Gmail – Node Nordic – AI Konsult för företag

Telegram + VirusTotal: säkrare länkar innan du klickar

Rickard Andersson — Thu, 22 Jan 2026 07:59:44 +0000

Du sitter på mobilen, ett mejl trillar in och där är den där länken. Den “ser” okej ut, men du har blivit bränd förut och du har inte tid att leka detektiv i fem olika flikar.

Det här drabbar marknadsförare som lever i inkorgen hela dagen, men byråägare som vidarebefordrar kundförfrågningar och ops-ansvariga som godkänner dokument känner av det också. Telegram-länkskanning gör att du kan fortsätta i samma tempo och ändå göra det vuxna: kontrollera risken innan du klickar.

Det här arbetsflödet gör en inklistrad URL till en tydlig, strukturerad säkerhetssammanfattning från VirusTotal (med urlscan.io som en extra signal), och loggar sedan skanningen till Google Sheets så att du kan granska vad som hände i efterhand.

Så fungerar den här automationslösningen

Hela n8n-arbetsflödet, från trigger till slutligt resultat:

n8n Workflow Template: Telegram + VirusTotal: säkrare länkar innan du klickar

Click to explore

flowchart LR

    subgraph sg0["Telegram Incoming Flow"]
        direction LR
        n0["

VirusTotal API Call"]
        n1["

Telegram Reply Sender"]
        n2["

Telegram Incoming Trigger"]
        n3@{ icon: "mdi:database", form: "rounded", label: "Scan Log Recorder", pos: "b", h: 48 }
        n4@{ icon: "mdi:robot", form: "rounded", label: "URL Report Assistant", pos: "b", h: 48 }
        n5@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
        n6@{ icon: "mdi:memory", form: "rounded", label: "Scan Summary Memory", pos: "b", h: 48 }
        n7@{ icon: "mdi:cog", form: "rounded", label: "Throttle Summary Output", pos: "b", h: 48 }
        n8["

urlscan.io Request"]
        n9["

Compose Summary Data"]
        n10["

Combine Scan Results"]
        n10 --> n9
        n5 -.-> n4
        n7 --> n1
        n7 --> n3
        n2 --> n0
        n2 --> n8
        n6 -.-> n4
        n9 --> n4
        n8 --> n10
        n0 --> n10
        n4 --> n7
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n2 trigger
    class n4 ai
    class n5 aiModel
    class n6 ai
    class n3 database
    class n0 api
    class n9 code
    classDef customIcon fill:none,stroke:none
    class n0,n1,n2,n8,n9,n10 customIcon

Problemet: du tvingas “gissa” om en länk är säker

Misstänkta länkar annonserar sällan sig själva. De dyker upp som “vänligen signera”, “granska det här dokumentet”, “snabb fråga om en faktura” eller en kund som delar en slumpmässig Google Drive-URL. På mobilen är det värre. Du kan inte hovra för att inspektera, det är störigt att hoppa mellan appar och pressen att svara snabbt puttar dig mot riskabla klick. Även om du försöker vara försiktig blir manuell kontroll inkonsekvent. Ena dagen kör du den via VirusTotal. Nästa dag glömmer du, eftersom du jonglerar möten, godkännanden och hundra små uppgifter.

Det går snabbt att bygga upp. Här är var det faller isär.

De flesta hoppar över kontroller på mobilen eftersom processen är krånglig och långsam.
Du börjar lita på magkänslan “ser legitim ut”, vilket är exakt det nätfiske är byggt för att utnyttja.
När du väl kontrollerar en länk dokumenterar du det sällan, så det finns inget spår när någon frågar “hur kunde det här hända?”
Olika skannrar visar olika signaler, och att pussla ihop dem manuellt är ett huvudvärk.

Lösningen: en Telegram-bot som skannar och sammanfattar länkar

Det här n8n-arbetsflödet ger dig en enkel vana: klistra in en URL i Telegram, få tillbaka en risksammanfattning. När ett meddelande når din bot triggar n8n två kontroller parallellt. Först anropar den VirusTotal API för att hämta rykte och signaler för “skadlig vs. felfri” från flera motorer. Samtidigt skickar den URL:en till urlscan.io för att observera hur sidan beter sig när den laddas (vilka domäner den kontaktar, vad den försöker hämta och andra ledtrådar som kan avslöja suspekta omdirigeringar). Sedan slår arbetsflödet ihop båda svaren, hanterar fel på ett robust sätt och skapar en enda strukturerad “okej, vad betyder det här?”-rapport. Till sist svarar den i Telegram och loggar varje skanning till Google Sheets för senare granskning.

Flödet börjar med ett Telegram-meddelande. VirusTotal och urlscan.io körs, sedan kombineras resultaten och städas upp. En AI-assistent gör rådata till en läsbar sammanfattning, och n8n skickar den sammanfattningen tillbaka till chatten samtidigt som den sparar en post i Google Sheets.

Det du får: automation vs. resultat

Vad det här arbetsflödet automatiserar

Resultat du får

Det tar emot valfri URL du skickar till en Telegram-bot och startar skanning automatiskt.
Det anropar VirusTotal och urlscan.io utan att du behöver kopiera något mellan verktyg.
Det slår ihop skanningsutdata och levererar ändå en rapport om urlscan.io blockeras eller misslyckas.
Det sparar en skanningsloggpost i Google Sheets samtidigt som Telegram-svaret skickas.

De flesta team kortar ner “ska jag klicka?”-kontroller från cirka 10 minuter till under 1 minut.
Du får en sammanfattning på enkel svenska i stället för rå JSON du aldrig kommer läsa.
Blockerade skanningar märks tydligt, så du inte misstar saknad data för “säker”.
Dina länkkontroller blir konsekventa eftersom processen är ett meddelande, varje gång.
Du bygger ett revisionsspår i Google Sheets för säkerhetsgranskningar och uppföljning efter incidenter.

Exempel: så här ser det ut

Säg att du får 10 “snälla granska det här”-länkar i veckan via mejl och chatt. Manuellt blir det oftast 2 verktyg (VirusTotal plus en webbläsarsandbox eller urlscan.io), kanske 5 minuter per länk när du räknar in kopiering, laddning och tolkning av resultat, alltså ungefär en timme i veckan. Med det här arbetsflödet klistrar du in URL:en i Telegram (10 sekunder), väntar på skanningen och sammanfattningen (ofta runt en minut), och så är du klar. Du får också Google Sheets-loggen automatiskt, vilket är en tyst vinst när någon ber om bevis i efterhand.

Det du behöver

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger funkar bra)
Telegram för att ta emot länkar och skicka sammanfattningar
VirusTotal för rykte och signaler om skadlig kod
urlscan.io API-nyckel (hämta den i urlscan.io Settings & API)

Kunskapsnivå: Medel. Du kopplar några konton, klistrar in API-nycklar och gör små ändringar som chatt-ID:n och kolumner i Sheet:et.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

Du skickar en URL till din Telegram-bot. Det meddelandet är triggern, så du behöver inget formulär, ingen webbläsartillägg eller någon annan app.

Två skanningar körs samtidigt. n8n anropar VirusTotal via HTTP Request för att hämta omdömen och rykte, och anropar urlscan.io för att se vad länken faktiskt gör när den laddas.

Arbetsflödet slår ihop och normaliserar resultaten. Ett kodsteg bygger ett konsekvent dataobjekt, även om urlscan.io misslyckas, så sammanfattningen faller aldrig ihop halvvägs.

Du får en läsbar risksammanfattning och en sparad logg. En språkmodell-agent gör de kombinerade resultaten till en tydlig rapport, sedan svarar n8n i Telegram och skriver skanningsdetaljerna till Google Sheets.

Du kan enkelt ändra var sammanfattningen hamnar (Telegram) till Slack eller mejl beroende på behov. Se hela implementeringsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera Telegram-triggern

Konfigurera Telegram-triggern så att inkommande meddelanden startar skanningsflödet.

Lägg till noden Telegram Incoming Trigger och behåll Updates inställt på message.
Autentiseringsuppgifter krävs: Anslut era telegramApi-uppgifter.
Spara arbetsflödet så att n8n genererar Telegram-webhooken för Telegram Incoming Trigger.

Om ni redan har en Telegram-bot kan ni återanvända dess token i autentiseringsuppgiften telegramApi för att hålla all automation kopplad till en och samma bot.

Steg 2: anslut tjänsterna för URL-skanning

Konfigurera de externa skanningsanropen som körs parallellt när ett Telegram-meddelande kommer in.

Öppna VirusTotal API Call och ställ in URL till https://www.virustotal.com/api/v3/urls med Method inställt på POST.
I VirusTotal API Call ställer ni in Query Parameters → url till {{ $json.message.text }}.
Autentiseringsuppgifter krävs: Anslut era virusTotalApi-uppgifter.
Öppna urlscan.io Request och ställ in URL till {{ $json.message.text }}.
Autentiseringsuppgifter krävs: Anslut era urlScanIoApi-uppgifter.
Bekräfta körordningen: Telegram Incoming Trigger skickar utdata parallellt till både VirusTotal API Call och urlscan.io Request.

⚠️ Vanlig fallgrop: Om någon av API-nycklarna saknas eller är felaktig fortsätter arbetsflödet ändå, men er sammanfattning kan bli ofullständig. Dubbelkolla båda autentiseringsuppgifterna innan ni testar.

Steg 3: sätt upp bearbetningslogiken

Slå ihop skanningsresultaten och skapa en strukturerad sammanfattningspayload för AI-assistenten.

Anslut VirusTotal API Call och urlscan.io Request till Combine Scan Results.
Anslut Combine Scan Results till Compose Summary Data.
I Compose Summary Data behåller ni JavaScript-koden som skapar ett summary-fält och bevarar ursprungliga JSON-fält.

Noden Compose Summary Data säkerställer att AI:n får en konsekvent struktur även om urlscan.io misslyckas.

Steg 4: sätt upp AI-lagret för sammanfattning

Konfigurera AI-assistenten så att den omvandlar skanningsdata till en lättläst riskrapport.

Öppna URL Report Assistant och behåll prompten i Text enligt definitionen, inklusive de inbäddade uttrycken som {{ $('Telegram Incoming Trigger').item.json.message.text }} och {{ $now }}.
Säkerställ att OpenAI Chat Model är ansluten som språkmodell för URL Report Assistant.
Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter i OpenAI Chat Model.
Säkerställ att Scan Summary Memory är ansluten som minne för URL Report Assistant.

Noden Scan Summary Memory kräver inga autentiseringsuppgifter; eventuella AI-uppgifter ska läggas till i överordnade OpenAI Chat Model.

Steg 5: konfigurera utdata och loggning

Skicka AI-sammanfattningen tillbaka till Telegram och logga den i Google Sheets.

Anslut URL Report Assistant till Throttle Summary Output.
Bekräfta parallell utdata: Throttle Summary Output skickar utdata parallellt till både Telegram Reply Sender och Scan Log Recorder.
I Telegram Reply Sender ställer ni in Text till {{ $json.output }} och Chat ID till {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
Autentiseringsuppgifter krävs: Anslut era telegramApi-uppgifter i Telegram Reply Sender.
I Scan Log Recorder ställer ni in Operation till appendOrUpdate, mappar URL till {{ $('Telegram Incoming Trigger').item.json.message.text }}, Report till {{ $json.output }} och Date/Time till {{ $now }}.
Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Scan Log Recorder.

⚠️ Vanlig fallgrop: Ersätt [YOUR_ID] i Scan Log Recorder med era faktiska Google Sheet- och dokument-ID:n, annars kommer append att misslyckas.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att säkerställa att skanningar, AI-sammanfattningar och loggning fungerar från början till slut.

Klicka på Test Workflow och skicka en URL till er Telegram-bot för att trigga Telegram Incoming Trigger.
Verifiera att VirusTotal API Call och urlscan.io Request körs och slås ihop i Combine Scan Results.
Bekräfta att Telegram Reply Sender returnerar en lättläst sammanfattning i Telegram och att Scan Log Recorder skriver en rad till Google Sheets.
När ni är nöjda, växla arbetsflödet till Active för att aktivera övervakning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

VirusTotal-inloggning kan löpa ut eller läggas in fel. Om anropen misslyckas, kontrollera API-nyckel-headern i VirusTotal HTTP Request-noden (den ska skickas som förväntad header, till exempel x-apikey).
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder misslyckas på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt annars kommer du redigera utdata för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för Telegram-länkskanning?

Cirka 30 minuter om du redan har API-nycklarna.

Behöver jag kunna koda för att automatisera Telegram-länkskanning?

Nej. Du kommer främst koppla konton och klistra in API-nycklar. Den enda “tekniska” delen är att uppdatera ett par fält som Telegram-chatt-ID och dina kolumner i Google Sheet.

Är n8n gratis att använda för det här arbetsflödet för Telegram-länkskanning?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också ta hänsyn till API-begränsningar för VirusTotal och urlscan.io (VirusTotal Public API är rate-limitad och inte idealisk för kommersiell volym).

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig mer kontroll, men du ansvarar själv för uppdateringar och drifttid.

Kan jag anpassa det här arbetsflödet för Telegram-länkskanning till Slack-larm i stället för Telegram-svar?

Ja, och det är en vanlig justering. Du kan behålla samma trigger och skanningar och sedan byta ut noden “Telegram Reply Sender” mot en Slack-nod som postar sammanfattningen i en kanal. Många anpassar även loggningen i Google Sheets med extra fält som “vem skickade in länken” eller ett kampanjnamn, vilket gör revisioner mycket enklare.

Varför misslyckas min VirusTotal-anslutning i det här arbetsflödet?

Oftast beror det på att API-nyckeln skickas på fel ställe. VirusTotal förväntar sig nyckeln som en header (vanligen x-apikey), så verifiera att HTTP Request-noden har den headern aktiverad och ifylld. Kontrollera också dina rate limits eftersom den publika nyckeln är begränsad till några få anrop per minut. Om du skannar i kluster kan du behöva throttling eller en betald plan.

Hur många länkar kan den här automatiseringen för Telegram-länkskanning hantera?

På n8n Cloud Starter-planen kan du köra några tusen exekveringar per månad, vilket räcker för de flesta små team. Om du self-hostar är exekveringar inte flaskhalsen; det är din server och skannrarnas rate limits. I praktiken är VirusTotals publika API-tak den största begränsningen, så hög volym innebär oftast att du uppgraderar din VirusTotal-åtkomst eller throttlar skanningar.

Är den här automatiseringen för Telegram-länkskanning bättre än att använda Zapier eller Make?

Ofta, ja. n8n är bekvämare när du behöver förgrenad logik, fallbacks (som “urlscan.io misslyckades, förlita dig på VirusTotal”) och mer avancerad dataformatering innan du skickar ett meddelande. Self-hosting är också en stor grej om du vill ha obegränsade körningar utan prissättning per uppgift, helt ärligt. Zapier eller Make kan fortfarande fungera bra för en enkel “skicka URL till API, posta svar”-setup, men det här arbetsflödets tillförlitlighet hänger på att hantera partiella fel på ett robust sätt. Prata med en automationsexpert om du vill ha hjälp att välja den enklaste vägen för din volym och risknivå.

Det här är den typ av automation du sätter upp en gång och sedan lutar dig mot i månader. Färre riskabla klick, tydligare beslut och ett spår att följa när du behöver det.

The post Telegram + VirusTotal: säkrare länkar innan du klickar first appeared on Node Nordic - AI Konsult för företag.

Gmail + Google Sheets: ai-uppföljning som konverterar

Rickard Andersson — Thu, 22 Jan 2026 07:57:22 +0000

Inkorgen fylls, leads faller mellan stolarna och ”jag svarar senare” blir till ”de bokade med en konkurrent”. Det handlar inte bara om att svara. Det är alla tabbyten, att läsa in gammal kontext igen och att försöka komma ihåg vem som behöver en demolänk och vem som behöver mer utbildande info.

Den här Gmail–Sheets-automationen träffar marknadschefer först (eftersom de äger pipeline-kvaliteten), men grundare och byråledare känner av den också. Du får snabbare första svar, mer strukturerad lead-tracking och uppföljningar som inte hänger på att någon råkar ha en ”lugn dag i inkorgen”.

Nedan är det exakta n8n-flödet som fångar nya leads, berikar och klassificerar dem med AI, loggar allt till Google Sheets och schemalägger demos när intenten är verklig.

Så här fungerar automatiseringen

Hela n8n-workflowen, från trigger till slutligt resultat:

n8n Workflow Template: Gmail + Google Sheets: ai-uppföljning som konverterar

Click to explore

flowchart LR

    subgraph sg0["Incoming Contact Form Flow"]
        direction LR
        n0@{ icon: "mdi:message-outline", form: "rounded", label: "Dispatch Decline Email", pos: "b", h: 48 }
        n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set ICP & Lead Rules", pos: "b", h: 48 }
        n2["

Process Demo-Ready Data"]
        n3@{ icon: "mdi:robot", form: "rounded", label: "Parse Structured Output", pos: "b", h: 48 }
        n4["

Incoming Contact Form"]
        n5@{ icon: "mdi:database", form: "rounded", label: "Retrieve Sheet Columns", pos: "b", h: 48 }
        n6["

Select Latest Row"]
        n7@{ icon: "mdi:robot", form: "rounded", label: "AI Response Agent", pos: "b", h: 48 }
        n8@{ icon: "mdi:database", form: "rounded", label: "Append Lead to Sheet", pos: "b", h: 48 }
        n9@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine", pos: "b", h: 48 }
        n10@{ icon: "mdi:message-outline", form: "rounded", label: "Send Reply or Escalation", pos: "b", h: 48 }
        n11@{ icon: "mdi:robot", form: "rounded", label: "AI Lead Enrichment Step", pos: "b", h: 48 }
        n12@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Search Engine", pos: "b", h: 48 }
        n13@{ icon: "mdi:robot", form: "rounded", label: "AI Lead Categorizer", pos: "b", h: 48 }
        n14@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Classifier Model", pos: "b", h: 48 }
        n15@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Demo-Ready Output", pos: "b", h: 48 }
        n16@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Nurture Output", pos: "b", h: 48 }
        n17@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Drop Output", pos: "b", h: 48 }
        n18@{ icon: "mdi:location-exit", form: "rounded", label: "Schedule Demo for High Intent", pos: "b", h: 48 }
        n19@{ icon: "mdi:database", form: "rounded", label: "Update Sheet for Demo Leads", pos: "b", h: 48 }
        n20["

Process Nurture Data"]
        n21["

Process Drop Data"]
        n22@{ icon: "mdi:database", form: "rounded", label: "Update Sheet for Dropped", pos: "b", h: 48 }
        n23@{ icon: "mdi:database", form: "rounded", label: "Update Sheet for Nurture", pos: "b", h: 48 }
        n24@{ icon: "mdi:message-outline", form: "rounded", label: "Send Nurture Resources Email", pos: "b", h: 48 }
        n25@{ icon: "mdi:message-outline", form: "rounded", label: "Send Nurture Event Email", pos: "b", h: 48 }
        n26@{ icon: "mdi:location-exit", form: "rounded", label: "Schedule Demo Post-Nurture", pos: "b", h: 48 }
        n27@{ icon: "mdi:cog", form: "rounded", label: "Delay 1 Day Step 3", pos: "b", h: 48 }
        n28@{ icon: "mdi:cog", form: "rounded", label: "Delay 1 Day Step 2", pos: "b", h: 48 }
        n29@{ icon: "mdi:cog", form: "rounded", label: "Delay 1 Day Step 1", pos: "b", h: 48 }
        n4 --> n7
        n4 --> n8
        n14 -.-> n13
        n29 --> n24
        n28 --> n25
        n27 --> n26
        n7 --> n10
        n5 --> n6
        n17 --> n21
        n17 --> n0
        n8 --> n5
        n9 -.-> n7
        n13 --> n15
        n13 --> n16
        n13 --> n17
        n11 --> n1
        n12 -.-> n11
        n21 --> n22
        n16 --> n20
        n16 --> n29
        n6 --> n11
        n15 --> n2
        n15 --> n18
        n20 --> n23
        n3 -.-> n7
        n2 --> n19
        n25 --> n27
        n1 --> n13
        n24 --> n28
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n4 trigger
    class n3,n7,n11,n13 ai
    class n9,n12,n14 aiModel
    class n15,n16,n17 decision
    class n5,n8,n19,n22,n23 database
    class n2,n6,n20,n21 code
    classDef customIcon fill:none,stroke:none
    class n2,n4,n6,n20,n21 customIcon

Problemet: lead-uppföljning havererar i inkorgen

Lead-uppföljning fallerar ofta på tråkiga, vardagliga sätt. En formulärinsändning kommer in, någon svarar snabbt, och sedan blir det andra meddelandet försenat för att det ”inte är akut”. Eller så ställer leadet en enkel fråga, men du måste leta upp prisdetaljer, case studies eller rätt kalenderlänk. Samtidigt är din tracking utspridd: lite i Gmail, lite i någons anteckningar, kanske ett halvt uppdaterat Google Sheet som ingen riktigt litar på. Efter en vecka kan du inte säkert svara på grundfrågor som ”Vilka leads är redo för demo?” och ”Vem väntar fortfarande på oss?”

Friktionen byggs på. Här är var det brister.

Första svar tar för lång tid eftersom varje svar börjar från noll och kräver kontext du inte har framför dig.
Leads prioriteras fel, så personer med hög intent får vänta medan låg-fit-förfrågningar tar upp uppmärksamhet.
Manuell loggning i ett kalkylark är lätt att hoppa över, vilket gör att rapportering blir gissningar redan i mitten av månaden.
Uppföljningssekvenser blir inkonsekventa, och löftet ”vi skickar resurser i morgon” dör tyst.

Lösningen: AI-baserad lead capture, klassificering och uppföljning i ett flöde

Det här flödet gör om ett nytt lead till en spårad, kategoriserad konversation med korrekt uppföljning utan att du behöver passa den. Det startar när en prospekt skickar in ditt kontaktformulär, sedan läser en AI-agent meddelandet och skriver ett smart svar (eller eskalerar till en människa när frågan är känslig). Samtidigt läggs leadet till i Google Sheets som din enda sanningskälla. Därefter berikar ytterligare ett AI-steg leadet med företagskontext och jämför mot dina ICP-regler, så att flödet kan klassificera dem som demo-klara, nurture eller avfärda. Sedan tar n8n rätt åtgärd: bokar en demo för leads med hög intent, skickar en nurture-sekvens under några dagar eller skickar ett artigt nej och loggar utfallet.

Flödet startar i din formulärtrigger. AI hanterar berikning, klassificering och förslag på svar i mitten. Google Sheets och Gmail håller ordning på både registreringen och dialogen, medan Google Calendar sköter demobokning när tajmingen är rätt.

Det du får: automatisering vs. resultat

Det här flödet automatiserar

Resultat du får

Fångar varje nytt formulär-lead och loggar det automatiskt i Google Sheets.
Berikar leaddetaljer med en AI-agent, så att posten går att använda för routing.
Klassificerar leads som demo-klara, nurture eller avfärda baserat på dina ICP-regler.
Skickar rätt uppföljningsmejl och bokar demos via Google Calendar.

Kom snabbare till inbox zero och få tillbaka cirka 1–2 timmar varje vecka.
Färre ”förlorade leads” eftersom uppföljningar inte är beroende av minnet.
Tydligare rapportering eftersom varje lead hamnar i ett ark med en status.
Snabbare bokade demos eftersom leads med hög intent hanteras direkt.
Mer konsekventa budskap, så prospekt får samma kvalitet varje gång.

Exempel: så här ser det ut i praktiken

Säg att du får 20 inkommande leads i veckan. Manuellt kan du lägga ungefär 10 minuter per lead på att läsa meddelandet, kontrollera fit, skriva ett svar, logga i ett ark och komma ihåg en uppföljning – totalt runt 3 timmar per vecka. Med det här flödet sjunker ”människotiden” till en snabb genomgång av eskaleringar och ibland justeringar av prompts, kanske 20 minuter totalt, medan n8n sköter loggning, klassificering och timing av sekvenser i bakgrunden. Det är ett par timmar tillbaka varje vecka, plus färre missade möjligheter.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Självhostingsalternativ om du föredrar det (Hostinger fungerar bra)
Gmail (Google Workspace) för att skicka svar och sekvenser.
Google Sheets för lead-loggen och statusar.
Google Calendar för att boka demos automatiskt.
OpenAI API-nyckel (hämta den i din OpenAI-dashboard).

Kunskapsnivå: Medel. Du kopplar Google-inloggningar, klistrar in ditt Sheet-ID och justerar prompts så att de matchar din ICP och er tonalitet.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så här fungerar det

Ett nytt lead kommer in. Flödet börjar när någon skickar in ditt kontaktformulär i n8n. Insändningen blir den enda ”källhändelsen” för allt som följer.

Leadet loggas och förbereds. n8n lägger till leadet i Google Sheets och läser sedan tillbaka den senaste raden så att AI-berikningen får en konsekvent struktur att jobba med (namn, företag, meddelande och eventuella extra fält du spårar).

AI berikar och klassificerar intent. En AI-agent lägger till användbar kontext (som trolig bransch, smärtpunkter eller storlekssignaler baserat på vad leadet skrev) och jämför detaljerna mot dina kriterier i ”Set ICP & Lead Rules”. Sedan märker klassificeringen leadet som demo-klar, nurture eller avfärda, vilket skickar dem vidare på rätt spår.

Mejl och bokning sker automatiskt. Demo-klara leads kan trigga en bokning i Google Calendar och ett bekräftelseinriktat svar. Nurture-leads får en stegvis sekvens med väntetider över några dagar, och arket uppdateras vid varje kontaktpunkt.

Du kan enkelt ändra ICP-reglerna och mejlmallarna så att de matchar din marknad och ditt erbjudande. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: konfigurera formulärtriggern

Det här arbetsflödet startar när en lead skickar in det inbäddade formuläret, så konfigurera triggerfälten så att de matchar den leaddata ni vill fånga.

Lägg till noden Incoming Contact Form och ställ in Form Title på Contact Information.
I Form Fields inkluderar ni obligatoriska fält för Name, Email, Company, Job Title samt en Message-textarea med platshållaren Tell us about your needs and challenges....
Koppla Incoming Contact Form till både AI Response Agent och Append Lead to Sheet så att inskick behandlas parallellt.

Incoming Contact Form skickar utdata till både AI Response Agent och Append Lead to Sheet parallellt.

Steg 2: koppla Google Sheets för lagring av leads

Leads läggs till och uppdateras senare i ert Google-ark. Flera Google Sheets-noder används för att lägga till, hämta och uppdatera.

I Append Lead to Sheet ställer ni in Operation på append, Sheet Name på Leads och Document ID på YOUR_GOOGLE_SHEET_ID.
Mappa kolumner i Append Lead to Sheet: Date till {{ $json.submittedAt }}, Name till {{ $json.Name }}, Mail till {{ $json.Email }}, Company till {{ $json.Company }}, Message till {{ $json.Message }} och Job Title till {{ $json['Job Title'] }}.
I Retrieve Sheet Columns ställer ni in Sheet Name på Leads och Document ID på YOUR_GOOGLE_SHEET_ID.
Koppla Append Lead to Sheet → Retrieve Sheet Columns → Select Latest Row för att välja den senaste posten innan berikning.
Konfigurera uppdateringsnoderna (Update Sheet for Demo Leads, Update Sheet for Nurture, Update Sheet for Dropped) att använda Operation update, Sheet Name Leads och Document ID YOUR_GOOGLE_SHEET_ID.

Inloggning krävs: Koppla era Google Sheets-inloggningsuppgifter till Append Lead to Sheet, Retrieve Sheet Columns, Update Sheet for Demo Leads, Update Sheet for Nurture och Update Sheet for Dropped.

Steg 3: konfigurera AI-svar och parsning av utdata

Arbetsflödet använder en AI-agent för att generera ett svar eller eskalering baserat på inkommande meddelande, med en strukturerad utdata-parser.

I AI Response Agent ställer ni in Text till We received the message "{{ $json.Message }}" from "{{ $json.Name }}", who is "{{ $json['Job Title'] }}" at "{{ $json.Company }}". The email is "{{ $json.Email }}" och låter Has Output Parser vara aktiverat.
I Parse Structured Output ställer ni in JSON Schema Example till { "Sending To": "[YOUR_EMAIL]", "Subject": "example subject", "Message": "example message" }.
Koppla OpenAI Chat Engine som språkmodell och Parse Structured Output som utdata-parser för AI Response Agent.
I Send Reply or Escalation ställer ni in Send To till {{ $json.output['Sending To'] }}, Subject till {{ $json.output.Subject }} och Message till {{ $json.output.Message }}.

Inloggning krävs: Koppla era OpenAI-inloggningsuppgifter till OpenAI Chat Engine. Parse Structured Output är en subnod—lägg till inloggning på OpenAI Chat Engine, inte på parsern.

Inloggning krävs: Koppla era Gmail-inloggningsuppgifter till Send Reply or Escalation.

Steg 4: sätt ICP-regler, berika leads och klassificera

När en lead har lagrats berikar arbetsflödet företagsinformationen och klassificerar leaden med hjälp av ICP-regler.

I Select Latest Row behåller ni koden som returnerar sista raden: const lastRow = rows[rows.length - 1]; return [lastRow];.
I AI Lead Enrichment Step ställer ni in Text till den angivna JSON-schema-prompten och säkerställer att Has Output Parser är aktiverat.
Koppla OpenAI Search Engine som språkmodell för AI Lead Enrichment Step.
I Set ICP & Lead Rules behåller ni standarddefinitionerna för ICP, demo-ready, nurture och drop och ställer in output till {{ $json.output }}.
I AI Lead Categorizer ställer ni in Input Text till Company: {{ $('Incoming Contact Form').item.json.Company }}, Message: {{ $('Incoming Contact Form').item.json.Message }}, Lead enriched by AI: {{ $('AI Lead Enrichment Step').item.json.output }} och behåller kategorierna mappade till {{ $json['demo-ready'] }}, {{ $json.nurture }} och {{ $json.drop }}.
Koppla OpenAI Classifier Model som språkmodell för AI Lead Categorizer.

Inloggning krävs: Koppla era OpenAI-inloggningsuppgifter till OpenAI Search Engine och OpenAI Classifier Model. Dessa är föräldranoderna för AI-stegen.

⚠️ Vanlig fallgrop: Om AI-utdata inte är giltig JSON kommer nedströmsprocessorerna (Process Demo-Ready Data, Process Nurture Data, Process Drop Data) att misslyckas med att parsa. Håll prompterna strikta och undvik extra text.

Steg 5: konfigurera routning och parallella åtgärder

Klassificeringen routar varje lead till olika spår, där vissa spår körs parallellt.

I Check Demo-Ready Output behåller ni villkoret {{ $json.output }} med operatorn exists.
I Check Nurture Output och Check Drop Output behåller ni samma exists-villkor på {{ $json.output }}.
Säkerställ att Check Demo-Ready Output skickar utdata till både Process Demo-Ready Data och Schedule Demo for High Intent parallellt.
Säkerställ att Check Nurture Output skickar utdata till både Process Nurture Data och Delay 1 Day Step 1 parallellt.
Säkerställ att Check Drop Output skickar utdata till både Process Drop Data och Dispatch Decline Email parallellt.

Check Demo-Ready Output skickar utdata till både Process Demo-Ready Data och Schedule Demo for High Intent parallellt.

Check Nurture Output skickar utdata till både Process Nurture Data och Delay 1 Day Step 1 parallellt.

Check Drop Output skickar utdata till både Process Drop Data och Dispatch Decline Email parallellt.

Steg 6: konfigurera e-post, nurture-fördröjningar och kalenderbokning

Leads får nurture-mail efter fördröjningar, demos bokas för leads med hög intent och avböjda leads får ett avböjningsmail.

I Send Nurture Resources Email ställer ni in Send To till {{ $('Incoming Contact Form').item.json.Email }} och behåller mallarna för meddelande/ämne.
I Delay 1 Day Step 1 ställer ni in Unit till days och Amount till 1, och kopplar sedan till Send Nurture Resources Email.
I Delay 1 Day Step 2 och Delay 1 Day Step 3 ställer ni in Unit till days och Amount till 1, och kopplar sedan till Send Nurture Event Email respektive Schedule Demo Post-Nurture.
I Schedule Demo for High Intent behåller ni uttrycken för Start och End som schemalägger till nästa arbetsdag kl. 12:00–13:00, och ställer in Calendar till [YOUR_EMAIL].
I Schedule Demo Post-Nurture behåller ni samma schemaläggningsuttryck och uppdaterar mallen för Description vid behov.
I Dispatch Decline Email behåller ni Send To som {{ $('Incoming Contact Form').item.json.Email }} och anpassar avböjningsmeddelandet vid behov.

Inloggning krävs: Koppla era Gmail-inloggningsuppgifter till Send Nurture Resources Email, Send Nurture Event Email och Dispatch Decline Email.

Inloggning krävs: Koppla era Google Calendar-inloggningsuppgifter till Schedule Demo for High Intent och Schedule Demo Post-Nurture.

Steg 7: testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att säkerställa att varje gren (demo-ready, nurture, drop) fungerar korrekt och uppdaterar arket, e-post och kalendern.

Klicka på Execute Workflow och skicka in en testpost via Incoming Contact Form.
Bekräfta att Append Lead to Sheet lägger till en ny rad och att Retrieve Sheet Columns → Select Latest Row väljer den sista raden.
Verifiera att AI Response Agent producerar strukturerad utdata som parsas av Parse Structured Output och att Send Reply or Escalation skickar rätt e-post.
Trigga olika leadtyper för att säkerställa att Check Demo-Ready Output, Check Nurture Output och Check Drop Output routar korrekt och att uppdateringar i arket sker i motsvarande uppdateringsnod.
När ni har verifierat, växla arbetsflödet till Active för användning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Google Sheets-inloggningar kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera skärmen Credentials i n8n och bekräfta först att Sheet:et är delat med samma Google-konto.
Om du använder Wait-noder eller extern bearbetning varierar tiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar, särskilt i nurture-sekvensens fördröjningar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet och ICP-detaljer i ”Set ICP & Lead Rules” och i AI-agenternas prompter tidigt, annars kommer du att sitta och redigera outputs för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här Gmail–Sheets-automationen?

Cirka 45 minuter om dina Google-konton och ditt Sheet är redo.

Behöver jag kunna koda för att automatisera Gmail–Sheets?

Ingen kodning krävs. Du kopplar främst inloggningar, klistrar in ID:n och redigerar ICP-reglerna och mejlmallarna.

Är n8n gratis att använda för den här Gmail–Sheets-automationen?

Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med OpenAI API-användning, vilket oftast är några cent per lead för klassificering och utkast.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och fungerar bra med n8n. Självhosting ger dig obegränsat antal körningar, men kräver grundläggande serverhantering.

Kan jag anpassa den här Gmail–Sheets-automationen för min ICP och er tonalitet?

Ja, och det bör du. Uppdatera noden ”Set ICP & Lead Rules” så att den matchar din Ideal Customer Profile och justera sedan AI-agentens prompter som används för berikning och förslag på svar. Vanliga anpassningar är att ändra trösklarna för demo-klar (t.ex. företagsstorlek), skriva om nurture-mejl så att de matchar er ton och lägga till extra fält i Google Sheet, som lead-källa eller kampanj.

Varför misslyckas min Gmail-anslutning i det här flödet?

Oftast beror det på en utgången OAuth-anslutning i n8n. Koppla om Gmail-inloggningen och bekräfta sedan att Gmail-noden pekar på rätt ”From”-inkorg och har behörighet att skicka på uppdrag av den adressen. Om det bara misslyckas under hektiska perioder kan du slå i Googles rate limits, så sänk tempot lite i flödet eller minska parallell bearbetning.

Hur många leads kan den här Gmail–Sheets-automationen hantera?

En typisk setup kan hantera hundratals leads i veckan, och självhostad n8n har inget hårt tak för antal körningar (din server är begränsningen).

Är den här Gmail–Sheets-automationen bättre än att använda Zapier eller Make?

Det beror på hur ”smart” du vill att flödet ska vara. Det här flödet använder flera AI-steg, förgrening (demo-klar vs nurture vs avfärda), uppdateringar i Sheets och tidsfördröjningar över flera dagar, och n8n hanterar den typen av logik snyggt utan att bli ett dyrt spindelnät av zaps. Zapier och Make kan fortfarande göra det, men du får ofta betala mer när volymen växer och komplex förgrening blir snabbt rörig. Om du bara skickar samma engångsmejl till varje lead kan de vara snabbare att lansera med. Prata med en automationsexpert om du vill ha hjälp att välja.

När detta väl rullar får dina leads konsekvent uppföljning och ditt team får andrum. Sätt upp det, trimma ICP-reglerna och låt flödet hantera de repetitiva delarna.

The post Gmail + Google Sheets: ai-uppföljning som konverterar first appeared on Node Nordic - AI Konsult för företag.

Outlook till OneDrive: bilagor sparas strukturerat

Rickard Andersson — Thu, 22 Jan 2026 07:56:06 +0000

Inkorgen fylls på med ”bara en bilaga till”, och plötsligt ligger viktiga filer utspridda mellan Hämtade filer, slumpmässiga skrivbordsmappningar och halvt ihågkomna e-posttrådar. Att hitta rätt version senare är den verkliga tidstjuven.

Kontorsansvariga märker det först. Ekonomer som jagar fakturor känner igen det också. Och konsulter med kundkontakt hamnar i att söka i Outlook i stället för att göra debiterbart arbete. Den här automatiseringen för Outlook OneDrive attachments arkiverar varje e-postbilaga i en prydligt namngiven OneDrive-mapp, automatiskt.

Du får se exakt hur flödet fångar mejlet, skapar en mapp baserat på ämne och tidsstämpel och laddar upp varje bilaga på rätt plats så att du kan sluta dra runt filer hela dagarna.

Så fungerar automatiseringen

Hela n8n-workflowet, från trigger till slutresultat:

n8n Workflow Template: Outlook till OneDrive: bilagor sparas strukturerat

Click to explore

flowchart LR

    subgraph sg0["Outlook Mail Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Outlook Mail Trigger", pos: "b", h: 48 }
        n1@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Attachment Presence Filter", pos: "b", h: 48 }
        n2@{ icon: "mdi:cog", form: "rounded", label: "Retrieve Outlook Email", pos: "b", h: 48 }
        n3@{ icon: "mdi:cog", form: "rounded", label: "Generate OneDrive Folder", pos: "b", h: 48 }
        n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Extract Binary Items", pos: "b", h: 48 }
        n5["

Combine Folder & Attachments"]
        n6@{ icon: "mdi:cog", form: "rounded", label: "Upload to OneDrive", pos: "b", h: 48 }
        n1 --> n2
        n4 --> n5
        n3 --> n5
        n2 --> n3
        n2 --> n4
        n5 --> n6
        n0 --> n1
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n0 trigger
    class n1 decision
    classDef customIcon fill:none,stroke:none
    class n5 customIcon

Problemet: e-postbilagor blir till filkaos

Att spara bilagor låter enkelt tills du gör det 20 gånger om dagen. Du öppnar ett mejl, laddar ner filen, väljer en mapp, döper om den (eller låter bli) och försöker sedan komma ihåg var du la den när en kund frågar efter ”den uppdaterade versionen” nästa vecka. Multiplicera det med fakturor, avtal, onboarding-dokument, kreativa briefar och interna rapporter. Kostnaden är inte bara några minuter per mejl. Det är uppföljningsletandet, dubbletterna, ”kan du skicka igen?”-meddelandena och de små misstagen som dyker upp vid sämsta möjliga tillfälle.

Friktionen byggs på. Här är där det oftast fallerar.

Bilagor sparas där det går snabbast i stunden, vilket gör att återhämtning senare blir en gissningslek.
Mejlämnen är inte konsekventa, så manuell mappnamngivning glider och strukturen blir rörig över tid.
Team laddar ner samma fil igen eftersom ingen litar på att ”slutversionen” på en delad enhet faktiskt är den senaste.
En missad faktura eller ett signerat dokument kan trigga timmar av fram och tillbaka och en obekväm intern brandkårsutryckning.

Lösningen: spara Outlook-bilagor till OneDrive-mappar automatiskt

Det här n8n-workflowet bevakar din Outlook-inkorg efter nya mejl och går bara vidare när bilagor finns. När ett mejl kommer in med filer hämtar det hela meddelandet från Outlook (inklusive binära bilagor) och skapar sedan en helt ny mapp i OneDrive. Mappnamnet bygger på mejlets ämne plus en tidsstämpel, så det förblir lättläst men ändå unikt. Därefter separerar workflowet varje bilaga till en egen post, kombinerar bilagedatan med mappdetaljerna och laddar upp varje fil till den OneDrive-mappen. Slutresultatet är enkelt: varje mejl blir en prydligt paketerad mapp, med alla filer inuti, redo att söka i och dela.

Workflowet startar med en Outlook-trigger. Sedan filtrerar det bort mejl utan bilagor så att du inte slösar körningar. Till sist skapar det OneDrive-mappen och laddar upp varje bilaga till exakt den platsen, utan att du rör Hämtade filer.

Det du får: automatisering vs. resultat

Vad workflowet automatiserar

Resultat du får

Övervakar Microsoft Outlook efter nya inkommande mejl.
Kontrollerar att ett mejl faktiskt innehåller binära filbilagor.
Skapar en OneDrive-mapp namngiven utifrån ämne + tidsstämpel.
Laddar upp varje bilaga till rätt ny mapp automatiskt.

Spara cirka 2 timmar i veckan om du hanterar 30+ bilagor.
Mycket snabbare ”var är den där filen?”-sökningar eftersom namngivningen är konsekvent.
Renare spårbarhet mot kunder och leverantörer, eftersom varje mejl blir sin egen behållare.
Färre dubbletter i Hämtade filer, på skrivbord och i delade enheter.
Mindre mental belastning, eftersom arkivering sker även när det är fullt upp.

Exempel: så här ser det ut

Säg att du får 15 mejl om dagen med bilagor (fakturor, underlag, formulär) och att varje mejl tar kanske 3 minuter att ladda ner, skapa en mapp, döpa om den och arkivera bilagorna. Det är cirka 45 minuter om dagen. Med det här workflowet lägger du ungefär 5 minuter i början på att ange din mappplats en gång, och sedan arkiverar nya mejl sig själva medan du jobbar. Även om uppladdningar tar några minuter i bakgrunden sjunker din aktiva tid till nästan noll.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
Microsoft Outlook för att övervaka inkommande mejl.
Microsoft OneDrive för att lagra mappar och uppladdade filer.
Behörigheter i Microsoft-kontot (ge åtkomst vid n8n-konfiguration av inloggningsuppgifter).

Kunskapsnivå: Nybörjare. Du kopplar Outlook och OneDrive och väljer sedan var mappar ska skapas.

Vill du inte sätta upp det själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

Ett nytt Outlook-mejl kommer in. Workflowet triggas av Microsoft Outlook, så det kan köras i bakgrunden och reagera när inkorgen uppdateras.

Bara mejl med bilagor går vidare. Ett enkelt filter kontrollerar binära bilagor. Ingen bilaga, ingen mapp, inget skräp.

Mejlet och filerna hämtas in. n8n hämtar hela Outlook-meddelandet och laddar ner bilagorna så att de kan bearbetas och laddas upp.

En OneDrive-mapp skapas och filerna laddas upp. Mappnamnet genereras utifrån mejlets ämne plus aktuell tidsstämpel, och varje bilaga laddas upp till den mappen så att allt hålls samlat.

Du kan enkelt anpassa mappnamngivningen så att den matchar dina arkiveringsregler (kundnamn, avsändare, fakturamånad) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: konfigurera Outlook Mail Trigger

Konfigurera triggern så att den bevakar er Outlook-inkorg och laddar ned bilagor för bearbetning.

Lägg till noden Outlook Mail Trigger som workflowets trigger.
Ställ in Poll Times på everyMinute för att ofta kontrollera om nya mejl har kommit in.
Aktivera Options → Download Attachments genom att sätta den till true.
Inloggning krävs: Anslut era Microsoft Outlook OAuth2-inloggningsuppgifter.

Steg 2: anslut Microsoft Outlook för att hämta mejl

Hämta hela mejlinnehållet och bilagorna för att mata nedströmsbearbetningen.

Lägg till noden Retrieve Outlook Email och ställ in Operation på get.
Ställ in Message ID till {{ $node["Outlook Mail Trigger"].json.id }}.
Aktivera Options → Download Attachments genom att sätta den till true.
Inloggning krävs: Anslut era Microsoft Outlook OAuth2-inloggningsuppgifter.

Retrieve Outlook Email skickar utdata parallellt till både Generate OneDrive Folder och Extract Binary Items.

Steg 3: konfigurera filtrering och uppdelning av bilagor

Filtrera bort mejl utan bilagor, dela sedan upp och förbered binära filer för uppladdning.

I Attachment Presence Filter lägger ni till ett villkor med Operator satt till exists och Left Value satt till {{ $('Outlook Mail Trigger').item.binary }}.
Konfigurera Extract Binary Items med Field to Split Out satt till $binary.
Ställ in Combine Folder & Attachments med Mode combine och Combine By combineAll.

⚠️ Vanlig fallgrop: Om Outlook Mail Trigger inte laddar ned bilagor kommer filtret att stoppa workflowet eftersom $('Outlook Mail Trigger').item.binary inte kommer att finnas.

Steg 4: konfigurera skapande av OneDrive-mapp och uppladdning

Skapa en OneDrive-mapp per mejl och ladda upp varje bilaga till den mappen.

Konfigurera Generate OneDrive Folder med Resource folder och Operation create.
Ställ in Name till {{ $node["Outlook Mail Trigger"].json.subject || "Untitled" }} - {{ $now }}.
Konfigurera Upload to OneDrive med File Name satt till {{ $binary[$binary.keys()[0]].fileName }}.
Ställ in Parent ID till {{ $node["Combine Folder & Attachments"].json["id"] || $node["Generate OneDrive Folder"].json["id"] }}.
Aktivera Binary Data och ställ in Binary Property Name till {{ $json.binary }}.
Inloggning krävs: Anslut era Microsoft OneDrive OAuth2-inloggningsuppgifter.

Steg 5: testa och aktivera ert workflow

Verifiera att workflowet behandlar inkommande mejl och laddar upp bilagor till OneDrive utan problem.

Klicka på Execute Workflow och skicka ett testmejl med en bilaga till den övervakade Outlook-inkorgen.
Bekräfta att Generate OneDrive Folder skapar en ny mapp som namnges med mejlets ämnesrad och tidsstämpel.
Kontrollera att Upload to OneDrive lägger till varje bilagefil i den mappen.
När testet lyckas, växla workflowet till Active för att köra i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Inloggningsuppgifter för Microsoft Outlook kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera n8n-skärmen Credentials och autentisera om Microsoft-anslutningen först.
Om du använder Wait-noder eller extern rendering varierar bearbetningstider. Öka väntetiden om efterföljande noder misslyckas på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera utdata för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för Outlook OneDrive attachments?

Cirka 20 minuter om åtkomst till Outlook och OneDrive är redo.

Behöver jag kunna koda för att automatisera Outlook OneDrive attachments?

Nej. Du kopplar bara konton och väljer var OneDrive-mapparna ska skapas.

Är n8n gratis att använda för det här workflowet för Outlook OneDrive attachments?

Ja. n8n har ett gratisalternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också ta hänsyn till kraven för Microsoft-kontot (oftast ingen extra kostnad utöver din Microsoft-plan).

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här workflowet för Outlook OneDrive attachments för kundspecifik mappnamngivning?

Ja, och det är en av de bästa justeringarna. Mappnamnet skapas i steget ”Generate OneDrive Folder”, så du kan ändra det så att det inkluderar avsändarnamn, en kundkod eller en månadsetikett. Vanliga anpassningar är ”Avsändare + ämne”, ”Kund + fakturamånad” och att styra vissa avsändare till specifika överordnade mappar via filtret.

Varför misslyckas min Microsoft Outlook-anslutning i det här workflowet?

Oftast beror det på att auktoriseringen har gått ut eller att behörigheter saknas på Microsoft-kontot. Återanslut Outlook-inloggningsuppgiften i n8n och kör sedan ett testmejl med en bilaga igen. Kontrollera också att postlådan du bevakar är samma som du autentiserade, eftersom delade inkorgar kan vara kinkiga. Om du nyligen ändrat lösenord eller säkerhetspolicyer kan du behöva ge samtycke igen.

Hur många bilagor kan den här automatiseringen för Outlook OneDrive attachments hantera?

Gott om för normal verksamhet. I n8n Cloud Starter baseras gränsen på månatliga körningar, och vid egen drift finns ingen körningsgräns (det beror på din server). I praktiken: om du bearbetar hundratals mejl om dagen med tunga bilagor vill du hålla koll på throttling i Microsoft- och OneDrive-API:er och sprida ut körningarna.

Är den här automatiseringen för Outlook OneDrive attachments bättre än att använda Zapier eller Make?

Ibland. Om du bara vill ha ”mejl kommer in → ladda upp bilaga” kan Zapier eller Make gå snabbare att klicka ihop. Men n8n är lättare att bygga ut när du behöver logik som ”bara vissa avsändare”, ”städa upp mappnamn” eller ”hantera flera bilagor pålitligt”, och egen drift är en stor fördel om du inte vill ha prissättning per uppgift. Ärligt talat beror det bästa valet på volym och hur noga du är med namngivning och struktur. Prata med en automationsexpert om du vill ha hjälp att välja.

När detta väl rullar håller sig din OneDrive organiserad utan att du behöver tänka på det. Workflowet tar hand om den repetitiva arkiveringen, och du får tillbaka din uppmärksamhet.

The post Outlook till OneDrive: bilagor sparas strukturerat first appeared on Node Nordic - AI Konsult för företag.

Gmail + Slack: smartare triage av feedback

Rickard Andersson — Thu, 22 Jan 2026 07:55:51 +0000

Din inkorg blir en kyrkogård för “vi återkommer.” Några feedbackmejl slinker igenom, brådskan missas, och plötsligt jobbar du med skademinimering i stället för att lyssna på kunder.

Den här Gmail Slack triage-setupen träffar Customer Success Managers först, men supportansvariga och produktchefer känner av den också. Målet är enkelt: svara snabbt, eskalera det riktigt allvarliga och behåll en strukturerad historik utan att bo i Gmail hela dagarna.

Nedan ser du exakt hur workflowet routar feedback, skapar svarsutkast, larmar i Slack för högriskärenden och loggar utfall i Google Sheets för uppföljning.

Så fungerar automationen

Hela n8n-workflowet, från trigger till slutresultat:

n8n Workflow Template: Gmail + Slack: smartare triage av feedback

Click to explore

flowchart LR

    subgraph sg0["Intent & Sentiment A Flow"]
        direction LR
        n0["

Event Ingestion Webhook"]
        n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Workflow Configuration", pos: "b", h: 48 }
        n2["

Event Normalization"]
        n3["

Check Deduplication Cache"]
        n4@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is Duplicate Event?", pos: "b", h: 48 }
        n5["

Store Event in Cache"]
        n6["

Fetch Historical Interactions"]
        n7["

Fetch Feature Store Data"]
        n8["

Fetch Segmentation Rules"]
        n9["

Merge Enrichment Data"]
        n10@{ icon: "mdi:robot", form: "rounded", label: "Intent & Sentiment Analysis ..", pos: "b", h: 48 }
        n11@{ icon: "mdi:brain", form: "rounded", label: "OpenAI GPT-4 Model", pos: "b", h: 48 }
        n12@{ icon: "mdi:robot", form: "rounded", label: "Analysis Output Parser", pos: "b", h: 48 }
        n13["

Calculate Priority Score"]
        n14@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Route by Priority & Intent", pos: "b", h: 48 }
        n15["

Check Rate Limit"]
        n16@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Rate Limit Exceeded?", pos: "b", h: 48 }
        n17["

Check Cross-Channel Suppress.."]
        n18@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is Suppressed?", pos: "b", h: 48 }
        n19@{ icon: "mdi:robot", form: "rounded", label: "Decision Policy Agent", pos: "b", h: 48 }
        n20@{ icon: "mdi:brain", form: "rounded", label: "OpenAI GPT-4 Decision Model", pos: "b", h: 48 }
        n21@{ icon: "mdi:robot", form: "rounded", label: "Decision Output Parser", pos: "b", h: 48 }
        n22@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Route by Action Type", pos: "b", h: 48 }
        n23@{ icon: "mdi:message-outline", form: "rounded", label: "Send Marketing Email", pos: "b", h: 48 }
        n24["

Create Salesforce Lead"]
        n25["

Update HubSpot Contact"]
        n26["

Send Support Alert"]
        n27@{ icon: "mdi:cog", form: "rounded", label: "Aggregate Action Results", pos: "b", h: 48 }
        n28["

Log Decision Provenance"]
        n29["

Store Outcome for Feedback L.."]
        n30@{ icon: "mdi:database", form: "rounded", label: "Update Analytics Dashboard", pos: "b", h: 48 }
        n18 --> n19
        n15 --> n16
        n11 -.-> n10
        n26 --> n27
        n2 --> n3
        n4 --> n5
        n16 --> n17
        n22 --> n23
        n22 --> n24
        n22 --> n25
        n22 --> n26
        n23 --> n27
        n5 --> n9
        n5 --> n6
        n5 --> n7
        n5 --> n8
        n19 --> n22
        n9 --> n10
        n12 -.-> n10
        n24 --> n27
        n21 -.-> n19
        n25 --> n27
        n1 --> n2
        n0 --> n1
        n28 --> n29
        n27 --> n28
        n13 --> n14
        n3 --> n4
        n14 --> n15
        n20 -.-> n19
        n6 --> n9
        n17 --> n18
        n29 --> n30
        n10 --> n13
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n10,n12,n19,n21 ai
    class n11,n20 aiModel
    class n4,n14,n16,n18,n22 decision
    class n3,n5,n6,n7,n8,n15,n17,n28,n29,n30 database
    class n0 api
    class n2,n13 code
    classDef customIcon fill:none,stroke:none
    class n0,n2,n3,n5,n6,n7,n8,n9,n13,n15,n17,n24,n25,n26,n28,n29 customIcon

Problemet: feedbackmejl kommer inte märkta “brådskande”

Kundfeedback kommer sällan i ett snyggt format. Det kan vara ett stycke frustration, ett diffust “funkar inte” eller en lång tråd där tre personer blandar sig i. Manuell hantering innebär att du läser allt, tolkar vad det “betyder”, och sedan hoppar mellan verktyg för att eskalera, logga och svara. Det är långsamt även en lugn dag. En stressig dag är den verkliga risken inte tiden. Det är att missa det enda meddelandet som signalerar churn, ett säkerhetsproblem eller ett PR-haveri, för att det såg ut som ännu ett mejl klockan 16:55.

Det eskalerar snabbt. Här är var det faller isär i riktiga team.

Viktig feedback hanteras som vanlig feedback eftersom inget poängsätter brådska på ett konsekvent sätt.
Svar blir fördröjda när du letar i gamla trådar och försöker minnas tidigare sammanhang, så kunder känner sig ignorerade.
Eskaleringar sker för sent eftersom “någon slackar teamet” blir ingens ansvar.
Uppföljning blir ett halvt uppdaterat kalkylark, vilket gör att du inte kan rapportera trender till ledningen med säkerhet.

Lösningen: AI-poängsatt feedback, smart routing och omedelbar eskalering

Det här workflowet tar inkommande feedback och kör den genom en konsekvent “triage-hjärna” varje gång. Det startar när feedbacken kommer in (via en webhook från ett formulär eller via Gmail-baserad intake), och normaliserar sedan innehållet så att stökiga payloads blir strukturerade fält du kan arbeta med. Därefter analyserar en AI-agent intention och sentiment, och workflowet beräknar en prioritetspoäng baserat på vad kunden säger och vad du redan vet om dem. Sedan tar routingen vid: låg risk får ett kontextmedvetet svarsutkast skickat via mejl, medan högrisk eller negativ feedback triggar en Slack-notis så att en människa snabbt kan gå in. Till sist loggas varje utfall i Google Sheets och sparas för spårbarhet, så att du kan granska beslut och förbättra dina regler över tid.

Workflowet börjar med en inkommande händelse, deduplicerar den så att du inte svarar dubbelt och berikar den med historik och segmenteringsregler. Sedan poängsätter AI-agenten sentiment och intention, policyregler avgör vad som ska hända härnäst, och resultatet blir antingen ett automatiserat Gmail-svar, en eskalering i Slack eller uppdateringar vidare till verktyg som HubSpot och Salesforce om du vill gå den vägen.

Det du får: automation vs. resultat

Vad workflowet automatiserar

Resultat du får

Inkommande feedback normaliseras, berikas med historik och dedupliceras automatiskt.
Sentiment och intention analyseras med en AI-agent som använder en OpenAI-chatmodell.
Prioritetspoäng och routing avgör när det ska svaras, när det ska eskaleras och när brus ska filtreras bort.
Slack-notiser, mejlsvar och loggning i Google Sheets sker utan manuell copy-paste.

Feedback kan hanteras cirka “95% snabbare” jämfört med helt manuell triage och utkastskrivning.
Kritiska ärenden har mindre risk att ligga osedda i en inkorg i timmar.
Dina svar blir mer konsekventa eftersom ton och intention valideras innan skick.
Support och CS får renare överlämningar i Slack, inte diffusa “FYI”-vidarebefordringar.
Du får pålitlig spårning i Google Sheets för rapportering och produktinsikter.

Exempel: så kan det se ut

Säg att du får cirka 30 feedbackmejl per dag. Manuellt kanske du lägger 5 minuter på att läsa och bedöma varje mejl, och sedan ytterligare 5 minuter på att skriva utkast eller eskalera, alltså ungefär 5 timmar totalt. Med det här workflowet granskar du mest bara de få högriskmeddelanden som trycks ut till Slack, kanske 5 ärenden à 10 minuter. Resten loggas och besvaras automatiskt, så du får tillbaka omkring 4 timmar en hektisk dag.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
Gmail för att ta emot och skicka feedbacksvar.
Slack för att larma teamet vid kritiska ärenden.
Google Sheets för att logga feedback och utfall.
OpenAI API-nyckel (hämta den i din OpenAI-dashboard).

Svårighetsgrad: Mellannivå. Du kopplar konton, klistrar in API-nycklar och justerar några routingtrösklar.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

Feedback kommer in via Gmail eller en webhook. Om du använder ett formulär fångar webhook-triggern inskickningen direkt. För mejlintag kan workflowet kombineras med ett Gmail-triggerupplägg så att meddelanden i en specifik inkorg eller etikett startar flödet.

Meddelandet struktureras och dedupliceras. Workflowet normaliserar payloaden till konsekventa fält och kontrollerar sedan en cache så att samma händelse inte bearbetas två gånger. Det är en tyst men viktig skyddsmekanism.

AI avgör intention, sentiment och risk. En AI-agent (med stöd av en OpenAI-chatmodell) analyserar vad kunden faktiskt säger, och workflowet beräknar sedan en prioritetspoäng. Berikningsdata som interaktionshistorik och segmenteringsregler kan påverka beslutet, vilket innebär att “VIP-kund är arg” kan rankas högre än “anonym besökare är lite irriterad.”

Routing avgör vad som händer härnäst. Ett policybeslutssteg väljer en åtgärdstyp: skicka ett mejlsvar, larma i Slack eller trigga CRM-uppdateringar. Varje väg registrerar beslutsunderlag och sparar utfallet så att du kan granska vad som hände i efterhand.

Du kan enkelt ändra prioritetströsklarna för att styra när Slack-notiser ska gå ut utifrån dina behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.

Vanliga fallgropar

Gmail-autentisering kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först din Google OAuth-anslutning i n8n-credentials.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram misslyckas på grund av tomma svar.
Slack-notiser kan misslyckas utan att synas om boten inte är med i kanalen eller saknar chat:write-behörighet. Verifiera Slack-appens scopes och bekräfta att kanal-ID:t är korrekt.

Vanliga frågor

Hur lång tid tar det att sätta upp den här Gmail Slack triage-automationen?

Cirka 45 minuter om du redan har dina inloggningsuppgifter klara.

Behöver jag kunna koda för att automatisera Gmail Slack triage?

Nej. Du kopplar mest konton och justerar några tröskelvärden. Om du vill anpassa berikningskällor (som Postgres-fält) är det där lite teknisk hjälp kan snabba upp.

Är n8n gratis att använda för det här Gmail Slack triage-workflowet?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-kostnader, som vanligtvis är några cent per förfrågan beroende på meddelandelängd.

Var kan jag hosta n8n för att köra den här automationslösningen?

Två alternativ: n8n Cloud (managed, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här Gmail Slack triage-workflowet med andra eskaleringsregler?

Ja, och det bör du verkligen. De flesta team börjar med att justera logiken i “Compute Priority Score” och routern som avgör vilka ärenden som går till Slack kontra mejl. Vanliga anpassningar är separata trösklar för faktureringsklagomål, högre känslighet för VIP-kunder och att under en dag dämpa upprepade puffar från samma avsändare. Du kan också ändra vad som skrivs till Google Sheets så att rapporteringen matchar hur ditt team tänker.

Varför fungerar inte min Gmail-anslutning i det här workflowet?

Oftast beror det på utgångna OAuth-uppgifter eller saknade Gmail-scopes i Google Cloud-appen. Anslut om Gmail-credential i n8n och bekräfta att kontot har behörighet att skicka mejl från den adress du har valt. Om du skickar “från” ett alias måste aliaset först vara konfigurerat i Gmail. Rate limits kan också dyka upp i inkorgar med hög belastning, så throttling (eller batchning) kan behövas.

Hur många meddelanden kan den här Gmail Slack triage-automationen hantera?

På en typisk n8n Cloud-plan kan den hantera tusentals feedbackmeddelanden per månad, och self-hosting skalar främst med din serverstorlek.

Är den här Gmail Slack triage-automationen bättre än att använda Zapier eller Make?

Ofta, ja, om du bryr dig om nyanserad routing och spårbarhet. Det här workflowet är inte bara “om mejl så Slack”; det deduplicerar händelser, berikar från databaser, kör en AI-analys och loggar beslutsunderlag. n8n passar bättre när du vill ha förgreningar utan att betala extra per väg, och när self-hosting är viktigt för volym. Zapier eller Make kan ändå vara bra för en lättviktig version, särskilt om du bara behöver ett par actions och inte vill tänka på databaser. Om du är osäker, prata med en automationsexpert och beskriv din nuvarande process.

När detta väl rullar slutar inkorgen vara systemet. Workflowet blir systemet, och teamet dras bara in när det faktiskt spelar roll.

The post Gmail + Slack: smartare triage av feedback first appeared on Node Nordic - AI Konsult för företag.

HubSpot + Google Docs: bättre LinkedIn-url:er

Rickard Andersson — Thu, 22 Jan 2026 07:55:27 +0000

Dina HubSpot-kontakter ser ”kompletta” ut tills du försöker segmentera på LinkedIn-URL och inser att halva fältet är tomt, felaktigt eller fyllt med en slumpmässig företagssida.

Marketing ops fastnar i att städa upp det. SDR-team märker det när routing skapar fel. Och byråfolk som jobbar med lead gen får samma huvudvärk i skala. Den här HubSpot LinkedIn-URL-automationen fyller i saknade profillänkar på ett repeterbart sätt, utan att göra ditt CRM till en gissningslek.

Du får se hur workflowet hämtar nya/uppdaterade kontakter, följer en Google Docs-baserad ”research playbook”, hittar den mest sannolika LinkedIn-profilen och sedan skriver tillbaka en strukturerad URL som du faktiskt kan lita på.

Så fungerar automatiseringen

Hela n8n-workflowet, från trigger till slutligt resultat:

n8n Workflow Template: HubSpot + Google Docs: bättre LinkedIn-url:er

Click to explore

flowchart LR

    subgraph sg0["HubSpot Event Flow"]
        direction LR
        n0@{ icon: "mdi:robot", form: "rounded", label: "Research Orchestrator", pos: "b", h: 48 }
        n1["

Update HubSpot Contact"]
        n2@{ icon: "mdi:wrench", form: "rounded", label: "Search API Tool", pos: "b", h: 48 }
        n3["

Fetch Recent Contacts"]
        n4["

HubSpot Event Trigger"]
        n5@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Execution Start", pos: "b", h: 48 }
        n6["

Clean Thought Output"]
        n7@{ icon: "mdi:cog", form: "rounded", label: "Fetch Google Doc", pos: "b", h: 48 }
        n8@{ icon: "mdi:swap-vertical", form: "rounded", label: "Map Contact Fields", pos: "b", h: 48 }
        n9@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine", pos: "b", h: 48 }
        n2 -.-> n0
        n0 --> n6
        n8 --> n0
        n4 --> n8
        n7 -.-> n0
        n9 -.-> n0
        n6 --> n1
        n5 --> n3
        n3 --> n8
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n4,n5 trigger
    class n0 ai
    class n9 aiModel
    class n2 ai
    class n6 code
    classDef customIcon fill:none,stroke:none
    class n1,n3,n4,n6 customIcon

Problemet: saknade (och felaktiga) LinkedIn-URL:er i HubSpot

När LinkedIn-URL:er saknas i HubSpot blir allt nedströms slarvigt. Lead scoring-regler slår fel. Säljsekvenser kan inte personalisera. Rapportering blir rörig eftersom ”LinkedIn-URL finns” slutar vara ett pålitligt filter. Det värsta är hur manuell åtgärden känns: någon googlar ett namn, klickar runt, tvekar kring resultatet och klistrar sedan in en länk som kan tillhöra en annan person med samma titel. Gör det för ens 50 kontakter och du har bränt en hel eftermiddag på arbete som ingen vill göra.

Det eskalerar snabbt. Här brukar det oftast gå snett.

Manuell profilresearch tar cirka 5 minuter per kontakt när allt flyter, och längre när namnen är vanliga.
Fel matchningar smyger sig in utan att märkas, så team bygger segment ovanpå korrupt data.
Olika personer ”researchar” på olika sätt, vilket ger inkonsekventa URL:er och varierande tillförlitlighet.
Även om du fixar det en gång kommer nya kontakter varje dag och backlogen är tillbaka.

Lösningen: en Google Docs-playbook + AI-research, som skrivs tillbaka till HubSpot

Det här workflowet behandlar berikning av LinkedIn-URL:er som en riktig process, inte en engångsstädning. Det startar när en HubSpot-kontakt skapas eller uppdateras (eller när du kör en manuell batch för äldre poster). n8n hämtar kontaktens centrala identifierare som förnamn, efternamn och e-post, och lämnar sedan över dem till en AI-agent. Innan agenten söker efter något läser den ett Google Doc som du kontrollerar, med din ”research playbook” och exakt det outputformat du vill ha. Därefter använder den SerpAPI för att göra en fokuserad Google-sökning och returnerar en sannolik LinkedIn-profil-URL. Slutligen rensar workflowet outputen (så att du inte lagrar dold modellformatering) och uppdaterar HubSpot-kontaktens egenskap (som linkedinUrl) med e-post som matchningsnyckel.

Workflowet startar med HubSpot-aktivitet, sedan tillämpar AI-agenten dina Doc-baserade regler under sökningen. När den hittar en träff uppdateras HubSpot automatiskt, så att ditt CRM håller sig prydligt utan ständig handpåläggning.

Det du får: automation vs. resultat

Vad det här workflowet automatiserar

Resultat du får

Upptäcker nya eller uppdaterade HubSpot-kontakter (eller kör en batch vid begäran).
Hämtar rätt identifierare och mappar dem till ett konsekvent research-underlag.
Använder en Google Docs-playbook för att standardisera hur research görs.
Söker via SerpAPI, rensar svaret och uppdaterar linkedinUrl-fältet i HubSpot.

Spara cirka 4 timmar per 50 kontakter jämfört med manuell research.
Renare segmentering eftersom LinkedIn-URL-fältet blir pålitligt igen.
Färre pinsamma felroutningar och dubbletter som orsakas av inkonsekvent berikning.
En playbook som teamet kan redigera i Google Docs utan att röra workflowet.
Bättre targeting och rapportering eftersom ditt CRM är mindre ”kanske” och mer ”känt”.

Exempel: så här ser det ut i praktiken

Säg att teamet importerar 100 leads i veckan och att ungefär hälften saknar en LinkedIn-URL. Om en säljare lägger cirka 5 minuter på att researcha och klistra in varje profil blir det runt 4 timmar i veckan för 50 kontakter. Med det här workflowet blir ”arbetet” att granska undantag: en kontakt triggar körningen automatiskt, agenten söker och HubSpot uppdateras i bakgrunden. De flesta team lägger kanske 10 minuter på att stickprova en batch i stället för att förlora en hel förmiddag på copy-paste.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
HubSpot för att läsa och uppdatera kontaktposter.
Google Docs för att hosta din research playbook.
HubSpot Private App-token (skapa den i HubSpot-inställningarna).
Google Service Account (skapa i Google Cloud och dela dokumentet).
OpenRouter API-nyckel (hämta den från din OpenRouter-dashboard).
SerpAPI-nyckel (hämta den från ditt SerpAPI-konto).

Svårighetsnivå: Medel. Du kopplar konton, skapar en HubSpot-egenskap och klistrar in en Doc-URL samt API-nycklar.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

En kontakt ändras i HubSpot. Workflowet kan triggas av en HubSpot event-trigger när en kontakt skapas/uppdateras, eller så kan du köra det manuellt för att bearbeta en nylig batch.

Kontaktuppgifter förbereds för research. n8n mappar fälten som agenten behöver (vanligtvis förnamn, efternamn och e-post) så att varje uppslag startar med samma struktur.

Ditt Google Doc blir regelboken. Agenten läser först din Google Docs-playbook och använder sedan SerpAPI för att söka efter den mest sannolika LinkedIn-profilen enligt de reglerna, inte enligt vad en slumpmässig teammedlem ”brukar göra”. Ärligt talat är det här som gör automatiseringen hållbar.

HubSpot får den rensade LinkedIn-URL:en. Workflowet tar bort extra formatering från modellsvaret och uppdaterar kontaktens LinkedIn-URL-egenskap så att den är redo för segmentering, routing och rapportering.

Du kan enkelt ändra instruktionerna i Google Docs för att justera hur strikt matchningen ska vara, vilka källor som ska prioriteras eller vad agenten ska outputa (endast URL vs. URL plus en kort notering). Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera HubSpot-triggern

Konfigurera startpunkten för arbetsflödet så att HubSpot-händelser kan initiera kontaktberikning och, om ni vill, möjliggöra manuella körningar för testning.

Lägg till noden HubSpot Event Trigger och behåll standardkonfigurationen för händelser om ni inte behöver specifika händelsetyper.
Inloggningsuppgifter krävs: Anslut era hubspotDeveloperApi-uppgifter i HubSpot Event Trigger.
Lägg till Manual Execution Start för att möjliggöra ad hoc-testning utan HubSpot-händelser.
Koppla Manual Execution Start till Fetch Recent Contacts och HubSpot Event Trigger till Map Contact Fields enligt arbetsflödet.

Steg 2: anslut HubSpot-datakällor

Konfigurera HubSpot-noder för att hämta senaste kontakter och förbereda data för berikning.

I Fetch Recent Contacts, ställ in Operation till getRecentlyCreatedUpdated och Authentication till appToken.
Inloggningsuppgifter krävs: Anslut era hubspotAppToken-uppgifter i Fetch Recent Contacts.
I Map Contact Fields, mappa fälten med dessa uttryck: First Name till {{ $json.properties.firstname.value }}, Last Name till {{ $json.properties.lastname.value }}, och Email till {{ $json['identity-profiles'][0].identities[0].value }}.
Säkerställ att både Fetch Recent Contacts och HubSpot Event Trigger skickar data till Map Contact Fields.

⚠️ Vanlig fallgrop: Om era HubSpot-kontaktegenskaper inte innehåller identity-profiles kan mappningen av Email returnera tomma värden—justera uttrycket så att det matchar schemat i ert konto.

Steg 3: sätt upp AI-researchmotorn

Konfigurera AI-agenten så att den läser ett Google-dokument för vägledning, gör research om kontakten via sök och producerar strukturerad output.

Öppna Research Orchestrator och ställ in Prompt till den angivna texten, och behåll inbäddade uttryck som {{ $json['First Name'] }}, {{ $json['Last Name'] }} och {{ $json.Email }}.
Anslut OpenRouter Chat Engine som språkmodell för Research Orchestrator; inloggningsuppgifter krävs: Anslut era openRouterApi-uppgifter i OpenRouter Chat Engine.
Anslut Search API Tool som ett AI-verktyg för Research Orchestrator; inloggningsuppgifter krävs: Anslut era serpApi-uppgifter i Search API Tool.
Anslut Fetch Google Doc som ett AI-verktyg för Research Orchestrator och ställ in Document URL till Replace_With_URL.
Inloggningsuppgifter krävs: Anslut era googleApi-uppgifter i Fetch Google Doc och behåll Authentication inställt på serviceAccount.

AI-verktygsnoder som Search API Tool och Fetch Google Doc är kopplade till Research Orchestrator—säkerställ att deras inloggningsuppgifter är konfigurerade så att agenten kan komma åt dem.

Steg 4: rensa AI-output och uppdatera HubSpot

Normalisera AI-output och skicka tillbaka den berikade datan till HubSpot.

I Clean Thought Output, behåll Mode inställt på runOnceForEachItem och behåll den angivna JavaScript-koden för att ta bort ... och kodblock.
Koppla Research Orchestrator till Clean Thought Output, och därefter till Update HubSpot Contact.
I Update HubSpot Contact, ställ in Email till {{ $('Map Contact Fields').item.json.Email }}.
I Update HubSpot Contact, ställ in Additional Fields → linkedinUrl till {{ $json.cleanText }}.
Inloggningsuppgifter krävs: Anslut era hubspotAppToken-uppgifter i Update HubSpot Contact.

Steg 5: testa och aktivera ert arbetsflöde

Validera arbetsflödet från början till slut och slå sedan på det för produktionsanvändning.

Klicka på Execute Workflow och starta från Manual Execution Start för att bearbeta senaste kontakter.
Bekräfta att Map Contact Fields ger ut värden för First Name, Last Name och Email.
Verifiera att Clean Thought Output returnerar ett rensat cleanText-fält och att Update HubSpot Contact uppdaterar kontaktens linkedinUrl.
När allt fungerar, växla arbetsflödet till Active så att HubSpot Event Trigger körs automatiskt.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

HubSpot-inloggningar kan löpa ut eller så kan din Private App-token sakna rätt scopes. Om uppdateringar slutar fungera, kontrollera först HubSpot Private App-inställningarna och bekräfta behörigheter för kontaktens egenskaper.
Om du kör batch-läge med Split in Batches eller lägger till Wait-logik kan bearbetningstider variera. Öka eventuell väntetid om efterföljande noder beter sig som att agenten ”inte returnerade något”.
OpenRouter-prompter och standardinstruktioner för agenten kan vara generiska. Lägg in dina matchningsregler och ett varumärkessäkert outputformat i Google Doc tidigt, annars kommer du att få städa resultat manuellt senare.

Vanliga frågor

Hur lång tid tar det att sätta upp den här HubSpot LinkedIn-URL-automationen?

Cirka 45 minuter om du redan har dina API-nycklar och HubSpot-egenskapen linkedinUrl redo.

Behöver jag kunna koda för att automatisera HubSpot LinkedIn-URL:er?

Nej. Du kommer främst att koppla konton och klistra in inloggningsuppgifter. Den enda ”kod”-delen finns redan med för att rensa modellens output.

Är n8n gratis att använda för det här HubSpot LinkedIn-URL-workflowet?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in användning av OpenRouter och SerpAPI, vilket vanligtvis är en liten kostnad per uppslag.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här HubSpot LinkedIn-URL-workflowet för striktare matchning och färre dåliga profiler?

Ja, och det mesta gör du i Google Docs. Uppdatera playbooken så att den kräver signaler som företagsnamn, plats eller en ledtråd från e-postdomänen, och låt sedan agenten outputa ”ingen match” när tillförlitligheten är låg. Om du vill gå längre kan du byta sökinställningar i SerpAPI-verktyget (till exempel begränsa resultaten) och justera agentens minne så att den håller sig konsekvent under en batch-körning.

Varför misslyckas min HubSpot-anslutning i det här workflowet?

Oftast beror det på en Private App-token som har gått ut eller roterats, eller att token saknar rätt scopes för att uppdatera kontakter. Dubbelkolla att egenskapen linkedinUrl finns och att ditt HubSpot-konto tillåter uppdateringar via API:et. Om du använder HubSpot Trigger-versionen kan OAuth-prenumerationer på create/update-event för kontakter också kopplas bort och behöva anslutas igen.

Hur många kontakter kan den här HubSpot LinkedIn-URL-automationen hantera?

Några tusen per månad är realistiskt för de flesta mindre team, och du kan skala högre om du self-hostar och håller koll på SerpAPI:s rate limits.

Är den här HubSpot LinkedIn-URL-automationen bättre än att använda Zapier eller Make?

Ofta, ja, eftersom det här workflowet har nytta av förgreningslogik, batchbearbetning och en mer flexibel AI-agentkonfiguration. Zapier och Make kan också berika, men så fort du behöver ”läsa en Google Docs-playbook, köra en kontrollerad sökning, rensa outputen och sedan uppdatera HubSpot” blir scenariot dyrt eller skört. n8n ger dig dessutom self-host-alternativet, vilket spelar roll när du vill köra mycket utan att betala per task. Om du bara berikar en handfull kontakter och vill ha det enklaste gränssnittet kan Zapier eller Make vara helt okej. Prata med en automationsexpert om du vill ha hjälp att välja.

När detta väl rullar slutar ”saknade LinkedIn-URL:er” att vara ett återkommande projekt och blir i stället en bakgrundsuppgift du knappt tänker på. Din HubSpot-data håller sig mer strukturerad och teamet litar äntligen på fältet igen.

The post HubSpot + Google Docs: bättre LinkedIn-url:er first appeared on Node Nordic - AI Konsult för företag.

Google Sheets till Gmail, veckoprognoser för försäljning

Rickard Andersson — Thu, 22 Jan 2026 07:55:00 +0000

Veckoprognoser låter enkelt tills du sitter med ett Google-kalkylark på söndag kväll och försöker gissa nästa veckas försäljning och lager med halvkompletta data och en trött hjärna. Det är då misstagen smyger sig in, beställningar fylls på “för säkerhets skull” och matsvinnet sakta ökar.

Den här Sheets Gmail forecast-automationen träffar restaurangoperatörer först, helt ärligt. Men chefer med flera enheter känner av den också, och byråkonsulter som bygger rapportering för kunder i hospitality hamnar i samma “kalkylarkskaos”. Du får en pålitlig veckoprognos, levererad automatiskt till rätt inkorgar.

Nedan ser du exakt vad flödet gör, vad du behöver för att köra det i n8n och hur du kan anpassa det för din meny, dina kategorier och säsongsvariationer.

Så fungerar den här automationen

Här är hela arbetsflödet som du kommer att sätta upp:

n8n Workflow Template: Google Sheets till Gmail, veckoprognoser för försäljning

Click to explore

flowchart LR

    subgraph sg0["Scheduled Forecast Kickoff Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Forecast Kickoff", pos: "b", h: 48 }
        n1@{ icon: "mdi:database", form: "rounded", label: "Retrieve Past Sales Sheet", pos: "b", h: 48 }
        n2["

Shape Data for AI"]
        n3@{ icon: "mdi:robot", form: "rounded", label: "AI Forecast Generator", pos: "b", h: 48 }
        n4@{ icon: "mdi:wrench", form: "rounded", label: "Reasoning Helper Tool", pos: "b", h: 48 }
        n5@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model", pos: "b", h: 48 }
        n6["

Parse AI Forecast JSON"]
        n7@{ icon: "mdi:database", form: "rounded", label: "Append Forecast to Sheet", pos: "b", h: 48 }
        n8@{ icon: "mdi:message-outline", form: "rounded", label: "Send Forecast Email", pos: "b", h: 48 }
        n5 -.-> n3
        n4 -.-> n3
        n0 --> n1
        n2 --> n3
        n3 --> n6
        n1 --> n2
        n6 --> n7
        n7 --> n8
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n0 trigger
    class n3 ai
    class n5 aiModel
    class n4 ai
    class n1,n7 database
    class n2,n6 code
    classDef customIcon fill:none,stroke:none
    class n2,n6 customIcon

Varför det här spelar roll: veckoprognoser ska inte bygga på gissningar

Om din försäljningsprognosprocess är “kopiera förra veckan, justera lite och hoppas”, är du inte ensam. Den verkliga kostnaden är inte bara tiden i Google Sheets. Det är följdeffekterna: överbeställning av ingredienser som går ut, underbeställning som leder till 86:or mitt i service, och de oändliga Slack-meddelandena som frågar “Vad räknar vi med nästa vecka?”. Och så den mentala belastningen. Du kan inte planera kampanjer, bemanning eller inköp när siffrorna kommer sent och känns osäkra.

Det eskalerar snabbt. Här är var det oftast faller isär i verkligheten.

Någon exporterar eller filtrerar fel datumintervall, så den “historiska trenden” blir tyst fel.
Menyrätter byter namn eller kategoriseras annorlunda över tid, vilket gör manuella summeringar opålitliga.
Prognosen ligger i en persons kalkylarksflik, och intressenter ser den inte förrän den redan är inaktuell.
Lagerplanering blir en vana av säkerhetslager, och svinn blir den dolda kostnadsposten.

Vad du bygger: en veckoprognos som skapar sig själv och mejlar ditt team

Det här n8n-flödet körs enligt ett veckoschema och omvandlar din befintliga historik i Google Sheets till en prognos som går att agera på. Först hämtar det din tidigare försäljning och förbrukning av råvaror från ett strukturerat ark (vecka/datum, menyrätt, såld mängd, intäkt, förbrukat material, lagernivå, kategori). Sedan formar det om datan till ett korrekt formaterat underlag för en AI-prognosagent driven av Google Gemini, som letar efter trender, säsongsvariationer och mönster du lätt missar när du har bråttom. Därefter tolkar flödet AI-utdata till läsbar JSON, lägger till nya prognosrader i ett dedikerat ark “Forecast Output” och mejlar en sammanfattning via Gmail till de som behöver planera inköp och förberedelser.

Flödet startar med en schemalagd kick-off. Google Sheets står för historiken, Gemini skapar prognosen och Gmail levererar resultatet. Prognosen hamnar på två ställen: loggad tillbaka i Sheets för uppföljning, plus ett tydligt veckomejl för snabba beslut.

Det du bygger

Det som automatiseras

Det du uppnår

Hämtar veckovis försäljnings- och lagerhistorik från Google Sheets enligt schema.
Formar om råa rader till en strukturerad prompt för AI-agenten.
Skapar en prognos för försäljning och materialbehov med Google Gemini.
Lägger till prognosrader i arket “Forecast Output” och mejlar en sammanfattning via Gmail.

Få ett prognosmejl på några minuter varje vecka i stället för 1–2 timmar i kalkylark.
Minska “magkänsla”-beställningar eftersom alla ser samma veckoprognos.
Fatta inköpsbeslut tidigare, vilket oftast betyder mindre svinn.
Behåll en historik över prognoser i Sheets för senare analys (utfall vs prognos).
Slipp jaga intressenter för godkännande eftersom rapporten kommer automatiskt.

Förväntade resultat

Säg att du gör en veckoprognos för 25 menyrätter och delar den med 6 intressenter. Manuellt är det vanligt att lägga cirka 2 timmar på att ta fram rätt datumintervall, rensa kategorier, uppdatera formler och sedan skriva ett mejl som förklarar vad som ändrats. Med det här flödet kör den veckovisa triggern automatiskt, Gemini genererar prognosen och Gmail skickar sammanfattningen när raderna är loggade. De flesta team får ner den där “prognossessionen” till en snabb 10-minuters genomgång.

Innan du börjar

n8n-instans (prova n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
Google Sheets för din historik med försäljning och lagerdata.
Gmail för att mejla veckoprognoser till intressenter.
API-uppgifter för Google Gemini (hämtas från Google AI Studio / Google Cloud-konsolen).

Svårighetsnivå: Medel. Du kopplar konton, matchar kolumner i arket och justerar lätt prompts eller dataformatering.

Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).

Steg för steg

Veckovis schematrigger. Flödet startar automatiskt vid den tid du väljer (till exempel tidigt måndag morgon) så att prognosen kommer innan inköpsbeslut tas.

Hämta historik från Google Sheets. n8n laddar din tidigare veckoförsäljning, intäkt, förbrukade råvaror, lagernivå och kategorifält, där arket används som enda sanningskälla.

Förbered datasetet för AI-prognosen. Flödet formar om rader till ett strukturerat underlag så att AI-agenten kan upptäcka trender utan att förvirras av stökiga kolumner eller inkonsekvent text.

Skapa, tolka och lagra prognosen. Google Gemini tar fram prognostiserad försäljning och rekommenderade lager-/materialbehov, n8n tolkar svaret till korrekt formaterad JSON och lägger sedan till resultaten i ditt ark “Forecast Output”.

Mejla veckosammanfattningen via Gmail. Intressenter får prognosen i inkorgen, så planeringen utgår från en gemensam bild i stället för utspridda meddelanden och skärmdumpar.

Du kan enkelt ändra AI-prompten och mejlsammanfattningen så att de matchar din menystruktur och din rapporteringsstil. Se hela implementationsguiden nedan för alternativ kring anpassning.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera schematriggern

Ställ in arbetsflödet så att det körs enligt ett veckoschema för prognostisering.

Lägg till och öppna Scheduled Forecast Kickoff.
Ställ in schemaregeln till veckovis genom att konfigurera Interval med Field = weeks och Trigger At Hour = 20.

Steg 2: Anslut Google Sheets

Hämta historisk försäljningsdata och förbered målbladet för prognoser.

Öppna Retrieve Past Sales Sheet och ställ in Document ID till [YOUR_ID] och Sheet Name till current data.
Inloggningsuppgifter krävs: Anslut era googleApi-inloggningsuppgifter i Retrieve Past Sales Sheet.
Öppna Append Forecast to Sheet, ställ in Operation till append, Document ID till [YOUR_ID] och Sheet Name till prediction data.
Behåll Columns-mappningen som autoMapInputData med de listade prognosfälten (t.ex. Date, Neapolitan Pizza Sold, Flour (kg)).
Inloggningsuppgifter krävs: Anslut era googleApi-inloggningsuppgifter i Append Forecast to Sheet.

Steg 3: Konfigurera AI-prognostisering

Forma bladdatan och generera en prognos med AI-agenten och Gemini-modellen.

Öppna Shape Data for AI och behåll JavaScript Code som angivet för att paketera alla rader till en enda payload.
Öppna AI Forecast Generator och ställ in Text till ={{ $json.data }}.
Bekräfta att AI Forecast Generator innehåller systemmeddelandet och är konfigurerad för Prompt Type = define.
Öppna Gemini Chat Model och ställ in Model Name till models/gemini-2.5-pro.
Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Model.
Observera att Reasoning Helper Tool är en AI-verktygs-under-nod som är ansluten till AI Forecast Generator; lägg till inloggningsuppgifter på Gemini Chat Model (överordnad LLM), inte på verktygsnoden.

Tips: AI-utdata måste vara giltig JSON; nästa steg tolkar den strikt. Behåll systemmeddelandets format intakt.

Steg 4: Konfigurera utdataåtgärder

Tolka AI-resultatet, lägg till det i bladet och mejla prognossammanfattningen.

Öppna Parse AI Forecast JSON och behåll JavaScript Code som tar bort markdown fences och tolkar JSON.
Bekräfta att flödet från Parse AI Forecast JSON till Append Forecast to Sheet är anslutet.
Öppna Send Forecast Email och ställ in Send To till [YOUR_EMAIL].
Ställ in Subject till Next Monday forecast och Message till =Dear Manager, Here is the latest weekly forecast summary. Forecast Date: {{ $json.Date }} Sheet Reference: [SHEET_REFERENCE] Thanks, Operations Team.
Inloggningsuppgifter krävs: Anslut era gmailOAuth2-inloggningsuppgifter i Send Forecast Email.

⚠️ Vanlig fallgrop: Om AI-utdata innehåller extra text eller ogiltig JSON kommer Parse AI Forecast JSON att misslyckas. Säkerställ att AI-prompten behåller exakt format för enbart JSON-svar.

Steg 5: Testa och aktivera ert arbetsflöde

Kör arbetsflödet från start till mål, verifiera utdata och aktivera det sedan för veckovis prognostisering.

Klicka på Execute Workflow för att trigga Scheduled Forecast Kickoff manuellt.
Verifiera att Retrieve Past Sales Sheet returnerar rader och att Shape Data for AI konsoliderar dem till en enda data-payload.
Bekräfta att AI Forecast Generator producerar en JSON-prognos och att Parse AI Forecast JSON returnerar tolkade fält.
Kontrollera att Append Forecast to Sheet lägger till en ny rad och att Send Forecast Email levererar sammanfattningen.
Växla arbetsflödet till Active så att Scheduled Forecast Kickoff körs veckovis klockan 20:00 enligt det definierade schemat.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Tips för felsökning

Google Sheets-inloggningar kan gå ut eller sakna åtkomst till rätt kalkylark. Om körningar börjar fallera, kontrollera Google-anslutningen i n8n och bekräfta att filen är delad med det anslutna kontot.
Om du ändrar schemat eller lägger till extra bearbetning kan tajmingen förändras. När efterföljande noder fallerar på grund av saknade data beror det oftast på att AI-svaret inte tolkades korrekt eller kom tillbaka i ett annat format än förväntat.
Geminis utdata är bara så bra som instruktionerna du ger. Standardprompten kan vara för generell, så lägg in dina kategoriregler och namngivningskonventioner tidigt, annars kommer du att sitta och redigera prognoser varje vecka.

Snabba svar

Hur lång är uppsättningstiden för den här Sheets Gmail forecast-automationen?

Cirka 30 minuter om dina Sheets och konton är redo.

Krävs kodning för den här automationen för försäljningsprognoser?

Nej. Du kopplar främst Google-konton och mappar rätt kolumner i arket. Det finns “kod”-steg i flödet, men du kan oftast använda standardinställningarna som följer med.

Är n8n gratis att använda för det här Sheets Gmail forecast-flödet?

Ja. n8n har ett gratisalternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna in kostnader för Google Gemini API-användning, som beror på hur mycket text du skickar och genererar varje vecka.

Var kan jag hosta n8n för att köra den här automationen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger obegränsade körningar men kräver grundläggande serveradministration.

Kan jag anpassa det här Sheets Gmail forecast-flödet för andra användningsfall?

Ja, och det bör du sannolikt göra. Den enklaste ändringen är att uppdatera steget “Generate Forecast with AI” (Gemini-chattmodellen inne i AI Agent) så att det fokuserar på dina kategorier, säsongsregler och hur du definierar “rekommenderat lager”. Du kan också justera steget “Shape Data for AI” för att ta med extra kolumner som kampanjer eller helgdagar. Många team justerar dessutom Gmail-mejlets brödtext för att lyfta största ökningar, sannolika låg-lager-artiklar och en kort notis om “vad som förändrats den här veckan”.

Varför fallerar min Google Sheets-anslutning i det här flödet?

Oftast är det behörigheter eller att kalkylarkets ID har ändrats. Återanslut dina Google Sheets-uppgifter i n8n, bekräfta att rätt Google-konto har åtkomst till filen och dubbelkolla vald worksheet/flik. Om det bara fallerar ibland kan även rate limits dyka upp när du hämtar stora intervall.

Vilken volym kan det här Sheets Gmail forecast-flödet hantera?

För ett typiskt restaurangark (tiotals till några hundra rader per vecka) kör det bekvämt på n8n Cloud Starter och skalar bra när historiken växer. Om du kör egen drift är körningsgränser inte begränsningen, utan serverresurserna. Den praktiska flaskhalsen är oftast hur mycket data du matar AI:n med per körning, så överväg att summera äldre historik till veckovisa aggregat.

Är den här Sheets Gmail forecast-automationen bättre än att använda Zapier eller Make?

Ofta, ja. Det här flödet är inte bara “flytta rader och skicka ett mejl”. Du formar om data, genererar en AI-prognos, tolkar strukturerad JSON, lägger till poster och skickar sedan en intressentvänlig sammanfattning. n8n hanterar förgreningar och datamunging utan att det känns som att du slåss med verktyget, och egen drift finns om du inte vill ha körningsbegränsningar. Zapier eller Make kan fortfarande fungera om din variant är väldigt enkel, men så fort du vill ha bättre prompts, valideringar eller rikare formatering är n8n oftast en lugnare plats att bygga på. Om du är osäker, prata med en automationsexpert och få en rak rekommendation.

När det här väl är igång blir din veckoprognos en rutinleverans i stället för en återkommande utryckning. Flödet tar hand om det repetitiva förarbetet så att du kan fatta bättre beslut, snabbare.

The post Google Sheets till Gmail, veckoprognoser för försäljning first appeared on Node Nordic - AI Konsult för företag.

Slack till Jira: strukturerade buggtickets med smartare triage

Rickard Andersson — Thu, 22 Jan 2026 07:53:53 +0000

Dina buggrapporter landar förmodligen i Slack som halvfärdiga berättelser. Kontext saknas, luddiga ”det gick sönder”, ingen allvarlighetsgrad och fem olika sätt att beskriva samma problem. När det väl blir ett riktigt Jira-ärende har du redan bränt tid och tålamod.

Den här automatiseringen för Slack Jira triage träffar QA-leads först, om vi ska vara ärliga. Men produktchefer som jagar release-datum och utvecklare som fastnar i ”kan du reproducera det?”-loopar känner av det också. Utfallet är enkelt: mer felfria Jira-buggar, konsekventa etiketter och prioritet, plus omedelbar QA-synlighet i rätt Slack-kanal.

Nedan ser du exakt hur flödet förvandlar en rörig bugganing till ett AI-triagerat Jira-ärende, och hur du kan anpassa reglerna för allvarlighetsgrad och Slack-notiser så att de passar ditt team.

Så här fungerar automatiseringen

Hela n8n-flödet, från trigger till slutresultat:

n8n Workflow Template: Slack till Jira: strukturerade buggtickets med smartare triage

Click to explore

flowchart LR

    subgraph sg0["Flow 1"]
        direction LR
        n0["

Incoming Webhook Gateway"]
        n1["

AI Triage Analysis"]
        n2@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Route by Severity", pos: "b", h: 48 }
        n3["

Generate High Jira Bug"]
        n4["

Generate Medium Jira Bug"]
        n5["

Generate Low Jira Bug"]
        n6["

Post High Slack Alert"]
        n7["

Post Standard Slack Alert"]
        n1 --> n2
        n5 --> n7
        n2 --> n3
        n2 --> n4
        n2 --> n5
        n0 --> n1
        n3 --> n6
        n4 --> n7
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n2 decision
    class n0 api
    classDef customIcon fill:none,stroke:none
    class n0,n1,n3,n4,n5,n6,n7 customIcon

Problemet: buggrapporter i Slack blir Jira-kaos

Slack är bra för fart, men uselt för struktur. En bugg nämns i en tråd, någon slänger in en skärmdump, någon annan säger ”samma här”, och sen försvinner det under en hög av andra meddelanden. Senare försöker du återskapa detaljerna för Jira och inser att du gissar. Allvarlighetsgrad blir inkonsekvent, etiketter varierar beroende på vem som skapar ärendet, och QA får reda på den ”riktiga” prioriteten alldeles för sent. Du känner trögheten i standups och på release-dagar.

Friktionen växer. Arbetet är inte svårt, det är bara konstant.

Att göra ett Slack-meddelande till en användbar Jira-bugg tar ofta runt 10 minuter av städning och fram-och-tillbaka.
Två personer kommer att märka samma problem olika, vilket sabbar rapportering och gör trender svårare att se.
Högallvarliga problem når inte alltid rätt QA-kanal, så brådskande saker hamnar bredvid småsaker.
Manuell triage stjäl tyst fokus från faktisk testning, felsökning och leverans.

Lösningen: AI-triage från webhook till Jira, med eskalering i Slack

Det här flödet ger dig en felfri ingång för bugganingar och standardiserar vad som händer sen. En webhook tar emot rapportpayloaden (tänk: sammanfattning/titel, detaljer, kategori, prioritetshints). OpenAI analyserar payloaden och returnerar ett strukturerat triagebeslut: allvarlighetsgrad och kategori som följer dina regler, inte den som råkade skriva snabbast. Baserat på AI-utdata routar n8n rapporten till rätt Jira-väg för ”Create Bug” och lägger på konsekventa etiketter (inklusive en ai-triaged-etikett plus kategoritaggar). Till sist får QA en Slack-notis, där högprioriterade ärenden eskaleras till en dedikerad kanal så att de är svåra att missa.

Flödet börjar med en inkommande webhook och kör direkt en AI-triage. Sedan förgrenar det på allvarlighetsgrad (hög, medel, låg), skapar en Jira Bug i ditt projekt (standardnyckel är APP) och postar Jira-nyckeln tillbaka till Slack så att QA kan hoppa rakt in i ärendet. Snabbt, repeterbart och förvånansvärt avstressande.

Vad du får: automatisering vs. resultat

Vad det här flödet automatiserar

Resultat du får

Det tar emot bugganingar via en enda webhook-endpoint som du kan anropa varifrån som helst.
Det använder OpenAI för att sätta allvarlighetsgrad och kategori utifrån rapporttexten.
Det skapar Jira Bug-ärenden med standardiserade etiketter i rätt projekt.
Det skickar Slack-notiser till olika QA-kanaler baserat på allvarlighetsgrad.

De flesta team får tillbaka cirka 5–10 timmar per vecka när ärendestädning slutar vara manuell.
Brådskande problem syns snabbt i qa-alerts-high, i stället för att begravas i en allmän kanal.
Jira-rapportering blir bättre eftersom etiketter och allvarlighetsgrad slutar glida mellan personer.
Mindre ”vad betyder det här?”-chatt, så utvecklare kan börja från ett tydligare ärende.
Externa system (CI, övervakning, formulär) kan skapa buggar utan egen infrastruktur.

Exempel: så här ser det ut

Säg att ditt team ser cirka 15 buggrapporter per vecka i Slack. Manuell hantering: även en ”snabb” Jira-skrivning tar kanske 10 minuter när du jagar kontext och bestämmer allvarlighetsgrad, vilket blir ungefär 2,5 timmar per vecka. Med det här flödet skickar du en kort payload till webhooken (cirka en minut) och väntar sedan på att AI + Jira-skapandet blir klart och att Slack-notisen postas. Det är normalt några minuter end-to-end, med nästan ingen manuell efterstädning.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger funkar bra)
Slack för QA-notiser i rätt kanaler
Jira Software för att skapa Bug-ärenden i ditt projekt
OpenAI API-nyckel (hämta den i OpenAI-dashboarden)

Svårighetsnivå: Nybörjare. Du klistrar in autentiseringsuppgifter, sätter en webhook-sökväg och mappar några fält.

Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

En bugganing träffar din webhook. En POST-request landar på din n8n-webhook-sökväg (flödet stödjer enkla payloads som titel/sammanfattning och valfria detaljer). Det kan komma från Slack-workflows, ett felrapporteringsformulär, ett övervakningsverktyg eller ett script.

Rapporten triageras av AI. OpenAI läser inkommande text och returnerar ett strukturerat beslut du kan lita på: allvarlighetsgrad plus en kategorietikett som du använder konsekvent i Jira.

Skapandet av Jira-ärendet sker på rätt gren. n8n routar objektet baserat på allvarlighetsgrad och skapar sedan ett Bug-ärende i Jira (standard projektkey: APP). Etiketter läggs på likadant varje gång, inklusive en markering för AI-triage.

QA får rätt Slack-notis. Högallvarliga buggar går till en kanal med hög brådska (som qa-alerts-high), medan normala ärenden postas i en generell QA-kanal (som qa-general). Meddelandet innehåller den nya Jira-nyckeln så att ingen behöver leta.

Du kan enkelt justera trösklarna för allvarlighetsgrad så att de matchar dina definitioner av P1/P2/P3 utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera webhook-triggern

Konfigurera den inkommande endpointen som tar emot buggrapporter och startar triage-processen.

Lägg till noden Incoming Webhook Gateway som trigger.
Ställ in HTTP Method på POST.
Ställ in Path på advanced-bug-triage så att det matchar webhook-URL:en.
Spara noden och kopiera den genererade webhook-URL:en till er källa för buggrapportering.

⚠️ Vanlig fallgrop: Säkerställ att ert externa system skickar en JSON-payload som innehåller priority, summary och category för efterföljande steg.

Steg 2: Konfigurera AI-triage-analys

Konfigurera AI-steget som tolkar den inkommande rapporten och skriver ut ett severity-fält.

Lägg till noden AI Triage Analysis och koppla den till Incoming Webhook Gateway.
Säkerställ att noden skriver ut ett priority-fält som är kompatibelt med switch-reglerna (High, Medium, Low).
Credential Required: Anslut era OpenAI API-credentials.

Steg 3: Konfigurera routning efter allvarlighetsgrad

Routa varje bugg till rätt Jira- och Slack-flöde baserat på AI-genererad allvarlighetsgrad.

Lägg till noden Route by Severity efter AI Triage Analysis.
Ställ in Value 1 till ={{$json.priority}}.
Bekräfta att reglerna matchar High, Medium och Low med utgångarna 0, 1 och 2.
Låt Fallback Output vara inställt på 1 för att som standard välja Medium när inget matchar.

Route by Severity skickar ut till Generate High Jira Bug, Generate Medium Jira Bug och Generate Low Jira Bug parallellt baserat på vilken regel som matchar.

Steg 4: Konfigurera Jira- och Slack-utdata

Skapa Jira-buggar och skicka aviseringar till Slack baserat på allvarlighetsgrad.

För Generate High Jira Bug, ställ in Project till APP, Issue Type till Bug och Summary till =[{{$json.priority}}] {{$json.summary}}.
I varje Jira-nod (Generate High Jira Bug, Generate Medium Jira Bug, Generate Low Jira Bug), ställ in Additional Fields → Labels till ai-triaged och ={{$json.category.toLowerCase()}}.
Credential Required: Anslut era Jira Software-credentials till alla tre Jira-noder.
Konfigurera Post High Slack Alert med Text inställt på =HIGH PRIORITY BUG DETECTED\n\nIssue: {{$json.key}} - {{$json.fields.summary}}\nLink: {{$json.self}} och Channel till [YOUR_ID].
Konfigurera Post Standard Slack Alert med Text inställt på =New Bug Reported: {{$json.key}} och Channel till [YOUR_ID].
Credential Required: Anslut era Slack API-credentials till båda Slack-noderna.

Tips: Ersätt [YOUR_ID] med ett riktigt Slack-kanal-ID (t.ex. C0123456789) för att undvika leveransfel.

Steg 5: Testa och aktivera ert arbetsflöde

Validera hela triage-flödet end-to-end innan ni aktiverar det i produktion.

Klicka på Execute Workflow och skicka en test-POST-begäran till Incoming Webhook Gateway-URL:en med exempel-JSON som innehåller priority, summary och category.
Verifiera att AI Triage Analysis skriver ut ett priority-fält som matchar switch-reglerna.
Bekräfta att ett Jira-ärende skapas av den matchande Jira-noden och att rätt Slack-avisering postas.
När ni är nöjda, slå på arbetsflödet till Active för användning i produktion.

⚠️ Vanlig fallgrop: Om Slack- eller Jira-noderna misslyckas under testkörningar, kontrollera igen att credentials är anslutna och att Slack-kanal-ID:t är giltigt.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Slack-botens autentiseringsuppgifter kan gå ut eller sakna kanalbehörigheter. Om det skapar fel, kontrollera Slack-appens installationsscopes och bekräfta först att boten är inbjuden till qa-alerts-high och qa-general.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre ned fallerar på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera utdata för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för Slack Jira triage?

Cirka 20 minuter om dina inloggningar för Slack, Jira och OpenAI är klara.

Behöver jag kunna koda för att automatisera Slack Jira triage?

Nej. Du kopplar konton, sätter webhook-sökvägen och mappar några fält.

Är n8n gratis att använda för det här Slack Jira triage-flödet?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-användning (ofta bara några kronor per vecka för små team).

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och klarar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här Slack Jira triage-flödet för olika regler för allvarlighetsgrad och Slack-kanaler?

Ja, och det bör du. Du kan justera prompten i AI Triage Analysis så att ”high” bara triggas enligt din definition av P1, och sedan justera Route by Severity så att den matchar trösklarna. Vanliga anpassningar är att ändra Jira project key (APP till ditt projekt), lägga till extra Jira-fält som komponenter eller ansvarig, samt byta Slack-kanaler eller lägga till ett DM till jouren vid brådskande buggar.

Varför misslyckas min Slack-anslutning i det här flödet?

Oftast är det ett behörighetsproblem eller att boten inte finns i kanalen. Kontrollera Slack-bottoken i n8n igen, bekräfta att appen har rätt att posta meddelanden och bjud in boten till målkanalen. Om det fortfarande misslyckas, titta på Slack-nodens felutdata i körloggen för att se vilket scope som saknas.

Hur många buggrapporter klarar den här automatiseringen för Slack Jira triage?

Många. På n8n Cloud beror kapaciteten på din plans körningsgränser, och på self-hostad n8n beror det mest på din server och hur snabbt Jira och OpenAI svarar. I praktiken kör team ofta dussintals buggrapporter per dag utan någon särskild finjustering, och du kan alltid lägga till rate limiting om din webhook får burstig trafik.

Är den här automatiseringen för Slack Jira triage bättre än att använda Zapier eller Make?

Ibland, ja. Om du vill ha förgreningar för allvarlighetsgrad (hög/medel/låg), konsekvent fältmappning och utrymme att bygga vidare är n8n oftast en bättre match eftersom logiken är enklare att utöka och self-hosting är ett alternativ. Zapier eller Make kan fungera för ett enkelt ”Slack-meddelande → skapa Jira-ärende”-flöde, men den här typen av triage blir snabbt mer komplex. En annan poäng: du vill ha insyn i råa körloggar när AI-utdata överraskar, och n8n gör felsökningen enkel. Om du är osäker, prata med en automationsexpert så vet du på 15 minuter.

När det här väl är igång slutar buggrapportering att vara en daglig extraskatt. Jira håller sig prydligt, QA ser det som är viktigt och du lägger tiden på att fixa problem i stället för att översätta dem.

The post Slack till Jira: strukturerade buggtickets med smartare triage first appeared on Node Nordic - AI Konsult för företag.

Google Sheets till Gmail, smartare restaurangprognoser

Rickard Andersson — Thu, 22 Jan 2026 07:53:51 +0000

Att stå utan en viktig ingrediens känns hemskt. Det gör även att slänga mat för att du ”tog det säkra före det osäkra” och beställde för mycket. Oftast handlar problemet inte om brist på insats. Det handlar om att siffrorna bor i ett kalkylark, besluten bor i någons huvud och att vardagsruschen lämnar noll tid att koppla ihop allt.

Den här automatiseringen för Sheets Gmail forecasts slår hårdast mot restaurangoperatörer, men kökschefer och ägare med flera enheter känner av den också. Du får en daglig efterfrågeprognos och rekommenderade beställningsmängder, skrivna på tydlig svenska, levererade automatiskt till inkorgar.

Nedan ser du hur flödet omvandlar historik i Google Sheets till en AI-stödd prognos, loggar den för uppföljning och skickar en Gmail-sammanfattning som teamet faktiskt läser.

Så fungerar den här automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: Google Sheets till Gmail, smartare restaurangprognoser

Click to explore

flowchart LR

    subgraph sg0["Scheduled Daily Start Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Daily Start", pos: "b", h: 48 }
        n1@{ icon: "mdi:database", form: "rounded", label: "Retrieve Past Sales Records", pos: "b", h: 48 }
        n2["

Prepare Data for Forecast"]
        n3@{ icon: "mdi:robot", form: "rounded", label: "Generate AI Forecast", pos: "b", h: 48 }
        n4["

Normalize AI Result"]
        n5@{ icon: "mdi:database", form: "rounded", label: "Append Forecast to Sheet", pos: "b", h: 48 }
        n6@{ icon: "mdi:robot", form: "rounded", label: "Compose Forecast Email", pos: "b", h: 48 }
        n7@{ icon: "mdi:message-outline", form: "rounded", label: "Dispatch Forecast Email", pos: "b", h: 48 }
        n8@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model", pos: "b", h: 48 }
        n9@{ icon: "mdi:wrench", form: "rounded", label: "Reasoning Tool", pos: "b", h: 48 }
        n10@{ icon: "mdi:brain", form: "rounded", label: "Gemini Query Model", pos: "b", h: 48 }
        n11@{ icon: "mdi:wrench", form: "rounded", label: "Thought Tool", pos: "b", h: 48 }
        n9 -.-> n3
        n8 -.-> n3
        n0 --> n1
        n11 -.-> n6
        n10 -.-> n6
        n6 --> n7
        n3 --> n4
        n4 --> n5
        n1 --> n2
        n5 --> n6
        n2 --> n3
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n0 trigger
    class n3,n6 ai
    class n8,n10 aiModel
    class n9,n11 ai
    class n1,n5 database
    class n2,n4 code
    classDef customIcon fill:none,stroke:none
    class n2,n4 customIcon

Utmaningen: att prognostisera efterfrågan utan att bo i kalkylark

Om du prognostiserar från minnet (eller förra veckans magkänsla) gissar du i praktiken med dyra råvaror. Försäljningsmönster ändras med väder, säsong, evenemang och till och med när en medarbetare är ledig en dag. Datan finns där, men den är utspridd över flikar, med inkonsekventa inmatningar och halvfärdiga anteckningar som aldrig når den som beställer. Sedan gör du om det i morgon. Och nästa dag. Det är tröttsamt, och det är ärligt talat lätt att börja tvivla på sina egna siffror.

Det blir snabbt dyrt. Här är var det brukar fallera i riktiga kök.

Du lägger ungefär en timme på att plocka ut gårdagens försäljning och svinn till något du kan fatta beslut utifrån.
Små misstag i datainmatning staplas på varandra, vilket gör att du beställer för mycket ”för säkerhets skull”.
Prognoser delas inte konsekvent, så prepp och beställningar hamnar ur synk.
Du kan inte enkelt jämföra prognos mot utfall över tid, så processen blir aldrig bättre.

Lösningen: daglig AI-prognostisering från Google Sheets, mejlad via Gmail

Det här n8n-flödet körs enligt ett dagligt schema och gör dina befintliga Google Sheets till en prognosmotor. Det börjar med att hämta historiska poster (försäljning, förbrukning och svinn) från arket, och sedan rensar och strukturerar det datan så att en AI-modell kan tolka den tillförlitligt. Därefter skapar en AI-agent (med en Gemini-chattmodell i flödet) efterfrågeprognoser per artikel, rekommenderade beställningskvantiteter och enkla noteringar om svinnrisk. Resultatet normaliseras till ett konsekvent format, läggs till i ett Google Sheet med ”Predicted Food Data” för uppföljning och sammanfattas sedan i ett kort mejl som personalen kan läsa på under en minut. Till sist skickar Gmail prognosrapporten till dem som behöver den.

Flödet startar med en schemalagd daglig trigger. Google Sheets ger historisk kontext, AI skapar prognosen och mejltexten, och Gmail levererar den. Du får två resultat samtidigt: en loggad prognoshistorik i Sheets och ett dagligt, beslutsredo meddelande i inkorgen.

Vad som förändras: före vs. efter

Detta tar bort

Effekt du märker

Att varje morgon kopiera och klistra in försäljning och svinn till ett separat ”prognos”-ark.
Att manuellt tolka röriga rader som blandar kategorier, orsaker och inkonsekventa artikelnamn.
Att skriva ett dagligt sammanfattningsmeddelande från noll till chefer och personal.
Att hålla prognoser i någons huvud i stället för i en konsekvent logg.

De flesta team får tillbaka cirka 5 timmar per vecka på prognoser och rapportering.
Mer konsekventa beställningar eftersom prognosen kommer på samma sätt varje dag.
Mindre överköp ”för säkerhets skull”, eftersom svinnrisk lyfts fram tydligt.
Renare överlämningar mellan beställning, prepp och ledning.
Ett växande dataset med prognoser vs. utfall, som förbättrar framtida träffsäkerhet.

Effekt i verkligheten

Säg att din ansvariga lägger cirka 45 minuter varje morgon på att plocka ut gårdagens försäljning, kontrollera svinnanteckningar och ta fram en beställningsrekommendation. Det är ungefär 4 timmar i veckan. Med det här flödet består ”jobbet” av att lägga in korrekt formaterad data i Google Sheets som ni redan gör, och sedan vänta på den schemalagda körningen; mejlet landar automatiskt och prognosen loggas åt dig. Vanligtvis lägger du kanske 5 minuter på att granska och fatta slutbeslutet, så du får tillbaka runt 3 timmar per vecka samtidigt som beställningarna blir mer konsekventa.

Krav

n8n-instans (prova n8n Cloud gratis)
Självhosting-alternativ om du föredrar det (Hostinger fungerar bra)
Google Sheets för försäljning, svinn och lagring av prognoser
Gmail för att mejla den dagliga prognossammanfattningen
Gemini API-nyckel (hämta den från Google AI Studio)

Kunskapsnivå: Medel. Du kopplar Google-konton, skapar två ark med rätt kolumner och klistrar in en API-nyckel.

Behöver du hjälp att implementera detta? Prata med en automationsexpert (kostnadsfri 15-minuters konsultation).

Flödet i korthet

Daglig schemalagd körning. Vid samma tid varje dag triggar n8n automatiseringen så att du inte är beroende av att någon kommer ihåg.

Försäljnings- och svinndata hämtas från Google Sheets. Flödet hämtar tidigare poster och formaterar om dem till en rensad struktur så att AI:n inte behöver ”gissa” vad varje kolumn betyder.

AI skapar prognos och rekommendationer. En Gemini-stödd AI-agent förutspår efterfrågan per artikel, föreslår rekommenderade beställningskvantiteter och flaggar svinnrisk med korta optimeringsnoteringar. Ett kort ”tänk”-verktyg i flödet hjälper till att hålla output konsekvent, särskilt när arket blir rörigt.

Resultat loggas och mejlas. Prognosen läggs till i ditt prognosark i Google Sheets, och därefter tar en separat AI-agent fram en lättläst sammanfattning och Gmail skickar den till personal och ledning.

Du kan enkelt justera prognosprompten för att fokusera på högkostnadsartiklar, nyckelkategorier (proteiner, grönsaker) eller lokala säsongssvängningar utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera schematriggern

Ställ in arbetsflödet så att det körs automatiskt varje dag och startar datahämtningen.

Lägg till noden Scheduled Daily Start som din trigger.
Ställ in schemaregeln så att den körs dagligen vid Trigger At Hour 22 (som visas i noden).
Koppla Scheduled Daily Start till Retrieve Past Sales Records.

Om er restaurang stänger tidigare kan ni justera trigger-timmen så att den körs efter att dagens sista dataregistrering är klar.

Steg 2: anslut Google Sheets

Hämta historisk försäljningsdata och skriv tillbaka prognosen till ert kalkylark.

Öppna Retrieve Past Sales Records och välj kalkylarket genom att ställa in Document ID till [YOUR_ID] och Sheet Name till [YOUR_ID].
Ställ in Authentication till serviceAccount.
Inloggningsuppgifter krävs: Anslut era googleApi-inloggningsuppgifter i Retrieve Past Sales Records.
Öppna Append Forecast to Sheet och ställ in Operation till append.
Ställ in Document ID till [YOUR_ID] och Sheet Name till [YOUR_ID] i Append Forecast to Sheet.
Inloggningsuppgifter krävs: Anslut era googleApi-inloggningsuppgifter i Append Forecast to Sheet.

⚠️ Vanlig fallgrop: Om kolumnnamnen i Append Forecast to Sheet inte matchar AI-utdatafälten exakt (t.ex. predicted Use (kg)) kommer append-steget att misslyckas.

Steg 3: sätt upp dataförberedelse

Paketera de råa raderna från arket till en enda payload för AI-agenten.

I Prepare Data for Forecast behåller ni JavaScript Code som buntar alla rader till { data: { rows: [...] } }.
Säkerställ att Retrieve Past Sales Records skickar utdata till Prepare Data for Forecast.
Bekräfta att utdata är ett enda item med json.data så att det matchar AI-inmatningen.

Steg 4: konfigurera AI-prognostisering

Generera efterfrågeprognosen med AI-agenten och Gemini-modeller.

Öppna Generate AI Forecast och ställ in Text till {{ $json.data }}.
Behåll den detaljerade prognos-System Message i Generate AI Forecast för att säkerställa utdata som JSON-array.
Koppla Gemini Chat Model som språkmodell för Generate AI Forecast.
Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Model.
Koppla Reasoning Tool till Generate AI Forecast för strukturerat resonemang.

Reasoning Tool är en AI-under-nod. Lägg till inloggningsuppgifter på den överordnade modellnoden (Gemini Chat Model), inte på verktyget i sig.

Steg 5: normalisera och lagra prognosutdata

Rensa AI-utdata till rader och lägg till dem i ert prognosark.

I Normalize AI Result behåller ni parsningslogiken som tar bort code fences och tolkar JSON-arrayen.
Koppla Generate AI Forecast till Normalize AI Result och koppla sedan vidare till Append Forecast to Sheet.
Verifiera att kolumnerna i Append Forecast to Sheet matchar: Date, Dish, predicted Sales, Raw Material, predicted Use (kg), predicted food waste reduce (kg).

Steg 6: skapa och skicka prognosmejlet

Skapa en lättläst sammanfattning via e-post och skicka den till intressenter.

Öppna Compose Forecast Email och ställ in Text till {{ $('Generate AI Forecast').item.json.output }}.
Koppla Gemini Query Model som språkmodell för Compose Forecast Email.
Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Query Model.
Koppla Thought Tool till Compose Forecast Email för strukturerat utkastande.
I Dispatch Forecast Email ställer ni in Send To till [YOUR_EMAIL], Subject till Next monday prediction och Message till {{ $json.output }}.
Inloggningsuppgifter krävs: Anslut era gmailOAuth2-inloggningsuppgifter i Dispatch Forecast Email.

Thought Tool är en AI-under-nod. Lägg till inloggningsuppgifter på den överordnade modellnoden (Gemini Query Model), inte på verktyget i sig.

Steg 7: testa och aktivera ert arbetsflöde

Validera prognosutdata och aktivera dagliga körningar.

Klicka på Execute Workflow för att köra ett manuellt test från Scheduled Daily Start.
Kontrollera att Append Forecast to Sheet skapar nya rader i prognosarket.
Verifiera att Dispatch Forecast Email skickar ett meddelande och att innehållet matchar AI-sammanfattningen.
När resultaten ser korrekta ut växlar ni arbetsflödet till Active för dagliga produktionskörningar.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Saker att se upp med

Åtkomst till Google Sheets kan fallera om det anslutna Google-kontot tappar behörighet till kalkylarket. Om flödet plötsligt returnerar tomma rader, kontrollera först n8n-credential för Google Sheets och filens delningsinställningar.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera output för alltid.

Vanliga frågor

Hur snabbt kan jag implementera den här automatiseringen för Sheets Gmail forecasts?

Cirka en timme om dina Sheets redan är uppsatta.

Kan icke-tekniska team implementera den här automatiseringen för prognosmejl?

Ja. Du kommer mest koppla Google-konton och klistra in en AI API-nyckel.

Är n8n gratis att använda för det här flödet för Sheets Gmail forecasts?

Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med Gemini API-användning, vilket vanligtvis är måttligt för ett dagligt prognosmejl.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och hanterar n8n bra. Självhosting ger dig obegränsade körningar men kräver grundläggande serveradministration.

Hur anpassar jag den här lösningen för Sheets Gmail forecasts till mina specifika utmaningar?

Börja med agentprompten i ”Generate AI Forecast”, eftersom det är där du talar om för modellen vad som är viktigt i ditt kök (högkostnadsartiklar, miniminivåer, helgtoppar, catering vid event). Om du vill att mejlet ska vara kortare eller mer operativt, justera agentprompten i ”Compose Forecast Email” för att ändra ton och format. Många team justerar också steget ”Normalize AI Result” så att output-kolumnerna matchar deras exakta rubriker i arket. Och om du spårar väder eller lokala event någon annanstans kan du ta in det innan prognosen med en HTTP Request-nod och skicka in det i AI-prompten.

Varför misslyckas min Gmail-anslutning i det här flödet?

Oftast handlar det om en utgången Google-auktorisering eller att fel Gmail-konto är anslutet i n8n. Anslut om Gmail-credential, bekräfta avsändaradressen och kör sedan en testkörning igen för att se om det är ett behörighets- eller kvotproblem.

Vilken kapacitet har den här lösningen för Sheets Gmail forecasts?

För en enhet som skickar ett dagligt prognosmejl är kapacitet i praktiken inget problem.

Är den här automatiseringen för Sheets Gmail forecasts bättre än att använda Zapier eller Make?

Ofta ja, eftersom det här flödet gynnas av datatransformering i flera steg, strukturerad tolkning och två separata AI-moment för ”utkast” (prognosgenerering och sedan mejlkomposition). n8n hanterar förgreningar och anpassade kodsteg utan att göra det till ett prissättningspussel, och självhosting ger dig spelrum när du lägger till fler enheter. Zapier eller Make kan fungera om du bara vill ha en enkel ”ny rad → skicka mejl”-automatisering, men prognostisering är sällan så enkelt. Om dina Sheets är röriga eller du vill ha bättre kontroll över prompter och formatering är n8n ett säkrare val. Prata med en automationsexpert om du vill ha en snabb rekommendation utifrån din setup.

När detta väl är igång blir prognostisering en daglig rutin utan dagligt strul. Flödet sköter den repetitiva kontrollen och sammanfattningen så att du kan lägga tiden på beslut, inte på kopiera och klistra in.

The post Google Sheets till Gmail, smartare restaurangprognoser first appeared on Node Nordic - AI Konsult för företag.

OpenAI + Gmail: skanna JS-läckor med mejlade rapporter

Rickard Andersson — Thu, 22 Jan 2026 07:53:47 +0000

Du hittar inte JavaScript-läckor när du ”har tid”. Du hittar dem efter ett kundmejl, en säkerhetsvarning eller ett panikartat meddelande om att en API-nyckel exponerats i en publik bundle.

Det här upplägget för OpenAI Gmail scans träffar SecOps-ansvariga först, men produktfokuserade utvecklare och upptagna byråägare känner av det också. Du får ett repeterbart sätt att skanna valfri URL efter läckta nycklar, e-postadresser och PII, och sedan få en tydlig rapport i inkorgen.

Nedan ser du exakt vad arbetsflödet gör, vad det returnerar och vad du behöver för att köra det i n8n utan att det blir ett projekt som tar en hel vecka.

Så fungerar den här automatiseringen

Hela n8n-arbetsflödet, från trigger till slutlig output:

n8n Workflow Template: OpenAI + Gmail: skanna JS-läckor med mejlade rapporter

Click to explore

flowchart LR

    subgraph sg0["Inbound Form Flow"]
        direction LR
        n0["

Inbound Form Trigger"]
        n1@{ icon: "mdi:cog", form: "rounded", label: "Browser Crawl Runner", pos: "b", h: 48 }
        n2["

Script URL Extractor"]
        n3@{ icon: "mdi:cog", form: "rounded", label: "Combine Script List", pos: "b", h: 48 }
        n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Map Aggregate Payload", pos: "b", h: 48 }
        n5@{ icon: "mdi:robot", form: "rounded", label: "Security Scan Agent", pos: "b", h: 48 }
        n6["

Email Report Formatter"]
        n7@{ icon: "mdi:message-outline", form: "rounded", label: "Dispatch Gmail Notice", pos: "b", h: 48 }
        n8@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine", pos: "b", h: 48 }
        n3 --> n4
        n1 --> n2
        n4 --> n5
        n0 --> n1
        n8 -.-> n5
        n2 --> n3
        n6 --> n7
        n5 --> n6
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n0 trigger
    class n5 ai
    class n8 aiModel
    class n2,n6 code
    classDef customIcon fill:none,stroke:none
    class n0,n2,n6 customIcon

Problemet: JavaScript-läckor gömmer sig mitt framför ögonen

Moderna sajter skickar mycket JavaScript. Tredjepartstaggar, bundlad appkod, analytics, A/B-testning, chattwidgets, feature flags. Någonstans i den röran kan känsliga strängar slinka igenom: en API-nyckel som committats ”tillfälligt”, en intern endpoint med tokens i query-parametrar, en e-postlista som använts för test, eller persondata som av misstag ekats in i ett script. Det värsta är hur tyst det är. Du kan surfa på sajten hela dagen utan att märka läckan förrän någon skrapar den, rapporterar den eller utnyttjar den.

Och när du väl kontrollerar manuellt är processen långsam och märkligt utmattande.

Du slutar med att öppna DevTools, kopiera script-URL:er och tappar bort vad du redan har kontrollerat.
Minifierade filer gör mönsterigenkänning plågsam, så uppenbara läckor missas.
Varje målsajt blir en engångsprocess, vilket betyder ingen konsekvent rapportering för teamet eller kunderna.
Om du gör bug bounties eller kundrevisioner bränner du timmar på triage innan du ens börjar med det ”riktiga” arbetet.

Lösningen: skanna en URL, låt AI flagga risker, mejla rapporten

Det här n8n-arbetsflödet gör ”jag borde nog kontrollera den sajten” till en snabb, repeterbar skanning. Du kör det, anger en URL och arbetsflödet använder en webbläsarcrawler (Puppeteer) för att ladda sidan som en riktig besökare. Det extraherar alla JavaScript-länkar som hittas, filtrerar ner dem till script som faktiskt hör ihop med URL:en du begärde, och skickar sedan listan till en AI-agent som drivs av en OpenAI-chatmodell. Agenten söker igenom scripten efter riskmönster som API-nycklar, e-postadresser och andra PII-indikatorer, och sammanställer en läsbar sammanfattning. Till sist formateras allt till en strukturerad rapport och mejlas till den adress du väljer i Gmail.

Arbetsflödet startar med en enkel formulärprompt för mål-URL:en. Därefter crawlar det, extraherar, aggregerar och skannar de script som hittas. Gmail levererar slutrapporten så att den är enkel att vidarebefordra, arkivera eller lägga in i ett internt ärende.

Vad du får: automatisering vs. resultat

Det här automatiserar arbetsflödet

Resultat du får

Ber dig om en enda URL så att skanningar blir konsekventa.
Crawlar sidan med Puppeteer och extraherar JavaScript-URL:er automatiskt.
Aggregerar och mappar scriptlistan till en payload för analys.
Kör en AI-baserad säkerhetsskanning och formaterar en rapport som är klar att mejla.

Få en användbar rapport på cirka 10 minuter i stället för en timme av manuellt grävande.
Upptäck exponerade API-nycklar och misstänkta tokens innan de missbrukas.
Fånga e-postadresser och PII-liknande strängar som inte ska ligga i publika assets.
Skapa ett spår i Gmail som du kan söka i senare (praktiskt för kundarbete).
Minska ”kontrollerade vi det här?”-förvirring eftersom outputen är standardiserad.

Exempel: så här ser det ut

Säg att du granskar 5 kunders landningssidor i veckan. Manuellt kanske du lägger cirka 10 minuter på att samla in script-URL:er och sedan ytterligare 40 minuter på att skumma minifierade filer och leta efter typiska mönster, alltså runt 50 minuter per sajt. Med det här arbetsflödet skickar du in URL:en i formuläret (cirka 1 minut) och väntar på att crawl + AI-skanning blir klar (ofta runt 10 minuter), och sedan får du Gmail-rapporten. Det är ungefär 4 timmar tillbaka varje vecka, plus färre missade problem.

Det här behöver du

n8n-instans (prova n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
Gmail för att skicka mejlet med skanningsrapporten
OpenAI för att flagga nycklar, e-postadresser och PII-mönster
OpenAI API-nyckel (hämta den i OpenAI-dashboarden)

Kunskapsnivå: Medel. Du kopplar Gmail och OpenAI och bör vara bekväm med att justera en prompt eller två.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

En URL startar allt. Arbetsflödet börjar med en inkommande formulärtrigger som frågar efter webbplatsens URL som du vill skanna. Enkel input, färre misstag.

Sidan crawlas som en användare skulle göra. Puppeteer laddar sidan och fångar JavaScript-resurserna som refereras under besöket, inte bara det du gissar kan vara inkluderat.

Scriptlistan rensas och paketeras. Ett kodsteg extraherar script-URL:er, arbetsflödet aggregerar dem till en enda lista och mappar sedan listan till en payload som AI-agenten kan analysera pålitligt.

OpenAI granskar och Gmail levererar. AI-agenten skannar efter känsliga mönster (nycklar, e-post, PII-liknande strängar), en formatterare gör fynden till en läsbar rapport och Gmail skickar den till den mottagaradress du väljer.

Du kan enkelt ändra skanningsomfattningen för att inkludera flera sidor eller djupare crawling utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera formulärtriggern

Det här arbetsflödet startar när en användare skickar in en webbplats-URL via ett formulär.

Lägg till noden Inbound Form Trigger som din trigger.
Ställ in Form Title till Website Security Scanner.
Ställ in Form Description till Check your website for security vulnerabilities and get a detailed report.
Lägg till ett obligatoriskt formulärfält med etiketten Landing Page Url och platshållaren https://example.com.
Koppla Inbound Form Trigger till Browser Crawl Runner.

Steg 2: Crawla webbplatsen och extrahera script-URL:er

Dessa noder hämtar landningssidans HTML och extraherar URL:er till JavaScript-filer.

I Browser Crawl Runner, ställ in URL till ={{ $json['Landing Page Url'] }}.
I Browser Crawl Runner, behåll Wait Until som networkidle2 för att säkerställa att scripts laddas helt.
I Script URL Extractor, klistra in den tillhandahållna JavaScript Code för att tolka script-taggar och returnera items med URL.
Koppla Browser Crawl Runner → Script URL Extractor → Combine Script List.

Tips: Om en webbplats använder tung klient-side rendering, öka väntvillkoret i Browser Crawl Runner eller lägg till ett fördröjningssteg före Script URL Extractor.

Steg 3: Aggregera och mappa script-data

Aggregera alla extraherade script-URL:er till en enda payload för AI-analysen.

I Combine Script List, ställ in Aggregate till aggregateAllItemData.
Koppla Combine Script List till Map Aggregate Payload.
I Map Aggregate Payload, lägg till en tilldelning med Name data[0] och Value ={{ $json.data[0] }}.
Koppla Map Aggregate Payload till Security Scan Agent.

Steg 4: Konfigurera AI-baserad säkerhetsanalys

AI-agenten analyserar JavaScript-filer och tar fram ett utkast till en säkerhetsrapport.

I Security Scan Agent, ställ in Text till hela prompten som finns i arbetsflödet, inklusive uttryck som {{ $('Inbound Form Trigger').item.json['Landing Page Url'] }} och {{ JSON.stringify($input.all()) }}.
Säkerställ att OpenAI Chat Engine är ansluten som språkmodell för Security Scan Agent.
Credential Required: Anslut era openAiApi-uppgifter i OpenAI Chat Engine (uppgifterna läggs till på den överordnade modellnoden, inte på agenten).

⚠️ Vanlig fallgrop: Om ni redigerar prompten i Security Scan Agent, behåll alla URL- och datauttryck intakta, annars får agenten inte crawl-resultaten.

Steg 5: Konfigurera e-postutskicket

Formatera AI-utdata till HTML och skicka den via Gmail.

I Email Report Formatter, behåll JavaScript-koden som kapslar in AI-utdata i htmlReport.
Koppla Security Scan Agent → Email Report Formatter → Dispatch Gmail Notice.
I Dispatch Gmail Notice, ställ in Send To till [YOUR_EMAIL] och ersätt det med er riktiga e-postadress.
Ställ in Message till ={{ $json.htmlReport }}.
Ställ in Subject till Static subject (edit manually) eller uppdatera den till er föredragna ämnesrad.
Credential Required: Anslut era gmailOAuth2-uppgifter i Dispatch Gmail Notice.

⚠️ Vanlig fallgrop: Om ni lämnar [YOUR_EMAIL] oförändrat i Dispatch Gmail Notice kommer e-postleveransen att misslyckas.

Steg 6: Testa och aktivera ert arbetsflöde

Verifiera end-to-end-körning innan ni aktiverar arbetsflödet i produktion.

Klicka på Execute Workflow och skicka in Inbound Form Trigger med en riktig webbplats-URL.
Bekräfta att Browser Crawl Runner returnerar HTML och att Script URL Extractor matar ut script-URL:er.
Verifiera att Security Scan Agent returnerar en rapport i plain text och att Email Report Formatter skapar htmlReport.
Kontrollera att Dispatch Gmail Notice skickar e-post till er adress med den formaterade rapporten.
Växla arbetsflödet till Active för att ta emot inskickningar live från Inbound Form Trigger.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Gmail-inloggningar kan löpa ut eller kräva specifika behörigheter. Om saker slutar fungera, kontrollera statusen för det anslutna kontot i Gmail-noden och återautentisera först.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram misslyckas på grund av tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera output för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för OpenAI Gmail scans?

Cirka 30 minuter om dina Gmail- och OpenAI-konton är redo.

Behöver jag kodkunskaper för att automatisera OpenAI Gmail scans?

Nej. Du kopplar mest konton och klistrar in din OpenAI-nyckel. De enda ”kod”-delarna finns redan med i arbetsflödet.

Är n8n gratis att använda för det här arbetsflödet för OpenAI Gmail scans?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-kostnader, som oftast är några cent per skanning beroende på scriptstorlek.

Var kan jag hosta n8n för att köra den här automatiseringen?

Kan jag anpassa det här arbetsflödet för OpenAI Gmail scans för skanning av flera sidor?

Ja, men du bör vara tydlig med omfattningen. Du kan justera crawl-beteendet i Puppeteer-steget för att besöka fler URL:er och sedan behålla samma mönster ”extrahera script → aggregera → AI-agent skannar”. Vanliga anpassningar är att skanna en URL-lista från Google Sheets, lägga till allow/deny-regler för tredjepartsdomäner och ändra rapportformatet så att det inkluderar allvarlighetsgrad-taggar.

Varför misslyckas min Gmail-anslutning i det här arbetsflödet?

Oftast beror det på att OAuth-auktoriseringen har löpt ut eller att fel Gmail-konto är anslutet i n8n. Anslut Gmail på nytt i Gmail-noden och skicka sedan ett testmejl för att bekräfta behörigheter. Om du är i en Google Workspace-miljö kan en adminpolicy också blockera ”mindre vanliga” appintegrationer, så kontrollera Workspace-säkerhetsinställningarna om återautentiseringen fastnar i en loop.

Hur många URL:er klarar den här automatiseringen för OpenAI Gmail scans?

I en typisk self-hosted-setup klarar den så många som din server kan crawla bekvämt och din OpenAI-budget tillåter.

Är den här automatiseringen för OpenAI Gmail scans bättre än att använda Zapier eller Make?

För det här användningsfallet är n8n oftast bättre, eftersom webbläsarcrawling med Puppeteer och AI-agentflödet är mer avancerat än vad de flesta Zapier-liknande byggare hanterar smidigt. Du får också mer kontroll över batchning, aggregering och villkorslogik utan att betala extra för varje gren. Samtidigt: om du bara vill ha ett enkelt flöde ”skicka in URL, mejla mig ett svar” utan crawling kan Zapier eller Make gå snabbare. Det här arbetsflödet använder också community-noder som bara är kompatibla med self-hosted n8n, vilket i praktiken kan vara en deal-breaker för vissa team. Prata med en automationsexpert om du vill ha hjälp att välja den enklaste vägen.

Du kör skanningen, får mejlet och går vidare med dagen. Ärligt talat är den typen av tråkig tillförlitlighet exakt vad säkerhetsarbete behöver.

The post OpenAI + Gmail: skanna JS-läckor med mejlade rapporter first appeared on Node Nordic - AI Konsult för företag.

Slack + Google Docs: snabba svar du kan lita på

Rickard Andersson — Thu, 22 Jan 2026 07:53:17 +0000

Din Slack förvandlas till ett spel av whack-a-mole. En ”snabb fråga” blir fem trådar, sedan frågar någon efter senaste status, och plötsligt gräver du i Google Docs medan meddelanden fortsätter att trilla in.

Det är här automatisering av Slack-svar betalar sig. Projektledare märker det först eftersom de blir den mänskliga status-sidan. Men team leads och kundnära roller hamnar i samma copy-paste-dans, bara med andra detaljer.

Det här arbetsflödet gör dina Google Docs till en levande källa till sanning och skapar sedan varumärkesanpassade Slack-svar baserat på vad som faktiskt står i dokumenten. Du får se exakt hur det fungerar, vad du behöver och de få justeringar som gör att det låter som du (inte en robot).

Så här fungerar automatiseringen

Här är hela arbetsflödet som du kommer att sätta upp:

n8n Workflow Template: Slack + Google Docs: snabba svar du kan lita på

Click to explore

flowchart LR

    subgraph sg0["Slack Event Listener Flow"]
        direction LR
        n0["

Slack Event Listener"]
        n1@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine", pos: "b", h: 48 }
        n2@{ icon: "mdi:memory", form: "rounded", label: "Conversation Buffer", pos: "b", h: 48 }
        n3["

Post Slack Reply"]
        n4@{ icon: "mdi:cog", form: "rounded", label: "Fetch Google Doc", pos: "b", h: 48 }
        n5@{ icon: "mdi:robot", form: "rounded", label: "GPT Slack Responder", pos: "b", h: 48 }
        n2 -.-> n5
        n0 --> n5
        n5 --> n3
        n1 -.-> n5
        n4 -.-> n5
    end

    %% Styling
    classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
    classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
    classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
    classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
    classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    classDef disabled stroke-dasharray: 5 5,opacity: 0.5
    class n0 trigger
    class n5 ai
    class n1 aiModel
    class n2 ai
    classDef customIcon fill:none,stroke:none
    class n0,n3 customIcon

Varför det här spelar roll: Slack-frågor väntar inte på dig

Slack gör det enkelt för folk att fråga. Det gör det också enkelt för dig att bli flaskhalsen. En kollega pingar dig för en projektuppdatering, en annan vill ha ”senaste dokumentet” och en tredje frågar något du svarade på förra veckan men som ingen hittar nu. Du växlar kontext hela dagen, skriver om samma förklaringar och oroar dig ändå för att du ska säga något som inte längre stämmer. Ärligt talat är det värsta den mentala belastningen: du svarar inte bara, du måste validera varje detalj innan du trycker på skicka.

Det växer snabbt. Här är var det brukar fallera i riktiga team.

Du svarar ur minnet, och en enda inaktuell detalj skickar folk åt fel håll.
Att hitta ”rätt” snippet i Google Doc tar längre tid än att skriva svaret.
Din ton varierar beroende på hur stressad du är, vilket gör att meddelanden låter vassare än du tänkte.
Trådar dör medan du researchar, så samma fråga kommer igen i morgon.

Vad du bygger: Slack-svar förankrade i dokument som låter som du

Den här automatiseringen lyssnar på Slack-händelser (som omnämnanden eller direktmeddelanden) och skickar sedan meddelandet till en AI-agent som drivs av GPT-5. Innan den skapar ett utkast hämtar den relevant kontext från ett Google Doc som du styr, så att svaren grundas i dina senaste projektuppdateringar i stället för gissningar. Den behåller även ett korttidsminne av konversationen, vilket gör att den kan följa en tråd utan att be om samma grundkontext varje gång. Till sist postar den ett svar som är redo att skicka tillbaka i Slack under ditt namn, med den ton och stil du definierar. Slutresultatet är enkelt: färre pingar som väntar på dig och färre ”vänta, jag ska kolla” för ditt team.

Arbetsflödet startar i samma ögonblick någon skriver till dig i Slack. GPT-5 läser meddelandet, refererar till ditt Google Doc för de färskaste detaljerna och skapar ett svar som matchar din vanliga röst. Sedan skickar n8n tillbaka det i samma Slack-tråd, så att konversationen fortsätter framåt.

Vad du bygger

Vad som automatiseras

Vad du uppnår

Slack-omnämnanden och meddelanden fångas direkt via Slack-händelselyssnaren.
Konversationskontext förs vidare med en kort minnesbuffert, så att följdfrågor blir begripliga.
Relevant projektinfo hämtas från ett Google Doc via en RAG-liknande uppslagning innan utkast skapas.
Ett färdigt svar postas tillbaka i den ursprungliga Slack-tråden utan att du kopierar något.

De flesta team får tillbaka cirka 1–2 timmar per vecka tack vare färre status-pingar.
Svaren förblir korrekta eftersom de grundas i samma dokument som alla litar på.
Din ton blir konsekvent, även när du är upptagen eller offline.
Trådar rör sig snabbare eftersom folk får ett svar direkt.
Du minskar omarbete som orsakas av missförstånd och svar baserade på ”gammal info”.

Förväntade resultat

Säg att du får 15 Slack-frågor om dagen som kräver att du kollar ett Google Doc för senaste uppdateringen. Manuell hantering tar oftast runt 5 minuter för att hitta rätt avsnitt, bekräfta att det är aktuellt och skriva ett bra svar, så du bränner ungefär en timme per dag. Med det här arbetsflödet hanteras ”hitta och bekräfta”-delen automatiskt: du tittar på det skapade svaret, gör en snabb justering om det behövs och går vidare på ungefär en minut. Det är nära 45 minuter tillbaka en vanlig dag.

Innan du börjar

n8n-instans (prova n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
Slack för att ta emot omnämnanden och posta svar
Google Docs för att lagra ”källan till sanning”-uppdateringar
OpenAI API-nyckel (hämta den i din OpenAI API-dashboard)

Kunskapsnivå: Mellan. Du kopplar konton, klistrar in en API-nyckel och justerar en prompt, men du behöver inte skriva kod.

Vill du att någon bygger detta åt dig? Prata med en automations-expert (gratis 15-minuters konsultation).

Steg för steg

Ett Slack-meddelande startar allt. När någon nämner dig eller skickar ett meddelande som matchar din trigger fångar n8n texten och grundläggande kontext (vem som frågade, var det frågades och tråden).

Arbetsflödet bevarar konversationen. En minnesbuffert för konversationen håller senaste fram-och-tillbaka tillgängligt, så att nästa svar inte känns som att det glömde vad ni just pratade om.

Google Docs levererar fakta. Innan GPT-5 skapar ett svar hämtar arbetsflödet relevant information från ditt valda Google Doc, vilket innebär att svaret är förankrat i det som teamet är överens om är aktuellt.

Ett utkastat svar går tillbaka till Slack. AI-agenten genererar ett svar i din röst, och sedan postar n8n det i rätt kanal eller tråd så att personen som frågar får svar direkt.

Du kan enkelt ändra Google Doc-källan för att täcka flera projekt utifrån dina behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera Slack-triggern

Det här arbetsflödet startar när en Slack-händelse tas emot i Slack Event Listener, skickar sedan meddelandet till GPT Slack Responder innan det publicerar ett svar med Post Slack Reply.

Lägg till och öppna Slack Event Listener.
Ställ in Trigger så att den inkluderar any_event och app_mention.
Ställ in Watch Workspace till true.
I Options → User IDs, ersätt platshållaren med er lista över Slack-användar-ID:n, t.ex. ==["[YOUR_ID]"].

Inloggningsuppgifter krävs: Anslut era Slack-inloggningsuppgifter i Slack Event Listener innan ni testar triggern.

Steg 2: Anslut Slack för utgående meddelanden

Arbetsflödet svarar tillbaka i samma Slack-kanal med Post Slack Reply.

Öppna Post Slack Reply.
Ställ in Text till ={{ $json.output }}.
Ställ in Select till channel.
Ställ in Channel ID till ={{ $('Slack Event Listener').item.json.channel }}.
Under Other Options, ställ in Send As User till Automation Bot och Include Link to Workflow till false.

Inloggningsuppgifter krävs: Anslut era Slack-inloggningsuppgifter i Post Slack Reply för att skicka meddelanden.

Steg 3: Sätt upp AI-svararen och minnet

GPT Slack Responder är AI-agenten. Den använder OpenAI Chat Engine som språkmodell, Conversation Buffer för chattminne och Fetch Google Doc som verktyg. Dessa undernoder kopplas in i agenten.

Öppna OpenAI Chat Engine och ställ in Model till gpt-5.
Öppna Conversation Buffer och ställ in Session ID Type till customKey.
I Conversation Buffer, ställ in Session Key till ={{ $json.channel }} för att behålla minne per kanal.
Öppna Fetch Google Doc och ställ in Operation till get.
I Fetch Google Doc, ställ in Document URL till GOOGLE DOC ID OR URL (ersätt med ert faktiska dokument-ID eller URL).
Öppna GPT Slack Responder och ställ in Text till ={{ $json.text }}.
I GPT Slack Responder, ställ in Prompt Type till define.
Ställ in Options → System Message till:
You are a social media manager at a marketing agency. Respond to members' messages on Slack in a friendly, natural tech workplace tone. ##Tool Use the Google Doc Tool when asked about Project Updates

Inloggningsuppgifter krävs: Anslut era OpenAI-inloggningsuppgifter i OpenAI Chat Engine. OpenAI Chat Engine är språkmodellen för GPT Slack Responder, så inloggningsuppgifterna måste ställas in på modellnoden, inte agenten.

Inloggningsuppgifter krävs: Anslut era Google Docs-inloggningsuppgifter i Fetch Google Doc. Det här verktyget är kopplat till GPT Slack Responder.

⚠️ Vanlig fallgrop: Om Conversation Buffer inte är ansluten till agentens minnesport kommer era svar att ignorera tidigare kontext. Verifiera ai_memory-anslutningen in till GPT Slack Responder.

Steg 4: Bekräfta exekveringsflödet

Säkerställ att noderna är kopplade i rätt ordning så att meddelanden går från Slack till AI och tillbaka till Slack.

Koppla Slack Event Listener till GPT Slack Responder.
Koppla GPT Slack Responder till Post Slack Reply.
Bekräfta AI-undernodernas anslutningar: OpenAI Chat Engine → GPT Slack Responder (språkmodell), Conversation Buffer → GPT Slack Responder (minne) och Fetch Google Doc → GPT Slack Responder (verktyg).

Steg 5: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att validera Slack-triggern, AI-svaret och publiceringen av svaret.

Klicka på Execute Workflow och skicka ett Slack-meddelande eller en app mention som matchar triggern.
Bekräfta att Slack Event Listener tar emot händelsedatan (inklusive channel och text).
Verifiera att GPT Slack Responder ger ut ett svar i $json.output.
Kontrollera Slack för att säkerställa att Post Slack Reply publicerar AI-svaret i samma kanal.
När det fungerar, växla arbetsflödet till Active för användning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

Slack-inloggningar kan gå ut eller behöva specifika behörigheter. Om det skapar fel, kontrollera OAuth-scopes i din Slack-app och återanslut Slack-kontot i n8n först.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder misslyckas på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera output för alltid.

Snabba svar

Hur lång är uppsättningstiden för den här automatiseringen av Slack-svar?

Cirka en timme om dina Slack- och Google-konton är redo.

Krävs kodning för den här automatiseringen av Slack-svar?

Nej. Du kopplar främst konton och justerar agentens instruktioner. Om du kan redigera ett Google Doc och kopiera en API-nyckel kan du köra detta.

Är n8n gratis att använda för det här arbetsflödet för automatisering av Slack-svar?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-kostnader, som oftast är några cent per konversation beroende på längd.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterad tjänst, enklast uppsättning) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.

Kan jag modifiera det här arbetsflödet för automatisering av Slack-svar för olika användningsfall?

Ja, och det borde du förmodligen. Du kan byta Google Doc-källa genom att ändra dokumentet som används i verktyget ”Fetch Google Doc”, och du kan forma om röst och gränser i agentinstruktionerna för ”GPT Slack Responder”. Vanliga anpassningar är att begränsa svar till vissa kanaler, lägga till en regel som ”när du är osäker, ställ en förtydligande fråga”, och att hämta från flera dokument för olika projekt.

Varför fungerar inte min Slack-anslutning i det här arbetsflödet?

Oftast beror det på att Slack OAuth-åtkomst har gått ut eller återkallats. Återanslut Slack-uppgiften i n8n och bekräfta sedan att din Slack-app fortfarande har behörighet att läsa händelser och posta meddelanden i målkanalerna. Om det fungerar i en kanal men inte i en annan är det ofta ett kanalnivå-problem med behörigheter (privata kanaler är den klassiska fallgropen). Rate limits kan också dyka upp om din workspace genererar många events samtidigt.

Vilken volym kan det här arbetsflödet för automatisering av Slack-svar hantera?

Ganska mycket. På n8n Cloud Starter begränsas du av dina månatliga körningar, medan self-hosting beror på din server. I praktiken kan de flesta små team köra hundratals Slack-svar per dag utan problem så länge OpenAI- och Google-API:erna inte belastas hårt samtidigt.

Är den här automatiseringen av Slack-svar bättre än att använda Zapier eller Make?

För agentbaserade svar som behöver konversationsminne och dokumenthämtning är n8n oftast ett renare val. Du får mer kontroll över förgreningslogik, du kan self-hosta för skala, och AI-agentverktygen är byggda för den här typen av arbetsflöde. Zapier eller Make kan fortfarande fungera, men du stöter ofta på begränsningar så fort du behöver beteendet ”läs dokument, behåll kontext, svara i tråd”. Om du vill ha en second opinion innan du bestämmer dig kan du prata med en automations-expert.

När det här väl rullar slutar Slack stjäla din uppmärksamhet i små skivor hela dagen. Arbetsflödet tar hand om den repetitiva förklaringen så att du kan fokusera på arbetet som faktiskt flyttar projektet framåt.

The post Slack + Google Docs: snabba svar du kan lita på first appeared on Node Nordic - AI Konsult för företag.

Gmail – Node Nordic – AI Konsult för företag

Telegram + VirusTotal: säkrare länkar innan du klickar

Så fungerar den här automationslösningen

n8n Workflow Template: Telegram + VirusTotal: säkrare länkar innan du klickar

Problemet: du tvingas “gissa” om en länk är säker

Lösningen: en Telegram-bot som skannar och sammanfattar länkar

Det du får: automation vs. resultat

Exempel: så här ser det ut

Det du behöver

Så fungerar det

Steg-för-steg-guide för implementering

Steg 1: konfigurera Telegram-triggern

Steg 2: anslut tjänsterna för URL-skanning

Steg 3: sätt upp bearbetningslogiken

Steg 4: sätt upp AI-lagret för sammanfattning

Steg 5: konfigurera utdata och loggning

Steg 6: testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade arbetsflöden

Vanliga frågor

Gmail + Google Sheets: ai-uppföljning som konverterar

Så här fungerar automatiseringen

n8n Workflow Template: Gmail + Google Sheets: ai-uppföljning som konverterar

Problemet: lead-uppföljning havererar i inkorgen

Lösningen: AI-baserad lead capture, klassificering och uppföljning i ett flöde

Det du får: automatisering vs. resultat

Exempel: så här ser det ut i praktiken

Det här behöver du

Så här fungerar det

Steg-för-steg-guide för implementation

Steg 1: konfigurera formulärtriggern

Steg 2: koppla Google Sheets för lagring av leads

Steg 3: konfigurera AI-svar och parsning av utdata

Steg 4: sätt ICP-regler, berika leads och klassificera

Steg 5: konfigurera routning och parallella åtgärder

Steg 6: konfigurera e-post, nurture-fördröjningar och kalenderbokning

Steg 7: testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade workflows

Vanliga frågor

Outlook till OneDrive: bilagor sparas strukturerat

Så fungerar automatiseringen

n8n Workflow Template: Outlook till OneDrive: bilagor sparas strukturerat

Problemet: e-postbilagor blir till filkaos

Lösningen: spara Outlook-bilagor till OneDrive-mappar automatiskt

Det du får: automatisering vs. resultat

Exempel: så här ser det ut

Det här behöver du

Så fungerar det

Steg-för-steg-guide för implementation

Steg 1: konfigurera Outlook Mail Trigger

Steg 2: anslut Microsoft Outlook för att hämta mejl

Steg 3: konfigurera filtrering och uppdelning av bilagor

Steg 4: konfigurera skapande av OneDrive-mapp och uppladdning

Steg 5: testa och aktivera ert workflow

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade workflows

Vanliga frågor

Gmail + Slack: smartare triage av feedback

Så fungerar automationen

n8n Workflow Template: Gmail + Slack: smartare triage av feedback

Problemet: feedbackmejl kommer inte märkta “brådskande”

Lösningen: AI-poängsatt feedback, smart routing och omedelbar eskalering

Det du får: automation vs. resultat

Exempel: så kan det se ut

Det här behöver du

Så fungerar det

Vanliga fallgropar

Relaterade workflows

Vanliga frågor

HubSpot + Google Docs: bättre LinkedIn-url:er

Så fungerar automatiseringen

n8n Workflow Template: HubSpot + Google Docs: bättre LinkedIn-url:er

Problemet: saknade (och felaktiga) LinkedIn-URL:er i HubSpot

Lösningen: en Google Docs-playbook + AI-research, som skrivs tillbaka till HubSpot

Det du får: automation vs. resultat

Exempel: så här ser det ut i praktiken