Ett nytt företagskort dyker upp i ditt CRM och plötsligt måste någon “snabbkolla” bolaget. Tio flikar senare har du en halv story, inga källor och en anteckning som inte hjälper någon.
Det här drabbar säljare först, men marketing ops och grundare med en mindre pipeline känner också av det. Med automatisering av CRM-researchanteckningar får varje nytt företag samma typ av felfri, lättläst sammanfattning så att du kan ta kontakt med kontext i stället för gissningar.
Det här flödet lyssnar efter nya företag i CentralStationCRM, använder ChatGPT plus Tavily för att researcha dem och sparar sedan en formaterad anteckning tillbaka i CRM:et. Du ser vad det gör, vad du behöver och var team brukar gå fel.
Så här fungerar automatiseringen
Se hur den här löser problemet:
n8n Workflow Template: CentralStationCRM + ChatGPT: företagsnotiser direkt
flowchart LR
subgraph sg0["Research AI Agent Flow"]
direction LR
n0@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n1@{ icon: "mdi:robot", form: "rounded", label: "Research AI Agent", pos: "b", h: 48 }
n2@{ icon: "mdi:wrench", form: "rounded", label: "a mind space prompt for the ai", pos: "b", h: 48 }
n3@{ icon: "mdi:cog", form: "rounded", label: "Tavily Websearch Extract URLs", pos: "b", h: 48 }
n4@{ icon: "mdi:cog", form: "rounded", label: "Tavily Websearch Search the ..", pos: "b", h: 48 }
n5["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Add a note to company in Cen.."]
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Company created in CentralSt.."]
n0 -.-> n1
n1 --> n5
n3 -.-> n1
n2 -.-> n1
n4 -.-> n1
n6 --> 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 n1 ai
class n0 aiModel
class n2 ai
class n5,n6 api
classDef customIcon fill:none,stroke:none
class n5,n6 customIcon
Utmaningen: researchanteckningar som aldrig blir gjorda (eller blir bra)
De flesta team säger att de ska researcha varje nytt prospektföretag. I praktiken händer det när någon har tid, vilket i princip är aldrig. En säljare klistrar in en LinkedIn-snutt, en annan slänger in ett rörigt stycke, och en tredje lägger inte till något alls. Sedan blir nästa kontaktpunkt stel: du ställer frågor du redan borde veta svaret på, du missar uppenbara triggers (ny finansiering, en rekryteringspush, ett produktskifte) och du lägger tid på att upprepa samma “snabbresearch” för samma konto.
Det blir mycket snabbt. Och friktionen ökar när du försöker hålla pipeline i rörelse.
- Manuell research blir en omväg på 20–30 minuter per nytt företag, särskilt när du försöker verifiera det du hittade.
- Anteckningar blir inkonsekventa, så ingen litar på dem och alla börjar från noll ändå.
- Copy-paste-missar händer oftare än folk vill erkänna, vilket gör att fel detaljer hamnar i CRM:et och blir kvar där.
- Utan ett repeterbart format är det svårt att lära upp nya säljare i hur “bra kontokontext” ser ut.
Lösningen: auto-researcha varje nytt företag och spara anteckningen i CentralStationCRM
Den här automatiseringen triggas i samma ögonblick som ett nytt företag skapas i CentralStationCRM. Flödet tar emot företagsnamnet via en webhook och skickar det vidare till en AI-agent driven av ChatGPT. Agenten använder Tavilys webbsökverktyg för att hitta relevant offentlig information och plocka ut användbara käll-URL:er, och sammanställer sedan allt till en felfri, lättläst anteckning. Till sist skickar n8n tillbaka den färdiga researchanteckningen till CentralStationCRM via en HTTP-förfrågan som skapar ett “protocol” (CentralStationCRMs benämning på en anteckning). Resultatet är enkelt: teamet öppnar ett nytt företagskort och kontexten väntar redan.
Flödet startar med CRM-webhooken. Därefter gör ChatGPT och Tavily researchen och formar den som markdown. Sist publicerar flödet markdownen i CentralStationCRM som en anteckning, automatiskt kopplad till rätt företag.
Vad som förändras: före vs. efter
| Det här tar bort | Effekt du märker |
|---|---|
|
|
Effekt i verkligheten
Säg att du lägger in 10 nya företag i veckan i CentralStationCRM. En “snabb” manuell genomgång är oftast 20 minuter per företag (webb, LinkedIn, nyheter, kopiera in i CRM:et), så du lägger cirka 3 timmar i veckan bara på att skapa basanteckningar. Med det här flödet skapar du företaget som vanligt och anteckningen dyker upp när AI:n är klar med sin research, ofta på några minuter. Du skummar fortfarande igenom den, men det är en 1-minutskontroll, inte ett miniprojekt.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- CentralStationCRM för att skapa företag och lagra anteckningar
- OpenAI (ChatGPT) för att skriva och formatera researchanteckningar
- Tavily för webbsök och källextrahering
- API-åtkomst/nycklar (från dina CentralStationCRM-, OpenAI- och Tavily-konton)
Kunskapsnivå: Medel. Du kopplar API-uppgifter och validerar en webhook-payload, men du behöver inte koda.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuterskonsultation).
Flödet steg för steg
Ett nytt företag skapas i CentralStationCRM. CentralStationCRM skickar en webhook till n8n med företagsdetaljer (minst företagsnamn och företags-ID).
AI-agenten researchar företaget på webben. ChatGPT kör prompten för “djup research” och använder Tavily-verktyg för att söka och extrahera relevanta URL:er så att anteckningen inte bara bygger på magkänsla. Den returnerar en strukturerad sammanfattning i markdown.
Flödet skriver tillbaka anteckningen till ditt CRM. n8n anropar CentralStationCRM API (noden HTTP Request) för att skapa ett protocol/anteckning på exakt den företagspost som triggade flödet.
Teamet läser den där de jobbar. Den färdiga anteckningen ligger i CentralStationCRM, vilket innebär att säljarna inte behöver ett separat dokument, kalkylark eller en Slack-tråd för att hitta kontext.
Du kan enkelt justera researchprompten för att fokusera på din marknad (finansiering, tech stack, rekrytering, konkurrenter) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera webhook-triggern
Det här arbetsflödet startar när ett nytt CRM-företag skapas och skickas till en webhook-endpoint.
- Lägg till noden CRM Company Created Webhook och ställ in HTTP Method till
POST. - Ställ in Path till
c8682af5-17b7-48f5-9be3-49ef787b40e5. - Kopiera webhook-URL:en som genereras av n8n och registrera den i ert CRM:s webhook-konfiguration för ”company created”.
Steg 2: Anslut OpenAI- och Tavily-tjänster
Berikningen bygger på en LLM plus externa researchverktyg för webbsök och URL-extraktion.
- Öppna OpenAI Dialogue Model och ställ in Model till
gpt-4.1. - Inloggningsuppgifter krävs: Anslut era OpenAI-inloggningsuppgifter i OpenAI Dialogue Model (inga är konfigurerade ännu).
- Säkerställ att Thinkspace Prompt Tool, Tavily URL Extractor och Tavily Web Query är kopplade som AI-verktyg till Company Research Agent.
- Inloggningsuppgifter krävs: Lägg till Tavily-inloggningsuppgifter i verktygskonfigurationen för Company Research Agent (dessa verktyg är subnoder och ärver inloggningsuppgifter från den överordnade agenten).
⚠️ Vanlig fallgrop: Om OpenAI- eller Tavily-inloggningsuppgifter saknas kommer Company Research Agent att misslyckas innan den kan skapa företagsanteckningen.
Steg 3: Konfigurera Company Research Agent
Agenten sammanställer en detaljerad företagsprofil på tyska med hjälp av företagsnamnet från webhook-payloaden.
- Öppna Company Research Agent och ställ in Prompt Type till
define. - Klistra in hela research-prompten i Text och behåll uttrycket för företagsnamnet intakt:
{{ $json.body.record.name }}. - Verifiera att agentens utdataformat förblir markdown och använder källor för varje faktapåstående.
Tips: Behåll markdown-strukturen som den är så att Post CRM Company Note kan lagra den i CRM med format satt till markdown.
Steg 4: Konfigurera utdata till CRM
När researchen är klar publicerar arbetsflödet en anteckning på CRM-företagsposten.
- Lägg till Post CRM Company Note och ställ in URL till
https://api.centralstationcrm.net/api/protocols.json. - Ställ in Method till
POSToch aktivera Send Body och Send Headers. - Ställ in Authentication till
genericCredentialTypeoch Generic Auth Type tillhttpHeaderAuth. - Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Post CRM Company Note.
- Ställ in JSON Body till det angivna uttrycket och behåll de dynamiska fälten intakta, inklusive
{{ $('CRM Company Created Webhook').item.json.body.record.id }}och{{ $json.output.toJsonString() }}. - Säkerställ att Header Parameters inkluderar
accept: application/jsonochContent-Type: application/json.
Steg 5: Testa och aktivera ert arbetsflöde
Validera flödet från start till slut och aktivera det sedan för produktion.
- Använd test-URL:en för CRM Company Created Webhook för att skicka en exempel-payload som innehåller
body.record.idochbody.record.name. - Bekräfta att Company Research Agent producerar en markdown-profil med källor.
- Verifiera att Post CRM Company Note returnerar ett lyckat svar och att anteckningen visas på CRM-företagsposten.
- När allt fungerar, växla arbetsflödet till Active för att börja hantera livekörningar.
Se upp med
- CentralStationCRM-inloggningar kan löpa ut eller kräva specifika behörigheter. Om saker slutar fungera, kontrollera API-token/åtkomstinställningar i ditt CentralStationCRM-konto och spara sedan om inloggningen i n8n först.
- Tavily är en community-nod i n8n för det här flödet. Om Tavily-verktygsnoderna inte syns eller inte körs, bekräfta att community-noder är aktiverade i inställningarna för din n8n-instans.
- Standardpromptar för AI är ärligt talat lite generiska. Lägg in din anteckningsstruktur och “vad vi bryr oss om” tidigt (ICP-match, triggers, köpsignaler), annars kommer du att redigera varje anteckning manuellt.
Vanliga frågor
Oftast runt en timme om du redan har API-nycklar.
Ja. Du kopplar mest konton, klistrar in API-nycklar och testar webhooken med ett exempelföretag.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis testperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI- och Tavily-användning (ofta några cent per företag, beroende på din prompt och hur mycket den söker).
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 serveradministration.
Det kan du. Den enklaste spaken är prompten i Company Research Agent: ändra de avsnitt du vill ha (ICP-match, senaste nyheter, rekryteringssignaler, tech stack, konkurrenter) och den formatering du vill få tillbaka. Om du hellre vill skapa anteckningar för nya personer i stället för företag, byt CentralStationCRM-webhookhändelsen till “person created” och justera sedan sista noden för HTTP Request så att den postar protocol till person-endpointen, inte företags-endpointen.
För det mesta är det en API-nyckelgrej. Generera en ny CentralStationCRM API-token (eller bekräfta att den fortfarande har API-åtkomst), uppdatera sedan inloggningen i n8n och kör flödet igen från webhook-testet. Om förfrågan träffar fel post, verifiera också att du skickar rätt företags-ID från webhook-payloaden in i HTTP-förfrågan “Post CRM Company Note”.
Den skalar till hundratals nya företag per månad för de flesta små team, och self-hosting tar bort körningsbegränsningar.
Ofta, ja, eftersom det här flödet gynnas av en AI-agent som kan loopa på research och använda flera verktyg i samma körning. n8n hanterar förgreningslogik och rikare datahantering utan att varje extra steg blir ett prissättningsproblem. Du har också möjligheten att self-hosta, vilket spelar roll om du genererar många anteckningar. Zapier eller Make kan fortfarande fungera om du håller det enkelt (en sökning, en sammanfattning, en skapa-anteckning-åtgärd), men du brukar känna av begränsningarna tidigare. Prata med en automationsexpert om du vill ha hjälp att välja den mest avskalade setupen för din stack.
När det här är live slutar nya företag att vara “tomma poster” och blir användbara konton. Flödet tar hand om den repetitiva researchen så att teamet kan fokusera på dialogen.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.