Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Marketing: visuals en banners

Les 7 van 12 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Marketing: visuals en banners
  2. Advertentiebanners
  3. Visuals voor sociale media
  4. Illustraties voor blogartikelen
  5. Campagnekit voor marketing
  6. Testen voordat u beslist
  7. Gewoonten die het verschil maken

Bijgewerkt op 2 november 2026 — afbeeldingsmodellen. gpt-image-1, waarvoor deze cursus oorspronkelijk was geschreven, werd stopgezet op 23 oktober 2026, en gpt-image-1.5, gpt-image-1-mini en chatgpt-image-latest worden uitgefaseerd op 1 december 2026. De voorbeelden gebruiken nu gpt-image-2.5-sunburst, het meest precieze model voor bewerkingen; gpt-image-2.5-flare is sneller voor standaardgeneratie. Beide ondersteunen ook de kwaliteitsniveaus xhigh en max. GPT Image-modellen retourneren afbeeldingen altijd in base64: de parameter response_format van oudere DALL·E-modellen wordt niet geaccepteerd en is uit de code verwijderd. Bron: Image generation (OpenAI).

Marketing: visuals en banners

Marketingteams consumeren continu visuals: advertentiebanners, socialmediaposts, illustraties voor artikelen, e-mailheaders. De flessenhals is bijna nooit het idee, maar de productie. GPT Image via de API verschuift deze flessenhals door u in staat te stellen de output te industrialiseren zonder kwaliteitsverlies, op voorwaarde dat u in uw prompts verwerkt wat een art director zou eisen.

Advertentiebanners

Een banner is geen illustratie: het is een boodschap die leesbaar moet blijven op klein formaat, in een drukke omgeving, binnen een fractie van een seconde. Uw prompt moet daarom de exacte tekst tussen aanhalingstekens bevatten en leesbaarheidsvoorwaarden afdwingen: vetgedrukte schreefloze typografie, hoog contrast tussen tekst en achtergrond, en een duidelijke call-to-action. De onderstaande functie legt deze beperkingen eenmalig vast en varieert alleen de boodschap en de grafische sfeer, hier een blauw-violet verloop met lichte deeltjes voor een aanbieding voor een gratis proefperiode.

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"
)

Visuals voor sociale media

Elk platform heeft zijn eigen codes, en overal hetzelfde vierkant plaatsen valt direct op. Een sobere LinkedIn-post in blauw- en grijstinten werkt niet op Instagram, waar gebruikers levendige kleuren en een gecentreerde compositie verwachten; een verticaal verhaal vereist tekst bovenaan en de visual onderaan, omdat de duim van de gebruiker het onderste deel van het scherm bedekt. De functie visuel_social codeert deze verschillen in een configuratiewoordenboek dat elk platform koppelt aan zijn native resolutie en stilistische briefing, en stelt vervolgens de prompt samen op basis van het onderwerp en de tekst die u opgeeft.

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")

Illustraties voor blogartikelen

De coverafbeelding van een artikel volgt een contra-intuïtieve regel: deze mag geen tekst bevatten. Uw CMS zal de titel eroverheen plaatsen, en een afbeelding die al letters bevat, verandert in onleesbare brij zodra de kop wordt toegevoegd. De prompt vermeldt dit daarom expliciet, naast het verzoek om een panoramische compositie en harmonieuze kleuren. De onderstaande artikellijst toont ook hoe één functie drie zeer verschillende registers bedient: 3D-isometrisch blauw voor een klantenserviceonderwerp, kleurrijke collage voor marketingtrends, donkere tech met groene neonlichten voor 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")

Campagnekit voor marketing

Een campagne draait nooit op één enkele visual. U heeft de hero-banner van de site nodig, het sociale vierkant, het verticale verhaal en de e-mailheader, allemaal met dezelfde boodschap en hetzelfde palet. Dit is precies waar de API handmatig werk verslaat: in plaats van een bronbestand vier keer opnieuw te exporteren, beschrijft u de campagne één keer en laat u de lus elke variant op zijn native resolutie produceren. Het JSON-manifest dat aan het einde wordt geschreven, is geen decoratie; het is wat uw publicatietool in staat stelt het juiste bestand voor de juiste plek te vinden.

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"
)

Testen voordat u beslist

Marketing neemt zelden beslissingen op basis van onderbuikgevoel: het beslist op basis van cijfers. Maar u heeft meerdere versies nodig om tegen elkaar af te wegen, wat vroeger veel kostte omdat u voor elke versie een ontwerper moest inschakelen. De A/B-testfunctie genereert zoveel varianten als configuraties u doorgeeft, en noemt bestanden per letter—A, B, C—zodat het koppelen aan uw campagnestatistieken voor de hand ligt. Het voorbeeld zet drie behandelingen van dezelfde advertentie voor een meditatie-app tegenover elkaar: een fotografische aanpak met natuur en gouden licht, een minimalistische geometrische illustratie, een abstract verloop met zwevende deeltjes. Het concept en de tekst blijven ongewijzigd; alleen de visuele behandeling wordt getest, wat de voorwaarde is om de testresultaten betekenisvol te maken.

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"
)

Gewoonten die het verschil maken

Vijf gewoonten scheiden geïndustrialiseerde productie van een stapel mismatchende visuals. Merkconsistentie leeft in de prompt: neem systematisch uw palet en stijl op, anders begint elke generatie vanuit een standaardesthetiek en wordt uw feed een lappendeken. De leesbaarheid van tekst legt een disciplinaire lengtebeperking op—GPT Image gaat goed om met typografie, maar een boodschap van vijf tot zeven woorden is de limiet waarboven een banner verandert in een onleesbare alinea.

Genereer altijd op de native afmetingen van het medium in plaats van achteraf bij te snijden, omdat het model composeert voor het kader dat u geeft en bijsnijden het onderwerp uit zijn krachtzone verschuift. Archiveer uw prompts terwijl u werkt: een bibliotheek met bewezen formuleringen per visualtype is na zes maanden veel meer waard dan enige eenmalige snelheidswinst. Controleer ten slotte elke visual op een basisniveau op juridische aspecten, zelfs maar met een snelle blik, om te verifiëren dat deze geen bestaand handelsmerk oproept.

Breng dit allemaal samen bij een fictieve productlancering: een script dat de hero-banner, de Instagram-post, het verhaal, de LinkedIn-visual en twee A/B-varianten van de hoofdpost genereert, allemaal vergezeld van een JSON-manifest dat elk geproduceerd bestand opsomt.