Anställdas anteckningar hamnar i en Drive-mapp och sedan… ingenting. De blir liggande där tills någon kommer ihåg att läsa dem, vilket oftast sker precis efter att en uppsägning landat i inkorgen.
Den här uppsättningen för Drive Gmail alerts träffar HR-chefer först, men People Ops-ansvariga och teamchefer känner av den också. Du får en konsekvent riskpoäng för personalomsättning, “varför” bakom den och tydliga nästa steg skickade till rätt person – utan att jaga filer.
Nedan ser du hur arbetsflödet granskar nya medarbetardokument, plockar ut signaler, kontrollerar en eskaleringsgräns och mejlar en strukturerad riskvarning som du kan agera på.
Så fungerar den här automatiseringen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Från google drive till gmail: riskvarningar
flowchart LR
subgraph sg0["Trigger for new resume Flow"]
direction LR
n0@{ icon: "mdi:brain", form: "rounded", label: "Azure OpenAI Chat Model", pos: "b", h: 48 }
n1@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n2@{ icon: "mdi:play-circle", form: "rounded", label: "Trigger for new resume", pos: "b", h: 48 }
n3@{ icon: "mdi:cog", form: "rounded", label: "Download resume", pos: "b", h: 48 }
n4@{ icon: "mdi:cog", form: "rounded", label: "Extract text", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "Calculate avg span", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Logic", pos: "b", h: 48 }
n7["<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/code.svg' width='40' height='40' /></div><br/>Create email"]
n8@{ icon: "mdi:message-outline", form: "rounded", label: "Send email to hr", pos: "b", h: 48 }
n6 --> n7
n7 --> n8
n4 --> n5
n3 --> n4
n5 --> n6
n2 --> n3
n0 -.-> n5
n1 -.-> 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 n2 trigger
class n1,n5 ai
class n0 aiModel
class n6 decision
class n7 code
classDef customIcon fill:none,stroke:none
class n7 customIcon
Problemet: signaler om personalomsättning begravs i Drive
Varningssignalerna finns oftast där. En spänd anteckning om prestation. Ett enkätsvar som säger “bra” men uppenbart inte är det. En chef som laddar upp något med ord som “utbränd” eller “mentalt frånkopplad”. Problemet är att signalerna fastnar i PDF:er och dokument, utspridda i mappar, och granskas bara när någon har tid. Och “någon har tid” är sällsynt. Under tiden blir uppföljningen inkonsekvent eftersom varje granskare tolkar samma text olika, vilket gör att risk antingen överreageras på eller ignoreras.
Det bygger upp snabbt. Här är var det fallerar i verkliga team.
- En enda veckas uppladdningar kan bli 20+ dokument att ögna igenom, och viktiga rader missas eftersom ingen hinner läsa på djupet i högt tempo.
- PDF:er och exporterade rapporter är jobbiga att söka i, så sammanhanget försvinner och trender över flera filer kopplas aldrig ihop.
- Risksamtal sker för sent, ofta efter ett “förvarnings”-meddelande från en chef i stället för från data ni redan hade.
- Uppföljning varierar mellan personer, så en medarbetare får stöd snabbt medan en annan möts av tystnad i flera dagar.
Lösningen: poängsätt avgångsrisk automatiskt och mejla rätt varning
Det här arbetsflödet bevakar en Google Drive-mapp efter nya HR-relaterade filer (profiler, enkäter, chefsanteckningar eller rapporter). När en fil dyker upp laddar det ner dokumentet, extraherar text (inklusive från PDF:er) och skickar innehållet till en Azure OpenAI Chat-modell för att tolka vad som händer. I stället för en vag sammanfattning begränsas AI:n till ett strukturerat schema, så du får pålitligt fält som risk_score, risk_level, key_drivers, recommended_interventions och om eskalering krävs. Därefter skickar en “Attrition Threshold Check” bara högriskfall vidare till ett anpassat mejlutkast. Till sist skickar Gmail en tydlig varning med kontext och åtgärdssteg, så rätt person kan följa upp snabbt.
Arbetsflödet startar med en Drive-uppladdningstrigger. Därifrån hämtas filen och omvandlas till analyserbar text, sedan räknar AI-agenten fram stödjande mått (som en genomsnittlig anställningstidssignal) och producerar ett strukturerat riskresultat. Om poängen passerar din gräns skriver n8n ihop ett chefsanpassat meddelande och skickar det via Gmail.
Det här får du: automatisering vs. resultat
| Vad arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du får 15 nya medarbetaranteckningar och enkät-exporter per vecka i Drive. Manuellt tar även en snabb genomläsning plus att plocka ut några citat till ett mejl kanske 10 minuter per fil, så du hamnar på runt 2,5 timmar i veckan, och det är lätt att skjuta upp. Med det här arbetsflödet är “jobbet” i princip att lägga filer i rätt mapp och sedan vänta på mejlvarningen. De flesta team ser det som 5 minuters admin i veckan, och analysen kommer medan kontexten fortfarande är färsk.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- Google Drive för den bevakade HR-uppladdningsmappen
- Gmail för att skicka varningsmejl till HR/chefer
- Azure OpenAI-inloggningsuppgifter (hämta dem i Azure Portal → Azure OpenAI)
Kompetensnivå: Mellan. Du kopplar in behörigheter, väljer en mapp och justerar en riskgräns samt mejlmottagare.
Vill du inte sätta upp detta själv? Prata med en automatiseringsexpert (gratis 15-minuters konsultation).
Så fungerar det
En fil landar i din Drive-mapp “HR intake”. Google Drive-triggern körs så fort en ny profil, enkätexport eller chefsrapport laddas upp.
Filen laddas ner och görs om till strukturerad text. n8n hämtar dokumentet och ett extraktionssteg omvandlar PDF:er eller dokument till innehåll som modellen faktiskt kan analysera (så du slipper kopiera och klistra från en visare).
AI tolkar signalerna och returnerar strukturerade riskfält. Azure OpenAI läser texten efter ledtrådar som språk som tyder på bristande engagemang, tecken på utmattning, prestationsförändringar och kontext kring roll/ersättning. Structured Output Parser tvingar fram ett förutsägbart schema, vilket gör att du tryggt kan routa och formatera resultatet.
Högriskfall eskaleras via Gmail. En If-kontroll tillämpar din gräns (mallen nämner risk_score ≥ 0.7 som ett vanligt exempel). När den är över gränsen skriver ett kodsteg ett tydligt larm med nyckeldrivare och rekommenderade insatser, och sedan skickar Gmail det till HR eller en chef.
Du kan enkelt ändra riskgränsen så den matchar er kultur och er tolerans för falsklarm utifrån era behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera Google Drive-triggern
Konfigurera arbetsflödet så att det startar varje gång en ny CV-fil laddas upp till en specifik Google Drive-mapp.
- Lägg till och öppna Resume Upload Trigger.
- Ställ in Event på
fileCreated. - Ställ in Trigger On på
specificFolderoch välj Folder to Watch (värdet ska vara ert mapp-ID, t.ex.[YOUR_ID]). - Inloggningsuppgifter krävs: Anslut era
googleDriveOAuth2Api-inloggningsuppgifter.
Steg 2: Anslut Google Drive
Ladda ner den uppladdade CV-filen så att den kan tolkas för textextraktion.
- Lägg till och öppna Fetch Resume File.
- Ställ in Operation på
download. - Ställ in File ID på
={{ $json.webViewLink }}. - Inloggningsuppgifter krävs: Anslut era
googleDriveOAuth2Api-inloggningsuppgifter.
Steg 3: Konfigurera Parse Resume Text
Extrahera text från den nedladdade CV-PDF:en för AI-bearbetning.
- Lägg till och öppna Parse Resume Text.
- Ställ in Operation på
pdf.
Steg 4: Konfigurera Compute Avg Tenure (AI-bearbetning)
Använd AI för att beräkna den genomsnittliga anställningstiden i månader utifrån den tolkade CV-texten.
- Lägg till och öppna Compute Avg Tenure.
- Ställ in Text på
={{ $json.text }}. - Aktivera Has Output Parser för att använda strukturerad output.
- Koppla Azure Chat Engine som språkmodell (den här noden använder
gpt-4o-mini). - Koppla Structured Result Parser som output-parser med schemaexempel
{ "average": "18" }. - Inloggningsuppgifter krävs: Anslut era
azureOpenAiApi-inloggningsuppgifter i Azure Chat Engine (AI-verktygsnoder som Structured Result Parser ärver inloggningsuppgifter från den överordnade AI-noden).
Steg 5: Konfigurera Attrition Threshold Check
Filtrera kandidater vars genomsnittliga anställningstid indikerar högre risk för avgång.
- Lägg till och öppna Attrition Threshold Check.
- Ställ in villkoret så att det jämför vänstervärdet
={{ $json.output.average.toNumber() }}med Operatorltoch Right Value12.
Steg 6: Konfigurera output och e-postutskick
Skapa ett formaterat varningsmeddelande och skicka det till HR när risk flaggas.
- Lägg till och öppna Draft HR Alert Email för att bygga emailSubject och emailBody från riskdatan.
- Lägg till och öppna Dispatch HR Email.
- Ställ in Send To på
[YOUR_EMAIL](eller en riktig HR-adress). - Ställ in Subject på
={{ $json.emailSubject }}. - Ställ in Message på
={{ $json.emailBody }}. - Inloggningsuppgifter krävs: Anslut era
gmailOAuth2-inloggningsuppgifter.
Steg 7: Testa och aktivera ert arbetsflöde
Verifiera hela kedjan från uppladdning till varningsmejl innan ni slår på automatiseringen.
- Klicka på Execute Workflow och ladda upp ett exempel-CV till den övervakade Google Drive-mappen.
- Bekräfta att Fetch Resume File laddar ner filen och att Parse Resume Text ger text som output.
- Verifiera att Compute Avg Tenure returnerar strukturerad output med
averageoch att Attrition Threshold Check routar korrekt. - Kontrollera att Dispatch HR Email skickar meddelandet med genererat ämne och brödtext.
- När allt fungerar, växla arbetsflödet till Active för att aktivera övervakning i produktion.
Vanliga fallgropar
- Google Drive-behörigheter kan gå ut eller kräva specifika rättigheter. Om det börjar skapa fel, kontrollera först panelen för n8n Credentials och åtkomsten till den delade mappen.
- Om du använder Wait-noder eller extern rendering varierar processingtider. Öka väntetiden om efterföljande noder fallerar på tomma svar.
- Azure OpenAI-promptar och scheman glider över tid. Om den strukturerade parsern börjar fallera, skärp schemafälten (risk_score, drivers, actions) och lägg till en stilnotis för tonalitet tidigt, ärligt talat, annars kommer du fortsätta redigera mejl.
Vanliga frågor
Ungefär en timme om dina Drive-, Gmail- och Azure OpenAI-konton redan är redo att kopplas in.
Nej. Du kopplar främst konton, väljer Drive-mappen och ställer in vem som ska få varningar i Gmail.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in kostnader för Azure OpenAI-användning, som oftast är små per dokument men beror på modell och dokumentlängd.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärt och kör n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det är en vanlig justering. Du kan ändra logiken i “Attrition Threshold Check” för att tillämpa olika gränser baserat på vad som finns i de tolkade fälten (avdelning, chef, plats) och sedan ändra Gmail-mottagarna därefter. Många team redigerar också det strukturerade schemat så att “key_drivers” mappar till deras interna kategorier som arbetsbelastning, chef/ledarskap eller utveckling. Om du vill ha olika mejlmallar för HR jämfört med en linjechef kan du göra det i steget “Draft HR Alert Email”.
Oftast beror det på utgångna Google-behörigheter eller att triggermappen inte faktiskt är delad med kontot som är kopplat. Återanslut Google Drive i n8n Credentials och dubbelkolla sedan mapp-ID och behörigheter. Om det bara misslyckas för vissa filer kan det också vara ett filtypsproblem (inscannade PDF:er utan läsbar text) vilket gör att extraktionen ser “trasig” ut längre fram i flödet.
Med n8n Cloud Starter kan du köra en bra volym för ett litet team, och högre planer hanterar mer. Om du kör egen drift finns inget tak för antal körningar, så begränsningen handlar mest om din server och hur snabbt Azure OpenAI kan bearbeta långa dokument. I praktiken hanterar det här arbetsflödet utan problem dussintals filer per dag för de flesta HR-team eftersom varje körning är “en fil in, en varning ut”.
Ofta, ja. Det här arbetsflödet drar nytta av n8n:s starkare logik och routing, eftersom du hanterar filer, AI-analys, strukturerad parsing och en tröskelbaserad eskalering – inte bara “om X så mejla”. n8n låter dig också köra egen drift, vilket spelar roll när antalet körningar ökar eller när du vill ha tajtare kontroll över HR-dataflöden. Zapier och Make kan fungera, men när du lägger till strukturerad AI-utdata och villkorliga vägar blir de pilliga och kan bli dyra. Om du är osäker, prata med en automatiseringsexpert så mappar vi din situation till det enklaste verktyget.
Du sätter upp detta en gång, och sedan blir nya filer till tydliga, handlingsbara varningar utan att någon behöver passa en mapp. Arbetsflödet tar hand om den repetitiva granskningen så att teamet kan fokusera på riktiga samtal och att faktiskt följa upp.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.