Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Dizajn: Mockupy a rýchle prototypovanie

Lekcia 8 z 12 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. Dizajn: Mockupy a rýchle prototypovanie
  2. Mockupy používateľského rozhrania
  3. Preskúmanie viacerých vizuálnych smerov
  4. Prototypovanie obalov
  5. Automatizované moodboardy
  6. Konzistentné sady ikon
  7. Spresňovanie mockupu prostredníctvom úprav
  8. Kde sa prototypovanie pomocou AI zastavuje

Aktualizované 2. novembra 2026 — Modely na generovanie obrázkov. Model gpt-image-1, pre ktorý bol tento kurz pôvodne napísaný, bol ukončený 23. októbra 2026. Modely gpt-image-1.5, gpt-image-1-mini a chatgpt-image-latest budú vyradené 1. decembra 2026. Príklady teraz využívajú gpt-image-2.5-sunburst, ktorý ponúka najvyššiu presnosť pri úpravách; gpt-image-2.5-flare je rýchlejší pri štandardnom generovaní. Oba modely tiež podporujú nastavenia kvality xhigh a max. Modely GPT Image vždy vracajú obrázky v formáte base64: parameter response_format zo starších modelov DALL·E sa už neprijíma a bol z kódu odstránený. Zdroj: Generovanie obrázkov (OpenAI).

Dizajn: Mockupy a rýchle prototypovanie

GPT Image mení fázu dizajnu menej kvalitou svojho výstupu a skôr nízkymi nákladmi na jeho zahodenie. Preskúmanie troch vizuálnych smerov pre domovskú stránku kedysi trvalo deň v dizajnovom nástroji; teraz to zaberie niekoľko minút. To ti umožňuje preskúmať šesť smerov a päť z nich bez váhania opustiť. Táto lekcia ti ukáže, ako využiť túto slobodu bez toho, aby si si pomýlil prieskum s finálnou produkciou.

Mockupy používateľského rozhrania

Vygenerovaný mockup slúži na výber smeru, nie na rozstrihanie na komponenty. Tvoj prompt sa preto musí zamerať na vizuálnu vierohodnosť: realistické komponenty UI, čitateľná typografia, profesionálne rozostupy, konzistentná farebná paleta a uvedenie očakávanej úrovne detailnosti – v tomto prípade „vysokokvalitný render v štýle Figma/Sketch“. Všimni si, ako funkcia vyberá rozlíšenie: 1024×1536 na výšku pre mobilné zariadenia, 1536×1024 na šírku pre desktop. Generovanie mobilnej obrazovky v ráme na šírku by vytvorilo mockup, ktorý by nevypadal ako skutočné zariadenie.

from openai import OpenAI
import base64

client = OpenAI()

def ui_mockup(description: str, platform: str, output: str):
    """Generate a user interface mockup."""
    prompt = (
        f"UI/UX mockup for {platform}: {description}, "
        "modern and clean design, realistic UI components, "
        "clear typography, professional spacing, "
        "consistent color palette, "
        "high-fidelity render in the style of 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 with charts, KPI cards, and navigation sidebar",
    "desktop",
    "dashboard_mockup.png"
)

ui_mockup(
    "fitness tracking app with home screen, statistics, and history",
    "mobile",
    "fitness_app_mockup.png"
)

Preskúmanie viacerých vizuálnych smerov

Na začiatku projektu nie je otázkou „ktorý mockup je správny?“, ale „ktoré estetické rodiny si zaslúžia byť prezentované klientovi?“. Funkcia explore_directions presne odpovedá na túto potrebu tým, že udržuje koncept konštantný – domovská stránka pre online vzdelávaciu platformu – a mení iba dve osi: umelecký smer a farebnú paletu. Tri navrhované cesty nie sú jemné variácie: korporátny minimalizmus v bielom a námorníckej modrej, moderná farebnosť vo fialovej a oranžovej a prémiová tmavá v čiernej a elektrickej modrej cielia na tri rôzne pozície značky. Práve tento rozsah robí prezentáciu užitočnou.

from openai import OpenAI
import base64

client = OpenAI()

def explore_directions(concept: str, directions: list[dict], prefix: str):
    """Generate multiple visual directions for the same concept."""
    for i, direction in enumerate(directions):
        prompt = (
            f"{concept}, "
            f"art direction: {direction['style']}, "
            f"palette: {direction['palette']}, "
            "professional 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"Direction {i+1} ({direction['style'][:30]}) → {path}")


explore_directions(
    "Homepage for an online learning platform",
    [
        {
            "style": "corporate minimal, lots of white space",
            "palette": "white, navy blue, light gray"
        },
        {
            "style": "modern and colorful, flat design illustrations",
            "palette": "purple, orange, white"
        },
        {
            "style": "dark and premium, subtle gradients",
            "palette": "black, electric blue, gold"
        },
    ],
    "landing_page"
)

Prototypovanie obalov

Obaly sú pravdepodobne oblasťou, kde je zisk najdramatickejší, pretože fyzický prototyp je drahý a prichádza neskoro. Prompt tu zámerne oddeľuje tri vstupy – produkt, štýl a požadované prvky – a potom ukladá konštantné usporiadanie: pohľad 3/4 ležiaci na povrchu, fotorealistický render s jemnými tieňmi. Dva príklady ilustrujú rozsah, ktorý táto štruktúra zvláda bez zaváhania: kraftové vrecko na bio čaj s rukopisnou typografiou a priehľadným okienkom na jednej strane, bielo-zlatý téglik na krém so zlatým písmom na strane druhej.

from openai import OpenAI
import base64

client = OpenAI()

def packaging_prototype(product: str, style: str, elements: str, output: str):
    """Generate a product packaging prototype."""
    prompt = (
        f"Packaging design for {product}, "
        f"style: {style}, "
        f"elements: {elements}, "
        "3/4 view of packaging resting on a surface, "
        "photorealistic render with soft shadows, "
        "professional design ready for client presentation"
    )

    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"Packaging prototype: {output}")


packaging_prototype(
    "premium organic tea in a kraft bag",
    "natural and artisanal, handwritten typography",
    "tea leaf logo, product name, organic label, transparent window",
    "packaging_tea.png"
)

packaging_prototype(
    "high-end moisturizing cream in a jar",
    "minimalist luxury, white and gold",
    "centered logo, brand name in gold lettering, 50ml capacity",
    "packaging_cream.png"
)

Automatizované moodboardy

Moodboard vyjadruje zámer skôr, než ukáže riešenie. Namiesto ručného zostavovania dosky agregáciou referencií opíšeš tému a vizuálne ingrediencie a potom požiadaš o asymetrickú mriežkovú kompozíciu v štýle Pinterestu. Príklad moderného coworkingového priestoru ukazuje užitočnú úroveň detailu: nielenže pomenuješ miesto, ale vypíšeš svetlý interiér s rastlinami, škandinávsky nábytok, textúry dreva a betónu, uvoľnenú prítomnosť ľudí a paletu terakotovej, šalviovo zelenej a off-white farby. Týchto päť vstupov dodáva výsledku súdržnosť.

from openai import OpenAI
import base64

client = OpenAI()

def generate_moodboard(theme: str, elements: list[str], output: str):
    """Generate a visual moodboard for a given theme."""
    elements_str = ", ".join(elements)
    prompt = (
        f"Professional moodboard for the theme \"{theme}\", "
        f"including: {elements_str}, "
        "asymmetric grid composition in the style of Pinterest, "
        "varied photos and textures, consistent palette, "
        "art direction style for agency presentation"
    )

    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(
    "Modern coworking space",
    [
        "bright interior with plants",
        "Scandinavian design furniture",
        "wood and concrete textures",
        "people working in a relaxed manner",
        "terracotta, sage green, off-white palette"
    ],
    "moodboard_coworking.png"
)

Konzistentné sady ikon

Jedna ikona je jednoduchá; konzistentná sada je ťažká, pretože konzistencia závisí od detailov neviditeľných pre naivný prompt. Funkcia icon_set ich robí explicitnými: pre každú ikonu znovu vstrekne tému a štýl, vyžaduje priehľadné alebo biele pozadie, vycentrovaný záber, jednotnú hrúbku ťahu a štvorcové proporcie a pripomína modelu, že obrázok patrí do sady. Pri piatich ikonách aplikácie B2B SaaS – dashboard, používatelia, nastavenia, notifikácie, analytika – práve táto pripomienka zabraňuje tomu, aby si dostal päť rôznych grafických štýlov. Použitie slugu zabezpečuje čisté názvy súborov a správne spracovanie apostrofov a medzier.

from openai import OpenAI
import base64

client = OpenAI()

def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
    """Generate a consistent set of icons."""
    for icon in icons:
        prompt = (
            f"Single icon representing \"{icon}\", "
            f"theme: {theme}, "
            f"style: {style}, "
            "transparent or white background, centered, "
            "consistent design within an icon set, "
            "uniform stroke weight, square proportions"
        )

        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"Icon {icon} → {path}")


icon_set(
    theme="B2B SaaS application",
    icons=["dashboard", "users", "settings", "notifications", "analytics"],
    style="line art, 2px stroke, navy blue, rounded corners",
    output_prefix="icon"
)

Spresňovanie mockupu prostredníctvom úprav

Regenerácia celého mockupu kvôli oprave jednej oblasti znamená stratu všetkého, čo bolo inde už uspokojivé. Nižšie uvedený pracovný postup postupuje inak: najprv vygeneruje kompletnú domovskú stránku pre aplikáciu na riadenie projektov a potom otvorí okno v maske medzi 8 % a 45 % výšky – teda pod hlavičkou a nad blokmi funkcií – aby sa znovu vygenerovala iba sekcia hero. Hlavička, navigácia a tri bloky zostávajú medzi verziou 1 a verziou 2 úplne identické, čo robí porovnanie férovým: vidíš účinok svojej zmeny a nič iné.

from openai import OpenAI
from PIL import Image, ImageDraw
import base64

client = OpenAI()

# Step 1: Generate the initial mockup
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Homepage mockup for a project management application, "
        "modern design, header with navigation, hero section with illustration, "
        "3 feature blocks, white background"
    ),
    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 generated")

# Step 2: Modify the hero section via editing
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 area: upper part (below the 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 section with a 3D isometric illustration of a kanban board, "
        "title 'Manage Your Projects Simply', blue CTA button, subtle gradient background"
    )
)

with open("mockup_v2.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))
print("Mockup v2 with modified hero")

Kde sa prototypovanie pomocou AI zastavuje

Musíš si jasne uvedomiť status toho, čo tu produkuješ. Vygenerované mockupy sú vizuálne prieskumy, nie produkčné súbory: text je síce dobre vykreslený, ale môže obsahovať drobné chyby, komponenty nie sú interaktívne ani exportovateľné do Figmy a konzistencia naprieč viacerými obrazovkami v rámci toho istého používateľského toku nie je zaručená. Dizajnér, ktorý by tieto obrázky dostal ako finálny výstup, by mal pravdu namietať.

Ich hodnota spočíva inde a je značná: slúžia na validáciu smeru pred investíciou do finálneho dizajnu. Výber medzi tromi cestami za hodinu namiesto troch dní, príchod na stretnutie s klientom s obrázkami namiesto prídavných mien, eliminácia falošne dobrého nápadu skôr, než spotrebuje týždeň produkcie – to je to, čo ti prototypovanie pomocou AI skutočne prináša.

Aby si sa o tom presvedčil, vytvor si vlastný nástroj na spustenie projektu: skript, ktorý na základe briefu vygeneruje tri vizuálne smery pre domovskú stránku, pridružený moodboard pre každý z nich a porovnávací HTML katalóg, ktorý ti umožní prezentovať ich vedľa seba.