Marketing: visual e banner
In questa pagina
Aggiornato il 2 novembre 2026 — modelli di immagini.
gpt-image-1, per il quale questo corso era stato originariamente scritto, è stato dismesso il 23 ottobre 2026, mentregpt-image-1.5,gpt-image-1-miniechatgpt-image-latestverranno ritirati il 1° dicembre 2026. Gli esempi utilizzano oragpt-image-2.5-sunburst, il modello più preciso per il fotoritocco;gpt-image-2.5-flareè invece più veloce per la generazione standard. Entrambi supportano inoltre i livelli di qualitàxhighemax. I modelli GPT Image restituiscono sempre le immagini in base64: il parametroresponse_formatdei vecchi modelli DALL·E non è più accettato ed è stato rimosso dal codice. Fonte: Image generation (OpenAI).
Marketing: visual e banner
I team di marketing consumano visual in continuazione: banner pubblicitari, post per i social, illustrazioni per articoli, intestazioni email. Il collo di bottiglia non è quasi mai l’idea, ma la produzione. GPT Image tramite API sposta questo collo di bottiglia, permettendoti di industrializzare la produzione senza sacrificare la qualità, a patto di codificare nei tuoi prompt ciò che un direttore artistico esigerebbe.
Banner pubblicitari
Un banner non è un’illustrazione: è un messaggio che deve rimanere leggibile a piccole dimensioni, in un ambiente affollato, in una frazione di secondo. Il tuo prompt deve quindi includere il testo esatto tra virgolette e imporre condizioni di leggibilità: tipografia sans-serif in grassetto, alto contrasto tra testo e sfondo e una chiara call to action. La funzione seguente blocca questi vincoli una volta per tutte, variando solo il messaggio e l’atmosfera grafica, qui un gradiente blu-viola con particelle luminose per un’offerta di prova gratuita.
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"
)
Visual per i social media
Ogni piattaforma ha i suoi codici e pubblicare lo stesso quadrato ovunque si nota immediatamente. Un post LinkedIn sobrio nei toni del blu e del grigio non funziona su Instagram, dove gli utenti si aspettano colori vivaci e una composizione centrata; una storia verticale richiede il testo in alto e il visual in basso, perché il pollice dell’utente maschera la parte inferiore dello schermo. La funzione visuel_social codifica queste differenze in un dizionario di configurazione che mappa ogni piattaforma alla sua risoluzione nativa e al suo brief stilistico, per poi comporre il prompt a partire dall’argomento e dal testo che fornisci.
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")
Illustrazioni per articoli di blog
L’immagine di copertina di un articolo segue una regola controintuitiva: non deve contenere testo. Il tuo CMS sovrapporrà il titolo e un’immagine che porta già delle lettere diventa una massa illeggibile una volta applicata l’intestazione. Il prompt lo specifica quindi esplicitamente, richiedendo inoltre una composizione panoramica e colori armoniosi. L’elenco di articoli qui sotto mostra anche come una singola funzione possa servire tre registri molto diversi: blu isometrico 3D per un tema sul servizio clienti, collage colorato per le tendenze del marketing, tech scuro con neon verdi per la cybersecurity.
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")
Kit per campagne di marketing
Una campagna non vive di un solo visual. Ti servono l’hero banner del sito, il quadrato social, la storia verticale e l’intestazione email, tutti con lo stesso messaggio e la stessa palette. È proprio qui che l’API batte il lavoro manuale: invece di riesportare quattro volte un file sorgente, descrivi la campagna una volta sola e lasci che il ciclo produca ogni variante alla sua risoluzione nativa. Il manifest JSON scritto alla fine non è un ornamento: è ciò che permette al tuo strumento di pubblicazione di trovare il file giusto per lo slot giusto.
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"
)
Testa prima di decidere
Il marketing decide raramente a sensazione: decide con i numeri. Ma hai bisogno di più versioni da mettere a confronto, cosa che un tempo costava molto quando dovevi coinvolgere un designer per ciascuna. La funzione di test A/B genera tante varianti quante sono le configurazioni che le passi, nominando i file per lettera — A, B, C — così l’abbinamento con le statistiche della campagna rimane ovvio. L’esempio mette a confronto tre trattamenti dello stesso annuncio per un’app di meditazione: un approccio fotografico con natura e luce dorata, un’illustrazione geometrica minimalista, un gradiente astratto con particelle fluttuanti. Il concetto e il testo non cambiano; si testa solo il trattamento visivo, condizione necessaria affinché il risultato del test abbia un senso.
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"
)
Abitudini che fanno la differenza
Cinque abitudini separano una produzione industrializzata da un mucchio di visual disomogenei. La coerenza del brand vive nel prompt: includi sistematicamente la tua palette e il tuo stile, altrimenti ogni generazione parte da un’estetica di default e il tuo feed diventa un patchwork. La leggibilità del testo impone una disciplina sulla lunghezza: GPT Image gestisce bene la tipografia, ma un messaggio di cinque-sette parole è il limite oltre il quale un banner diventa un paragrafo illeggibile.
Genera sempre alla dimensione nativa del supporto invece di ritagliare dopo, perché il modello compone per l’inquadratura che gli dai e il ritaglio sposta il soggetto fuori dalla sua zona di forza. Archivia i tuoi prompt man mano che procedi: una libreria di formulazioni collaudate per tipo di visual vale molto di più dopo sei mesi rispetto a qualsiasi guadagno di velocità occasionale. Infine, sottoponi ogni visual a un controllo legale di base, anche solo un’occhiata, per verificare che non evochi un marchio esistente.
Metti tutto questo insieme per un lancio di prodotto fittizio: uno script che genera l’hero banner, il post Instagram, la storia, il visual LinkedIn e due varianti A/B del post principale, il tutto accompagnato da un manifest JSON che elenca ogni file prodotto.