud: GPT Image maneja bien la tipografía, pero un mensaje de cinco a siete palabras es el límite más allá del cual un banner se convierte en un párrafo ilegible.
Genera siempre en la dimensión nativa del soporte en lugar de recortar después, porque el modelo compone para el marco que le das y el recorte desplaza al sujeto fuera de su zona de fuerza. Archiva tus indicaciones a medida que avanzas: una biblioteca de formulaciones probadas por tipo de visual vale mucho más tras seis meses que cualquier ganancia de velocidad puntual. Por último, pasa cada visual por una comprobación legal básica, aunque sea un vistazo, para verificar que no evoque una marca registrada existente.
Junta todo esto en un lanzamiento de producto ficticio: un script que genera el banner principal, la publicación de Instagram, la historia, el visual de LinkedIn y dos variantes A/B de la publicación principal, todo ello acompañado de un manifiesto JSON que lista cada archivo producido.