ChatGPT Images 2.5: lokale bewerking en schetsen ontketenen een beeldrevolutie

ChatGPT Images 2.5 presenteert zich niet als een eenvoudige esthetische upgrade. In een thread die op 8 september 2026 werd gepubliceerd brengt OpenAI de aankondiging in drie berichten: het model en de vier beloften ervan, de Sketch-functie en vervolgens de templates voor formaten. De eerste post behaalde binnen enkele uren na publicatie meer dan 1,8 miljoen weergaven en 13.700 vind-ik-leuks.

De vier beloften van het model zijn snellere generatie, een betere visuele getrouwheid, behoud van details tijdens meerdere bewerkingen en wijzigingen op basis van gerichte opmerkingen. Snelheid is het gemakkelijkst te verkopen argument. Maar voor creatieve, product- en marketingteams ligt de interessantste verandering elders: OpenAI wil van OpenAI-beeldgeneratie een tool voor iteratieve bewerking maken, aangestuurd door zowel natuurlijke taal als tekeningen. Het gaat er niet langer alleen om een overtuigende afbeelding te produceren, maar om één specifiek element te corrigeren zonder de hele scène opnieuw vorm te geven.

Post 1, ChatGPT Images 2.5

https://x.com/OpenAI/status/2097394956457623964

In dit eerste bericht vat OpenAI ChatGPT Images 2.5 samen aan de hand van vier pijlers:

• snellere beeldgeneratie;
• verbeterde getrouwheid voor natuurlijkere en herkenbaardere afbeeldingen;
• consistente details na meerdere bewerkingen;
• retouches via opmerkingen, zodat alleen het gevraagde element wordt gewijzigd.

De centrale belofte is dat de afbeelding tijdens het retoucheren behouden blijft, niet alleen dat de visuele kwaliteit toeneemt.

Vier beloften, maar niet allemaal even belangrijk

De belofte van snelheid speelt in op een duidelijke behoefte. In een creatieworkflow maakt een afbeelding die sneller beschikbaar is meer opeenvolgende iteraties mogelijk en kan er op een verzoek van een klant worden gereageerd zonder de bespreking te onderbreken. De thread van OpenAI vermeldt echter geen gemiddelde generatietijd, methodologische vergelijking of prestatie-indicator.

Dezelfde voorzichtigheid geldt voor getrouwheid. OpenAI spreekt over „natuurlijkere” en „herkenbaardere” afbeeldingen. Deze formulering verwijst vooral naar een belofte rond de weergave: minder kunstmatige belichting, consistentere texturen en een betere herkenbaarheid van objecten of referentiepersonen. De post bevat geen benchmark, succespercentage of cijfermatig voorbeeld van gezichtsgetrouwheid of overeenstemming met de prompt.

Dit gebrek aan meetgegevens maakt de aankondiging niet oninteressant. Het beperkt alleen de conclusies die eruit kunnen worden getrokken. ChatGPT Images 2.5 kondigt een productverbetering aan, geen onafhankelijke demonstratie van prestaties.

Het echte historische probleem: elke retouche kan de rest verstoren

Het meest wezenlijke punt is de belofte van consistente details bij meerdere wijzigingen. Dit is een van de kostbaarste tekortkomingen van modellen voor beeldgeneratie. De vraag om een object te verplaatsen of een gezicht aan te passen leidt vaak tot een bredere regeneratie dan verwacht.

Het resultaat is herkenbaar voor professionals:

1. een personage verliest zijn onderscheidende kenmerken;
2. een merk of logo verandert enigszins;
3. de belichting, schaduwen of achtergrond worden opnieuw geïnterpreteerd;
4. de verhoudingen van een product veranderen;
5. de aanvankelijk goedgekeurde compositie raakt uit balans.

Bij incidenteel gebruik kunnen deze afwijkingen aanvaardbaar zijn. Bij een campagne, een productmock-up of een reeks e-commercevisuals vormen ze al snel een belemmering. Elke lokale correctie leidt dan tot een nieuwe fase van kwaliteitscontrole, of zelfs tot de noodzaak om de prompt helemaal opnieuw op te stellen.

Daarom is de consistentie van AI-afbeeldingen ambitieuzer dan alleen een verbetering van het fotorealisme. Het doel is de continuïteit van het asset in alle versies. De kwaliteit van een afbeelding wordt niet langer alleen afgemeten aan de eerste weergave, maar ook aan het vermogen om een reeks opeenvolgende verzoeken te doorstaan.

Van globale prompt naar beeldbewerking via opmerkingen

OpenAI introduceert ook „comment-based edits”, oftewel beeldbewerking via opmerkingen. De term is belangrijk, omdat deze wijst op een verandering in de interactiewijze.

In het traditionele model formuleert de gebruiker een volledige prompt en herschrijft die vervolgens bij elke wijziging. Zelfs wanneer een afbeelding als referentie dient, blijft de instructie vaak globaal: „maak de scène opnieuw met een rode mok”, „behoud het personage, maar verander het decor”. De AI moet dan zelf bepalen wat ongewijzigd moet blijven en wat opnieuw mag worden geïnterpreteerd.

Bewerking via opmerkingen is gericht op een werkwijze die meer op retoucheren lijkt:

• de bestaande afbeelding wordt het werkdocument;
• een specifiek deel wordt geselecteerd;
• de gebruiker geeft aan wat hij wil wijzigen;
• het model wordt geacht de elementen die niet worden gewijzigd te behouden.

De potentiële winst ligt in de overgang van regeneratie naar plaatselijke correctie.

Dit is een belangrijke ontwikkeling voor ontwerpberoepen. Het brengt het model dichter bij een werkwijze met lagen, maskers of selectieve retouchering. Taal wordt een bewerkingsopdracht, niet alleen een instructie om iets te genereren.

Waarom deze consistentie technisch moeilijk te handhaven is

Begrijpen waarom dit probleem zo lang onopgelost is gebleven, helpt om de belofte te beoordelen. Een diffusiemodel slaat een afbeelding niet op als een verzameling manipuleerbare objecten. Het werkt in een latente ruimte, een gecomprimeerde representatie waarin de visuele inhoud niet is opgedeeld in benoemde, onafhankelijke elementen.

Drie mechanismen verklaren de afwijkingen die bij elke retouchering optreden.

Het eerste is hercodering. Om een bestaande afbeelding te bewerken, voert het model deze opnieuw door zijn encoder en reconstrueert het vervolgens een uitvoer. Deze heen-en-terugbewerking is nooit volledig neutraal: microtexturen, korrel en fijne contouren worden opnieuw geïnterpreteerd. Herhaal dit tien keer en de verschillen stapelen zich op, zoals bij een fotokopie van een fotokopie.

Het tweede is het globale aandachtsveld. Moderne diffusiearchitecturen laten elke regio van de afbeelding met alle andere regio's interageren. Dat levert scènes op die qua belichting en perspectief consistent zijn, maar zorgt er ook voor dat een lokale instructie zich verspreidt. Als de kleur van een object verandert, veranderen ook de omringende reflecties, en daarmee de lichtbalans en vervolgens de achtergrond.

Het derde is het ontbreken van een persistente identiteit. Het model weet niet dat een gezicht van de ene versie op de andere hetzelfde gezicht is. Het reproduceert een verdeling van plausibele kenmerken. Niets garandeert dat het exact dezelfde kenmerken opnieuw genereert.

De klassieke technische oplossing voor dit probleem is gemaskeerde inpainting: de pixels buiten het geselecteerde gebied worden bevroren en alleen de inhoud binnen het masker wordt opnieuw gegenereerd. Effectief, maar met twee bekende beperkingen. De overgangen aan de rand van het masker blijven zichtbaar wanneer de belichting of textuur verschilt. En doordat het model de bevroren context niet kan aanpassen, produceert het soms inhoud die lokaal correct is, maar niet consistent met de scène.

Een belofte van consistentie tussen bewerkingen veronderstelt dus dat beide doelen worden verenigd: het bestaande behouden en tegelijkertijd voldoende context bieden om de retouchering goed te integreren. Het is een afweging, geen schakelaar, en juist daar zal de werkelijke betrouwbaarheid blijken.

Deze belofte moet nog worden getoetst in complexe situaties: een personage dat in meerdere afbeeldingen voorkomt, een reeks producten vanuit verschillende hoeken, strikte merkrichtlijnen of een visueel ontwerp met tekst. De post claimt overigens geen perfecte consistentie. Er wordt een verbetering aangekondigd, zonder de voorwaarden of het slagingspercentage te specificeren.

Post 2, Sketch in ChatGPT

De demonstratie van Sketch die OpenAI in de tweede post van de thread presenteert.

https://x.com/OpenAI/status/2097394958516781301

In het vervolg van de thread wordt Sketch ChatGPT geïntroduceerd. OpenAI legt uit dat sommige ideeën gemakkelijker te tekenen dan te beschrijven zijn en nodigt gebruikers vervolgens uit om rechtstreeks in ChatGPT te tekenen en de tool aan te roepen met « @ Sketch ».

Sketch vervangt natuurlijke taal niet: het voegt een ruimtelijke precisie toe die moeilijk in tekst te vatten is.

Waarom de schets een beperking van de prompt ondervangt

Tekst kan een intentie beschrijven. Een exacte positie, een vorm, een te retoucheren gebied of een geometrische relatie tussen meerdere elementen laat zich veel minder doeltreffend beschrijven.

Neem enkele alledaagse verzoeken die moeilijk ondubbelzinnig te formuleren zijn:

• een object visueel enkele centimeters naar rechts verplaatsen;
• slechts één bloemblaadje van een complexe bloem aanpassen;
• een schaduw verlengen zonder het onderwerp te wijzigen;
• aangeven welk product van meerdere producten van kleur moet veranderen;
• een logo verplaatsen zonder de lay-out te verstoren;
• de exacte locatie tekenen van een element dat moet worden toegevoegd.

In deze gevallen kan de gebruiker een uiterst gedetailleerde prompt schrijven. Toch blijft die onderhevig aan de interpretatie van het model. Een pijl, een cirkel of een gearceerd gebied vermindert de ambiguïteit. De tekening geeft informatie over de plaatsing, de tekst geeft de intentie.

Dit is de kern van het voorstel: taal dient om uit te leggen wat er moet gebeuren, de schets om te verduidelijken waar en hoe er moet worden ingegrepen.

De schets lost ook een coderingsprobleem op

Er is een diepere reden voor deze complementariteit. Een tekstuele instructie gaat door een tekstencoder die deze in een semantische ruimte projecteert. Die projectie legt concepten goed vast, maar coördinaten slecht. ‘Links van de vaas, iets naar achteren’ wordt een betekenisvector, geen positie.

Een schets komt daarentegen via hetzelfde kanaal als de afbeelding het model binnen: een raster van pixels waarvan elke zone overeenkomt met een zone in de uitvoer. De ruimtelijke overeenkomst is direct, zonder door de flessenhals van taal te gaan. Daarom kan een grove krabbel beter werken dan een zorgvuldig geformuleerde alinea om een gebied aan te duiden.

Evenzeer een interfacekeuze als een modelkeuze

De impliciete positionering is die van een geïntegreerde creatieomgeving binnen de conversationele interface. De gebruiker hoeft niet langer te schakelen tussen een afbeeldingsgenerator, een editor en vervolgens een berichtenapp om correcties aan een collega uit te leggen.

De workflow wordt mogelijk:

1. een eerste richting genereren;
2. opmerkingen plaatsen bij de elementen die moeten worden gecorrigeerd;
3. een zone visueel annoteren;
4. @ Sketch aanroepen;
5. om een retouche vragen;
6. itereren met behoud van eerdere keuzes.

Deze integratie is strategisch. Het afbeeldingsmodel wordt minder een op zichzelf staande tool en meer een functie die is geïntegreerd in een productiegesprek. Voor OpenAI is de onderscheidende factor dus niet alleen de kwaliteit van het eindresultaat, maar ook de toegankelijkheid van het correctieproces.

Post 3, de formaatsjablonen

https://x.com/OpenAI/status/2097394960366456951

Het laatste bericht in de thread is het meest bescheiden en waarschijnlijk het meest veelzeggend over de positionering. OpenAI kondigt daarin sjablonen aan voor populaire formaten, zoals posters of merch, waaraan de gebruiker vervolgens een boodschap, designelementen of een eigen stijl toevoegt.

Een sjabloon lost noch de weergave, noch de plaatsing op: het bepaalt het kader.

Dit is een derde probleemcategorie, los van de twee voorgaande. Een poster heeft verwachte afmetingen, marges, een leeshiërarchie, een titelvlak en druktechnische beperkingen. Merch heeft bedrukbare zones en contrastbeperkingen. Dit zijn vakconventies die een gebruiker zonder ontwerpachtergrond niet kan formuleren, vaak omdat die niet eens weet dat ze bestaan. Geen enkele prompt zal ze tevoorschijn halen, en een schets evenmin.

Als geheel bestrijkt de thread dus drie ondersteuningsniveaus:

1. het model neemt de weergave voor zijn rekening;
2. de schets neemt de plaatsing voor zijn rekening;
3. het sjabloon neemt het kader voor zijn rekening.

Het publiek wordt hiermee ook duidelijk verbreed. De eerste twee posts zijn gericht op mensen die al weten wat ze willen bereiken. De derde is gericht op mensen die niet weten waar ze moeten beginnen. De thread vermeldt niet hoeveel sjablonen er zijn, welke dat zijn, of dat ze behalve qua inhoud ook aanpasbaar zijn.

Wat dit betekent

In vergelijking met andere afbeeldingsmodellen probeert OpenAI minder een puur esthetische revolutie te beloven dan een beter beheersbare workflow. De strijd draait niet alleen om de schoonheid van een eerste afbeelding. Het gaat om het vermogen om die afbeelding na tien of twintig correcties om te zetten in een bruikbaar eindproduct.

Voor professionals zal de waarde van ChatGPT Images 2.5 afhangen van de stabiliteit van de iteraties, niet alleen van de snelheid van het eerste resultaat.

Wat ontwerp- en productteams hiermee kunnen winnen

Als de beloften in praktijksituaties worden waargemaakt, kunnen verschillende toepassingen soepeler verlopen:

• Marketing: varianten van een campagnebeeld maken zonder het product, het logo of de goedgekeurde kadrering te wijzigen.
• E-commerce: lokaal een kleur, accessoire of achtergrond wijzigen, terwijl de productpresentatie behouden blijft.
• UX en product: snel illustraties en mock-ups maken en vervolgens op basis van feedback een specifiek element corrigeren.
• Uitgeverij: de compositie van een beeld aanpassen zonder een volledig nieuwe generatie te starten.
• Personagecreatie: kenmerken consistent houden tijdens meerdere aanpassingen aan uitdrukking, kleding of omgeving.
• Art-direction: lange en onnauwkeurige instructies vervangen door een visuele annotatie in combinatie met een tekstueel verzoek.

Snelheid verkort de wachttijd. Getrouwheid kan de waargenomen kwaliteit verhogen. Maar het vermogen om details te behouden verlaagt vooral de verborgen iteratiekosten. In een professionele omgeving zijn het vaak die kosten die bepalen of een AI-tool daadwerkelijk in de workflow wordt opgenomen of beperkt blijft tot verkenning.

De vragen die de thread onbeantwoord laat

De aankondiging blijft zeer onvolledig over de praktische voorwaarden voor ingebruikname. De thread vermeldt niet:

• welke abonnementen toegang zullen geven tot ChatGPT Images 2.5;
• of Sketch ChatGPT voor iedereen beschikbaar is of voorbehouden blijft aan bepaalde abonnementsniveaus;
• of deze functies via een API zullen worden aangeboden;
• welke prijzen, quota of generatielimieten zullen gelden;
• in welke gevallen personages en composities na meerdere bewerkingen daadwerkelijk behouden blijven;
• of benchmarks de aangekondigde verbeteringen in getrouwheid en consistentie zullen meten;
• hoe moderatieblokkades worden afgehandeld bij verzoeken die als legitiem worden beschouwd.

Dit laatste punt is belangrijk voor organisaties. Een bewerkingsfunctie kan technisch goed presteren, maar toch moeilijk te integreren zijn in een productieproces als de moderatieregels verzoeken blokkeren zonder bruikbare uitleg. Gebruikers melden nog steeds traagheid en een te agressieve moderatie. De thread biedt hierover geen officieel antwoord of gedetailleerd beleid.

Belangrijkste punten

ChatGPT Images 2.5 moet niet uitsluitend worden gezien als een sneller of fotorealistischer model. De belangrijkste inzet is gecontroleerde bewerking: één gebied aanpassen, de rest behouden en dit vervolgens herhalen zonder de oorspronkelijke asset te verstoren.

De functies Sketch ChatGPT en de templates sluiten logisch aan bij deze ambitie. De tekst drukt de intentie uit, de schets bepaalt de locatie en de template biedt het kader. Samen maken ze een vorm van conversationele beeldbewerking mogelijk die meer weg heeft van een interactieve creatieve tool dan van een beeldgenerator voor eenmalig gebruik.

De thread laat de doorslaggevende vragen echter onbeantwoord: beschikbaarheid, API, tarieven, quota, moderatie en de werkelijke betrouwbaarheid na meerdere bewerkingen. Op papier is de belofte overtuigend. Ze zal moeten worden getoetst aan complexe scènes, merkvereisten en workflows waarin consistentie geen bonus, maar een vereiste is.