Marketing: wizualizacje i banery
Na tej stronie
Zaktualizowano 2 listopada 2026 — modele obrazowe.
gpt-image-1, dla którego pierwotnie napisano ten kurs, został wycofany 23 października 2026, a modelegpt-image-1.5,gpt-image-1-miniorazchatgpt-image-latestprzejdą na emeryturę 1 grudnia 2026. Przykłady wykorzystują obecniegpt-image-2.5-sunburst, najbardziej precyzyjny model do edycji;gpt-image-2.5-flarejest szybszy przy standardowej generacji. Oba obsługują również poziomy jakościxhighimax. Modele GPT Image zawsze zwracają obrazy w formacie base64: parametrresponse_formatze starszych modeli DALL·E nie jest akceptowany i został usunięty z kodu. Źródło: Image generation (OpenAI).
Marketing: wizualizacje i banery
Zespoły marketingowe nieustannie konsumują wizualizacje: banery reklamowe, posty w mediach społecznościowych, ilustracje do artykułów, nagłówki e-maili. Wąskim gardłem prawie nigdy nie jest pomysł – to produkcja. GPT Image przez API przesuwa to wąskie gardło, pozwalając uprzemysłowić output bez utraty jakości, pod warunkiem że zakodujesz w promptach to, czego wymagałby dyrektor artystyczny.
Banery reklamowe
Baner to nie ilustracja: to przekaz, który musi pozostać czytelny w małych rozmiarach, w zatłoczonym otoczeniu, w ułamku sekundy. Twój prompt musi więc zawierać dokładny tekst w cudzysłowie i wymuszać warunki czytelności – pogrubioną typografię bezszeryfową, wysoki kontrast między tekstem a tłem oraz wyraźne wezwanie do działania (CTA). Poniższa funkcja blokuje te ograniczenia raz na zawsze, zmieniając jedynie przekaz i nastrój graficzny, tutaj gradient niebiesko-fioletowy z jasnymi cząsteczkami dla oferty darmowego okresu próbnego.
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"
)
Wizualizacje do mediów społecznościowych
Każda platforma ma swój własny kod, a publikowanie tego samego kwadratu wszędzie natychmiast to zdradza. Stonowany post na LinkedIn w odcieniach błękitu i szarości nie sprawdzi się na Instagramie, gdzie użytkownicy oczekują żywych kolorów i wycentrowanej kompozycji; pionowa relacja (story) wymaga tekstu u góry, a wizualizacji na dole, ponieważ kciuk użytkownika zasłania dolną część ekranu. Funkcja visuel_social koduje te różnice w słowniku konfiguracyjnym, który mapuje każdą platformę do jej natywnej rozdzielczości i briefu stylistycznego, a następnie komponuje prompt na podstawie dostarczonego tematu i tekstu.
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")
Ilustracje do artykułów blogowych
Obrazek okładkowy artykułu podlega kontrintuicyjnej zasadzie: nie może zawierać tekstu. Twój CMS nałoży tytuł, a obraz, który już zawiera litery, zamieni się w nieczytelną maź po zastosowaniu nagłówka. Prompt musi więc wyraźnie to stwierdzać, dodatkowo żądając panoramicznej kompozycji i harmonijnych kolorów. Poniższa lista artykułów pokazuje również, jak jedna funkcja obsługuje trzy zupełnie różne rejestry – izometryczne 3D w odcieniach błękitu dla tematu obsługi klienta, kolorowy kolaż dla trendów marketingowych, ciemny tech z zielonymi neonami dla cyberbezpieczeństwa.
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")
Zestaw kampanii marketingowej
Kampania nigdy nie opiera się na jednym wizualu. Potrzebujesz banera hero na stronie, kwadratu do mediów społecznościowych, pionowej relacji i nagłówka e-maila, wszystkie niosące ten sam przekaz i paletę. To właśnie tutaj API pokonuje pracę ręczną: zamiast czterokrotnie eksportować plik źródłowy, opisujesz kampanię raz i pozwalasz pętli wyprodukować każdą wersję w jej natywnej rozdzielczości. Manifest JSON zapisany na końcu nie jest ozdobnikiem – to on pozwala Twojemu narzędziu do publikacji znaleźć właściwy plik dla właściwego miejsca.
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"
)
Testuj, zanim zdecydujesz
Marketing rzadko podejmuje decyzje na podstawie przeczucia: decydują liczby. Potrzebujesz jednak wielu wersji, aby je ze sobą skonfrontować, co kiedyś kosztowało dużo, gdy trzeba było angażować grafika do każdej z nich. Funkcja testów A/B generuje tyle wariantów, ile konfiguracji jej przekażesz, nazywając pliki literami – A, B, C – aby dopasowanie ich do statystyk kampanii było oczywiste. Przykład konfrontuje trzy ujęcia tej samej reklamy aplikacji do medytacji: fotograficzne podejście z naturą i złotym światłem, minimalistyczną ilustrację geometryczną, abstrakcyjny gradient z unoszącymi się cząsteczkami. Koncepcja i tekst się nie zmieniają; testowane jest tylko ujęcie wizualne, co jest warunkiem, aby wynik testu miał jakieś znaczenie.
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"
)
Nawyki, które robią różnicę
Pięć nawyków oddziela uprzemysłowioną produkcję od sterty niedopasowanych wizualizacji. Spójność marki żyje w prompcie: systematycznie dołączaj swoją paletę i styl, inaczej każda generacja startuje z domyślnej estetyki, a Twój feed staje się łataniną. Czytelność tekstu narzuca dyscyplinę długości – GPT Image dobrze radzi sobie z typografią, ale wiadomość licząca pięć do siedmiu słów to granica, poza którą baner staje się nieczytelnym akapitem.
Zawsze generuj w natywnym wymiarze nośnika, zamiast przycinać afterward, ponieważ model komponuje obraz dla ramki, którą mu podasz, a przycinanie przesuwa temat poza strefę jego największej siły. Archiwizuj swoje prompty w miarę pracy: biblioteka sprawdzonych formulacji według typu wizualnego jest warta po sześciu miesiącach znacznie więcej niż jakiekolwiek jednorazowe przyspieszenie. Na koniec poddaj każdy wizual podstawowej kontroli prawnej, nawet tylko rzutem oka, aby upewnić się, że nie przywołuje istniejącego znaku towarowego.
Połącz to wszystko na przykładzie fikcyjnego uruchomienia produktu: skrypt, który generuje baner hero, post na Instagrama, relację (story), wizualizację na LinkedIna oraz dwie warianty A/B głównego postu, wszystko opatrzone manifestem JSON wymieniającym każdy wyprodukowany plik.