Ontwerp: Mock-ups en Rapid Prototyping
Op deze pagina
Bijgewerkt op 2 november 2026 — Afbeeldingsmodellen.
gpt-image-1, het model waarvoor deze cursus oorspronkelijk is geschreven, is op 23 oktober 2026 stopgezet.gpt-image-1.5,gpt-image-1-minienchatgpt-image-latestworden op 1 december 2026 uitgefaseerd. De voorbeelden gebruiken nugpt-image-2.5-sunburst, dat de hoogste precisie biedt voor bewerkingen;gpt-image-2.5-flareis sneller voor standaardgeneratie. Beide modellen ondersteunen ook de kwaliteitsinstellingenxhighenmax. GPT Image-modellen retourneren afbeeldingen altijd in base64: de parameterresponse_formatvan oudere DALL·E-modellen wordt niet langer geaccepteerd en is uit de code verwijderd. Bron: Image generation (OpenAI).
Ontwerp: Mock-ups en Rapid Prototyping
GPT Image verandert de ontwerpfase minder door de kwaliteit van de output dan door de lage kosten om deze weg te gooien. Het verkennen van drie visuele richtingen voor een homepage kostte vroeger een dag in een ontwerptool; nu duurt het een paar minuten. Hierdoor kunt u zes richtingen verkennen en er vijf zonder aarzeling verwerpen. Deze les leert u hoe u die vrijheid benut zonder exploratie te verwarren met productie.
Mock-ups voor gebruikersinterfaces
Een gegenereerde mock-up dient om een richting te kiezen, niet om in componenten te worden opgesplitst. Uw prompt moet daarom gericht zijn op visuele geloofwaardigheid: realistische UI-componenten, duidelijke typografie, professionele spatiëring, een consistent kleurenpalet en een specificatie van het verwachte fideliteitsniveau—in dit geval “high-fidelity render in de stijl van Figma/Sketch”. Merk op hoe de functie de resolutie selecteert: 1024×1536 staand voor mobiel, 1536×1024 liggend voor desktop. Het genereren van een mobiel scherm in een liggend frame zou een mock-up opleveren die in niets lijkt op een echt apparaat.
from openai import OpenAI
import base64
client = OpenAI()
def ui_mockup(description: str, platform: str, output: str):
"""Genereer een mock-up van een gebruikersinterface."""
prompt = (
f"UI/UX mockup voor {platform}: {description}, "
"modern en strak ontwerp, realistische UI-componenten, "
"duidelijke typografie, professionele spatiëring, "
"consistent kleurenpalet, "
"high-fidelity render in de stijl van 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 met grafieken, KPI-kaarten en navigatiebalk",
"desktop",
"dashboard_mockup.png"
)
ui_mockup(
"fitness tracking-app met startscherm, statistieken en geschiedenis",
"mobile",
"fitness_app_mockup.png"
)
Meerdere visuele richtingen verkennen
Aan het begin van een project is de vraag niet “welke mock-up is de juiste?”, maar “welke esthetische families verdienen het om aan de klant getoond te worden?” De functie explore_directions beantwoordt precies die behoefte door het concept constant te houden—een homepage voor een online leerplatform—en slechts twee assen te variëren: art direction en kleurenpalet. De drie voorgestelde paden zijn geen subtiele variaties: zakelijk minimalisme in wit en marineblauw, modern kleurrijk in paars en oranje, en premium donker in zwart en elektrisch blauw richten zich op drie verschillende merkposities. Het is dit bereik dat de presentatie nuttig maakt.
from openai import OpenAI
import base64
client = OpenAI()
def explore_directions(concept: str, directions: list[dict], prefix: str):
"""Genereer meerdere visuele richtingen voor hetzelfde concept."""
for i, direction in enumerate(directions):
prompt = (
f"{concept}, "
f"art direction: {direction['style']}, "
f"palette: {direction['palette']}, "
"professionele 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"Richting {i+1} ({direction['style'][:30]}) → {path}")
explore_directions(
"Homepage voor een online leerplatform",
[
{
"style": "zakelijk minimalisme, veel witruimte",
"palette": "wit, marineblauw, lichtgrijs"
},
{
"style": "modern en kleurrijk, platte design illustraties",
"palette": "paars, oranje, wit"
},
{
"style": "donker en premium, subtiele verlopen",
"palette": "zwart, elektrisch blauw, goud"
},
],
"landing_page"
)
Prototyping van verpakkingen
Verpakkingen zijn waarschijnlijk het domein waar de winst het meest dramatisch is, omdat een fysiek prototype duur is en laat arriveert. De prompt hier scheidt bewust drie inputs—het product, de stijl en de vereiste elementen—en legt vervolgens een constante enscenering op: een 3/4-aanzicht rustend op een oppervlak, fotorealistische render met zachte schaduwen. De twee voorbeelden illustreren het bereik dat deze structuur moeiteloos aankan: een kraftpapieren zak voor biologische thee met handgeschreven typografie en een transparant venster aan één kant, en een witte en gouden crèmepot met gouden belettering aan de andere kant.
from openai import OpenAI
import base64
client = OpenAI()
def packaging_prototype(product: str, style: str, elements: str, output: str):
"""Genereer een prototype van een productverpakking."""
prompt = (
f"Verpakkingsontwerp voor {product}, "
f"stijl: {style}, "
f"elementen: {elements}, "
"3/4-aanzicht van verpakking rustend op een oppervlak, "
"fotorealistische render met zachte schaduwen, "
"professioneel ontwerp klaar voor klantpresentatie"
)
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"Verpakkingsprototype: {output}")
packaging_prototype(
"premium biologische thee in een kraftzak",
"natuurlijk en ambachtelijk, handgeschreven typografie",
"theeblad logo, productnaam, biologisch label, transparant venster",
"packaging_tea.png"
)
packaging_prototype(
"high-end hydraterende crème in een pot",
"minimalistische luxe, wit en goud",
"gecentreerd logo, merknaam in gouden belettering, inhoud 50ml",
"packaging_cream.png"
)
Geautomatiseerde moodboards
Een moodboard communiceert een intentie voordat het een oplossing toont. In plaats van met de hand een bord samen te stellen door referenties te aggregeren, beschrijft u het thema en de visuele ingrediënten, en vraagt u om een asymmetrische grid-compositie in de stijl van Pinterest. Het voorbeeld van een moderne coworking-ruimte toont het nuttige detailniveau: u noemt niet alleen de plek, u somt het lichte interieur met planten op, Scandinavisch meubilair, hout- en betonstructuren, ontspannen menselijke aanwezigheid, en een palet van terracotta, saliegroen en gebroken wit. Deze vijf inputs geven het resultaat zijn coherentie.
from openai import OpenAI
import base64
client = OpenAI()
def generate_moodboard(theme: str, elements: list[str], output: str):
"""Genereer een visueel moodboard voor een gegeven thema."""
elements_str = ", ".join(elements)
prompt = (
f"Professioneel moodboard voor het thema \"{theme}\", "
f"inclusief: {elements_str}, "
"asymmetrische grid-compositie in de stijl van Pinterest, "
"gevarieerde foto's en texturen, consistent palet, "
"art direction-stijl voor bureaupresentatie"
)
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(
"Moderne coworking-ruimte",
[
"licht interieur met planten",
"Scandinavisch designmeubilair",
"hout- en betonstructuren",
"mensen die op ontspannen wijze werken",
"terracotta, saliegroen, gebroken wit palet"
],
"moodboard_coworking.png"
)
Consistente iconensets
Eén icoon is eenvoudig; een consistente set is moeilijk, omdat consistentie berust op details die onzichtbaar zijn voor een naïeve prompt. De functie icon_set maakt deze expliciet: hij injecteert het thema en de stijl voor elk icoon opnieuw, vereist een transparante of witte achtergrond, gecentreerde kadrering, uniforme lijndikte en vierkante verhoudingen, en herinnert het model eraan dat de afbeelding bij een set hoort. Voor de vijf iconen van een B2B SaaS-app—dashboard, gebruikers, instellingen, meldingen, analytics—is het deze herinnering die voorkomt dat u vijf verschillende grafische stijlen krijgt. Het gebruik van een slug zorgt voor schone bestandsnamen, waarbij apostrofes en spaties worden verwerkt.
from openai import OpenAI
import base64
client = OpenAI()
def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
"""Genereer een consistente set iconen."""
for icon in icons:
prompt = (
f"Enkel icoon dat \"{icon}\" voorstelt, "
f"thema: {theme}, "
f"stijl: {style}, "
"transparante of witte achtergrond, gecentreerd, "
"consistent ontwerp binnen een iconenset, "
"uniforme lijndikte, vierkante verhoudingen"
)
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"Icoon {icon} → {path}")
icon_set(
theme="B2B SaaS-toepassing",
icons=["dashboard", "users", "settings", "notifications", "analytics"],
style="line art, 2px lijndikte, marineblauw, afgeronde hoeken",
output_prefix="icon"
)
Een mock-up verfijnen via bewerking
Het opnieuw genereren van een volledige mock-up om één gebied te corrigeren, doet u alles verliezen dat elders al bevredigend was. De onderstaande workflow werkt anders: hij genereert eerst een complete homepage voor een projectmanagement-app, en opent vervolgens een venster in het masker tussen 8% en 45% van de hoogte—dat wil zeggen, onder de header en boven de functieblokken—om alleen de hero-sectie opnieuw af te spelen. De header, navigatie en drie blokken blijven strikt identiek tussen v1 en v2, waardoor de vergelijking eerlijk is: u ziet het effect van uw wijziging, en niets anders.
from openai import OpenAI
from PIL import Image, ImageDraw
import base64
client = OpenAI()
# Stap 1: Genereer de initiële mock-up
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=(
"Homepage mockup voor een projectmanagement-toepassing, "
"modern ontwerp, header met navigatie, hero-sectie met illustratie, "
"3 functieblokken, witte achtergrond"
),
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 gegenereerd")
# Stap 2: Pas de hero-sectie aan via bewerking
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-gebied: bovenste deel (onder de 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-sectie met een 3D isometrische illustratie van een kanban-bord, "
"titel 'Manage Your Projects Simply', blauwe CTA-knop, subtiele verloopachtergrond"
)
)
with open("mockup_v2.png", "wb") as f:
f.write(base64.b64decode(response.data[0].b64_json))
print("Mockup v2 met aangepaste hero")
Waar AI-prototyping stopt
U moet duidelijk zijn over de status van wat u hier produceert. Gegenereerde mock-ups zijn visuele exploraties, geen productiebestanden: de tekst is goed weergegeven maar kan kleine fouten bevatten, componenten zijn noch interactief noch exporteerbaar naar Figma, en consistentie over meerdere schermen in dezelfde user flow is niet gegarandeerd. Een ontwerper die deze afbeeldingen als definitief deliverable ontvangt, zou terecht bezwaar maken.
De waarde ligt elders, en die is aanzienlijk: ze dienen om een richting te valideren voordat u investeert in het definitieve ontwerp. Kiezen tussen drie paden in een uur in plaats van drie dagen, met afbeeldingen in plaats van bijvoeglijke naamwoorden naar een klantmeeting gaan, een vals goed idee elimineren voordat het een week productie kost—dat is wat AI-prototyping u daadwerkelijk oplevert.
Om uzelf te overtuigen, bouwt u uw eigen projectkickstart-tool: een script dat op basis van een brief drie visuele richtingen voor een homepage genereert, een bijbehorend moodboard voor elk, en een vergelijkende HTML-catalogus waarmee u ze naast elkaar kunt presenteren.