Diseño: maquetas y prototipado rápido
En esta página
Actualizado el 2 de noviembre de 2026 — Modelos de imagen.
gpt-image-1, el modelo para el que se escribió originalmente este curso, se discontinuó el 23 de octubre de 2026.gpt-image-1.5,gpt-image-1-miniychatgpt-image-latestse retirarán el 1 de diciembre de 2026. Los ejemplos ahora utilizangpt-image-2.5-sunburst, que ofrece la mayor precisión para la edición;gpt-image-2.5-flarees más rápido para la generación estándar. Ambos modelos también admiten los ajustes de calidadxhighymax. Los modelos GPT Image devuelven siempre las imágenes en base64: el parámetroresponse_formatde los modelos DALL·E anteriores ya no se acepta y se ha eliminado del código. Fuente: Generación de imágenes (OpenAI).
Diseño: maquetas y prototipado rápido
GPT Image cambia la fase de diseño menos por la calidad de su resultado que por el bajo coste de descartarlo. Explorar tres direcciones visuales para una página de inicio solía llevar un día en una herramienta de diseño; ahora lleva unos minutos. Esto te permite explorar seis direcciones y abandonar cinco sin dudarlo. Esta lección te muestra cómo aprovechar esa libertad sin confundir la exploración con la producción.
Maquetas de interfaz de usuario
Una maqueta generada sirve para elegir una dirección, no para trocearla en componentes. Por tanto, tu indicación (prompt) debe buscar credibilidad visual: componentes de IU realistas, tipografía clara, espaciado profesional, una paleta de colores coherente y una declaración del nivel de fidelidad esperado; en este caso, «renderizado de alta fidelidad al estilo de Figma/Sketch». Observa cómo la función selecciona la resolución: 1024×1536 en vertical para móvil, 1536×1024 en horizontal para escritorio. Generar una pantalla de móvil en un marco horizontal produciría una maqueta que no se parece en nada a un dispositivo real.
from openai import OpenAI
import base64
client = OpenAI()
def ui_mockup(description: str, platform: str, output: str):
"""Generar una maqueta de interfaz de usuario."""
prompt = (
f"Maqueta de UI/UX para {platform}: {description}, "
"diseño moderno y limpio, componentes de IU realistas, "
"tipografía clara, espaciado profesional, "
"paleta de colores coherente, "
"renderizado de alta fidelidad al estilo de 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"Maqueta {platform}: {output}")
ui_mockup(
"panel de análisis con gráficos, tarjetas de KPI y barra lateral de navegación",
"desktop",
"dashboard_mockup.png"
)
ui_mockup(
"aplicación de seguimiento de fitness con pantalla de inicio, estadísticas e historial",
"mobile",
"fitness_app_mockup.png"
)
Explorar múltiples direcciones visuales
Al inicio de un proyecto, la pregunta no es «¿cuál es la maqueta correcta?», sino «¿qué familias estéticas merece la pena mostrar al cliente?». La función explore_directions responde exactamente a esa necesidad manteniendo el concepto constante —una página de inicio para una plataforma de aprendizaje en línea— y variando solo dos ejes: la dirección de arte y la paleta de colores. Las tres vías propuestas no son variaciones sutiles: minimalismo corporativo en blanco y azul marino, moderno y colorido en morado y naranja, y oscuro premium en negro y azul eléctrico apuntan a tres posicionamientos de marca diferentes. Es este rango lo que hace útil la presentación.
from openai import OpenAI
import base64
client = OpenAI()
def explore_directions(concept: str, directions: list[dict], prefix: str):
"""Generar múltiples direcciones visuales para el mismo concepto."""
for i, direction in enumerate(directions):
prompt = (
f"{concept}, "
f"dirección de arte: {direction['style']}, "
f"paleta: {direction['palette']}, "
"renderizado profesional de alta calidad"
)
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"Dirección {i+1} ({direction['style'][:30]}) → {path}")
explore_directions(
"Página de inicio para una plataforma de aprendizaje en línea",
[
{
"style": "minimalismo corporativo, mucho espacio en blanco",
"palette": "blanco, azul marino, gris claro"
},
{
"style": "moderno y colorido, ilustraciones de diseño plano",
"palette": "morado, naranja, blanco"
},
{
"style": "oscuro y premium, degradados sutiles",
"palette": "negro, azul eléctrico, dorado"
},
],
"landing_page"
)
Prototipado de envases
El envase es probablemente el ámbito donde la ganancia es más dramática, porque un prototipo físico es caro y llega tarde. La indicación aquí separa deliberadamente tres entradas —el producto, el estilo y los elementos requeridos— e impone una puesta en escena constante: una vista en 3/4 apoyada sobre una superficie, renderizado fotorrealista con sombras suaves. Los dos ejemplos ilustran el rango que esta estructura maneja sin pestañear: una bolsa de papel kraft para té orgánico con tipografía manuscrita y una ventana transparente en un lado, y un bote de crema blanco y dorado con letras doradas en el otro.
from openai import OpenAI
import base64
client = OpenAI()
def packaging_prototype(product: str, style: str, elements: str, output: str):
"""Generar un prototipo de envase de producto."""
prompt = (
f"Diseño de envase para {product}, "
f"estilo: {style}, "
f"elementos: {elements}, "
"vista en 3/4 del envase apoyado sobre una superficie, "
"renderizado fotorrealista con sombras suaves, "
"diseño profesional listo para presentación al cliente"
)
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"Prototipo de envase: {output}")
packaging_prototype(
"té orgánico premium en bolsa de kraft",
"natural y artesanal, tipografía manuscrita",
"logotipo de hoja de té, nombre del producto, etiqueta orgánica, ventana transparente",
"packaging_tea.png"
)
packaging_prototype(
"crema hidratante de alta gama en bote",
"lujo minimalista, blanco y dorado",
"logotipo centrado, nombre de la marca en letras doradas, capacidad de 50 ml",
"packaging_cream.png"
)
Moodboards automatizados
Un moodboard transmite una intención antes de mostrar una solución. En lugar de construir un tablero a mano agregando referencias, describes el tema y los ingredientes visuales, y luego pides una composición de cuadrícula asimétrica al estilo de Pinterest. El ejemplo de un espacio de coworking moderno muestra el nivel de detalle útil: no solo nombras el lugar, sino que listas el interior luminoso con plantas, mobiliario escandinavo, texturas de madera y hormigón, presencia humana relajada y una paleta de terracota, verde salvia y blanco roto. Estas cinco entradas dan coherencia al resultado.
from openai import OpenAI
import base64
client = OpenAI()
def generate_moodboard(theme: str, elements: list[str], output: str):
"""Generar un moodboard visual para un tema dado."""
elements_str = ", ".join(elements)
prompt = (
f"Moodboard profesional para el tema \"{theme}\", "
f"incluyendo: {elements_str}, "
"composición de cuadrícula asimétrica al estilo de Pinterest, "
"fotos y texturas variadas, paleta coherente, "
"estilo de dirección de arte para presentación de agencia"
)
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(
"Espacio de coworking moderno",
[
"interior luminoso con plantas",
"mobiliario de diseño escandinavo",
"texturas de madera y hormigón",
"personas trabajando de forma relajada",
"paleta de terracota, verde salvia y blanco roto"
],
"moodboard_coworking.png"
)
Conjuntos de iconos coherentes
Un solo icono es fácil; un conjunto coherente es difícil, porque la coherencia depende de detalles invisibles para una indicación ingenua. La función icon_set los hace explícitos: reinyecta el tema y el estilo para cada icono, exige un fondo transparente o blanco, un encuadre centrado, un grosor de trazo uniforme y proporciones cuadradas, y recuerda al modelo que la imagen pertenece a un conjunto. Para los cinco iconos de una aplicación B2B SaaS —panel de control, usuarios, ajustes, notificaciones, análisis—, es este recordatorio lo que evita obtener cinco estilos gráficos diferentes. El uso de un slug garantiza nombres de archivo limpios, gestionando apóstrofes y espacios.
from openai import OpenAI
import base64
client = OpenAI()
def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
"""Generar un conjunto coherente de iconos."""
for icon in icons:
prompt = (
f"Icono único que representa \"{icon}\", "
f"tema: {theme}, "
f"estilo: {style}, "
"fondo transparente o blanco, centrado, "
"diseño coherente dentro de un conjunto de iconos, "
"grosor de trazo uniforme, proporciones cuadradas"
)
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"Icono {icon} → {path}")
icon_set(
theme="Aplicación B2B SaaS",
icons=["dashboard", "users", "settings", "notifications", "analytics"],
style="arte lineal, trazo de 2 px, azul marino, esquinas redondeadas",
output_prefix="icon"
)
Refinar una maqueta mediante edición
Regenerar una maqueta entera para corregir una sola zona hace que pierdas todo lo que ya era satisfactorio en otras partes. El flujo de trabajo siguiente procede de otro modo: primero genera una página de inicio completa para una aplicación de gestión de proyectos y luego abre una ventana en la máscara entre el 8 % y el 45 % de la altura —es decir, debajo del encabezado y encima de los bloques de características— para volver a generar solo la sección hero. El encabezado, la navegación y los tres bloques permanecen estrictamente idénticos entre la v1 y la v2, lo que hace honesta la comparación: ves el efecto de tu cambio y nada más.
from openai import OpenAI
from PIL import Image, ImageDraw
import base64
client = OpenAI()
# Paso 1: Generar la maqueta inicial
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=(
"Maqueta de página de inicio para una aplicación de gestión de proyectos, "
"diseño moderno, encabezado con navegación, sección hero con ilustración, "
"3 bloques de características, fondo blanco"
),
size="1024x1536",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open("mockup_v1.png", "wb") as f:
f.write(data)
print("Maqueta v1 generada")
# Paso 2: Modificar la sección hero mediante edición
source = Image.open("mockup_v1.png")
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 255))
draw = ImageDraw.Draw(mask)
# Área hero: parte superior (debajo del encabezado)
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=(
"Sección hero con una ilustración isométrica 3D de un tablero kanban, "
"título 'Manage Your Projects Simply', botón de llamada a la acción azul, fondo con degradado sutil"
)
)
with open("mockup_v2.png", "wb") as f:
f.write(base64.b64decode(response.data[0].b64_json))
print("Maqueta v2 con hero modificado")
Dónde se detiene el prototipado con IA
Debes tener claro el estatus de lo que produces aquí. Las maquetas generadas son exploraciones visuales, no archivos de producción: el texto está bien renderizado pero puede contener errores menores, los componentes no son interactivos ni exportables a Figma, y la coherencia entre varias pantallas en el mismo flujo de usuario no está garantizada. Un diseñador que recibiera estas imágenes como entregable final tendría razón en objetar.
Su valor reside en otro lugar, y es considerable: sirven para validar una dirección antes de invertir en el diseño final. Elegir entre tres vías en una hora en lugar de tres días, llegar a una reunión con el cliente con imágenes en lugar de adjetivos, eliminar una falsa buena idea antes de que consuma una semana de producción; eso es lo que realmente te compra el prototipado con IA.
Para convencerte, construye tu propia herramienta de arranque de proyecto: un script que, a partir de un brief, genere tres direcciones visuales para una página de inicio, un moodboard asociado para cada una y un catálogo HTML comparativo que te permita presentarlas lado a lado.