Leadmejl landar i Gmail, och ändå hanteras de som om det vore 2012. Kopiera, klistra in, skumma, gissa avsikten, svara snabbt och hoppas att du inte missade den enda raden som betydde något.
Marknadschefer känner av det när betalda kampanjer plötsligt ökar volymen. En ensam grundare känner av det när de försöker sälja och leverera samtidigt. Och om du driver en byrå är det, ärligt talat, samma röra i varje kunds inkorg. Den här automatiseringen för Gemini lead replies förvandlar stökiga inkommande mejl till tydliga ”vad gör vi härnäst”-åtgärder.
Du får se hur workflowet poängsätter varje meddelande som positiv, neutral eller negativ avsikt, och sedan skickar rätt svar på ett säkert sätt (eller hoppar över att skicka helt när du testar). Det innehåller också ett utvärderingsspår så att du kan bevisa kvalitet innan du litar på det.
Så fungerar automatiseringen
Här är det kompletta workflowet du kommer att sätta upp:
n8n Workflow Template: Gmail + Google Gemini: smartare leadsvar, mindre risk
flowchart LR
subgraph sg0["Gmail Flow"]
direction LR
n0@{ icon: "mdi:robot", form: "rounded", label: "Sentiment Analysis", pos: "b", h: 48 }
n1@{ icon: "mdi:message-outline", form: "rounded", label: "Send Hot Lead Email", pos: "b", h: 48 }
n2@{ icon: "mdi:play-circle", form: "rounded", label: "Gmail Trigger", pos: "b", h: 48 }
n3@{ icon: "mdi:message-outline", form: "rounded", label: "Send Marketing Insights Email", pos: "b", h: 48 }
n4@{ icon: "mdi:message-outline", form: "rounded", label: "Send Follow-up Notification", pos: "b", h: 48 }
n5@{ icon: "mdi:play-circle", form: "rounded", label: "When fetching a dataset row", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Loop Over Items", pos: "b", h: 48 }
n8@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini 2.5 Flash Lite", pos: "b", h: 48 }
n10@{ icon: "mdi:cog", form: "rounded", label: "Set Metrics", pos: "b", h: 48 }
n11@{ icon: "mdi:cog", form: "rounded", label: "Save Output", pos: "b", h: 48 }
n12@{ icon: "mdi:cog", form: "rounded", label: "Check Neutral", pos: "b", h: 48 }
n13@{ icon: "mdi:cog", form: "rounded", label: "Check Positive", pos: "b", h: 48 }
n14@{ icon: "mdi:cog", form: "rounded", label: "Check Negative", pos: "b", h: 48 }
n11 --> n10
n10 --> n6
n12 --> n11
n12 --> n4
n2 --> n0
n14 --> n11
n14 --> n3
n13 --> n11
n13 --> n1
n6 --> n0
n0 --> n13
n0 --> n12
n0 --> n14
n5 --> n6
n8 -.-> n0
end
subgraph sg1["Flow 2"]
direction LR
n9@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini 2.5 Flash", pos: "b", h: 48 }
end
subgraph sg2["Flow 3"]
direction LR
n7@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini 3 PRO", pos: "b", h: 48 }
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,n5 trigger
class n0 ai
class n8,n9,n7 aiModel
Varför det här spelar roll: leadsvar går fel på förutsägbara sätt
Inkommande leads kommer inte prydligt märkta som ”redo att köpa” eller ”bara nyfiken”. De dyker upp som halvfärdiga frågor, stressade enradare, vidarebefordrade trådar och ibland en arg notis som du verkligen inte bör bemöta som om det vore en het affärsmöjlighet. När du gör triage manuellt är kostnaden inte bara tid. Det är kontextbyten, att du tvivlar på dina bedömningar och den där gnagande känslan av att du svarade för offensivt på ett neutralt meddelande (eller värre: behandlade ett riktigt bra lead som ett supportärende). Ett slarvigt svar kan i tysthet döda en affär.
Friktionen byggs på. Här är var det oftast fallerar:
- Du läser mejlet för snabbt, missar avsikten och skickar ett svar som inte matchar tonen.
- Heta leads blir liggande i inkorgen eftersom allt ser ”viktigt” ut när du skummar i högt tempo.
- Uppföljningar blir inkonsekventa, så prospekt får helt olika upplevelser beroende på vem som svarar.
- Du tvekar att automatisera eftersom ett dåligt workflow kan råka mejla riktiga prospekt medan du fortfarande testar.
Vad du bygger: AI-poängsatt Gmail-triage med säkra, testade svar
Det här workflowet ger din inkorg en enkel hjärna. En Gmail-trigger bevakar nya inkommande meddelanden, och sedan skickas mejlinnehållet till ett steg för avsiktspoängsättning som drivs av Google Gemini-modeller. Det steget kategoriserar leadet som positivt, neutralt eller negativt utifrån dina regler (inte generisk ”internetsentiment”). Därefter routar workflowet meddelandet till rätt spår: ett svar för ”heta leads”, en lugnare uppföljning eller ett svar vid negativ avsikt som skyddar varumärket och samlar insikter. Det de flesta team missar är säkerhetslagret. Den här mallen innehåller ett utvärderingsläge som kör samma poängsättningslogik på ett testdataset, loggar modellens prediktion och betygsätter den mot din ground truth innan något når en riktig kund.
Workflowet startar från två ställen: din live-inkorg i Gmail och ett ”golden dataset” som används för testning. Båda vägarna går genom samma Gemini-baserade poängsättningslogik. Sedan avgör en enkel utvärderingskontroll om du ska skicka riktiga mejl eller bara logga resultat för granskning.
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att du får 20 inkommande leads per dag. Om du lägger cirka 5 minuter på att läsa, bedöma avsikt och välja svar blir det ungefär 100 minuter dagligen. Med det här workflowet blir triage: mejlet kommer in, Gemini poängsätter det och rätt svar köas eller skickas automatiskt. Du kommer fortfarande att göra stickprov i början, men de flesta team vinner tillbaka ungefär en timme om dagen när promptarna är intrimmade.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Självhosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Gmail för att övervaka och skicka leadsvar
- Google Gemini för att klassificera avsikt med LLM-modeller
- n8n Data Table (lägg in ditt golden dataset i n8n)
Kunskapsnivå: Medel. Du kopplar Gmail-/Gemini-credentials och justerar några prompts och grenar, men du behöver inte skriva kod.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
Ett nytt lead kommer in (eller så hämtar du ett testfall). Produktionsspåret startar med Gmail Trigger som bevakar din inkorg efter nya meddelanden. Utvärderingsspåret startar med en Dataset Row Trigger som hämtar en rad i taget från din n8n Data Table.
Mejltexten poängsätts för avsikt. Båda spåren skickar innehållet till noden Sentiment Scoring. Under huven kan du koppla olika Gemini-chatmodeller (Pro, Flash, Flash Lite) så att du kan jämföra hastighet och kostnad utan att skriva om din routningslogik.
Workflowet avgör vad det får göra. Kontrollerna ”Validate Positive / Neutral / Negative” avgör två saker: kategorin och om den aktuella körningen är en riktig produktionskörning eller en utvärderingskörning. Om det är utvärderingsläge hoppar det över att skicka mejl. Den säkerhetskontrollen är hela poängen.
Svar skickas eller resultat loggas. I produktion skickar Gmail rätt svar (svar till hett lead, neutral uppföljning eller svar vid negativ avsikt/insikter). I utvärdering sparar workflowet modellens output, registrerar ett enkelt mått (rätt eller fel) och fortsätter loopa genom ditt dataset tills du har tillräckligt med bevis för att lita på upplägget.
Du kan enkelt ändra svarstexterna och kategoridefinitionerna så att de matchar din säljprocess. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera Dataset Row Trigger
Det här arbetsflödet kan starta från rader i ett utvärderingsdataset för att iterera lead-poster innan sentimentscoring.
- Lägg till noden Dataset Row Trigger som primär trigger.
- Ställ in Data Table till
[YOUR_ID]för datasetet ”Sentiment Analysis Evaluation”. - Koppla Dataset Row Trigger till Iterate Records för att starta batchbearbetning.
[YOUR_ID] med ert faktiska data table-id, annars hämtar triggern inga rader.Steg 2: Anslut Gmail
Inkommande mejl kan också initiera sentimentscoring.
- Lägg till noden Incoming Gmail Trigger och ställ in Poll Times till
everyMinute. - Inloggningsuppgifter krävs: Anslut era gmailOAuth2-uppgifter i Incoming Gmail Trigger.
- Koppla Incoming Gmail Trigger till Sentiment Scoring.
Steg 3: Sätt upp Sentiment Scoring
Arbetsflödet använder en sentimentanalysnod som drivs av Gemini för att kategorisera lead-intent.
- Lägg till Sentiment Scoring och ställ in Input Text till
{{ $json.text || $json.input }}. - I Sentiment Scoring ställer ni in Categories till
Positive, Neutral, Negativeoch låter Include Detailed Results vara aktiverat. - Verifiera att System Prompt Template matchar arbetsflödets logik för att kategorisera leads.
- Öppna Gemini Flash Lite Chat och ställ in Model Name till
models/gemini-2.5-flash-lite. - Inloggningsuppgifter krävs: Anslut era googlePalmApi-uppgifter i Gemini Flash Lite Chat.
Steg 4: Konfigurera lead-routing och mejl
Efter scoring utvärderar arbetsflödet sentimentet och skickar rätt mejlnotis.
- Koppla Sentiment Scoring till Validate Positive, Validate Neutral och Validate Negative.
- Ställ in Operation till
checkIfEvaluatingi varje valideringsnod. - Sentiment Scoring skickar utdata till Validate Positive, Validate Neutral och Validate Negative parallellt.
- I Dispatch Hot Lead Email ställer ni in Send To till
[YOUR_EMAIL], Subject tillHot Lead!och Message till{{ $('Incoming Gmail Trigger').item.json.text }}. - I Dispatch Follow-up Email ställer ni in Send To till
[YOUR_EMAIL], Subject tillFollow-upoch Message till{{ $('Incoming Gmail Trigger').item.json.text }}. - I Send Insights Email ställer ni in Send To till
[YOUR_EMAIL], Subject tillSales insightsoch Message till{{ $('Incoming Gmail Trigger').item.json.text }}. - Inloggningsuppgifter krävs: Anslut era gmailOAuth2-uppgifter i Dispatch Hot Lead Email, Dispatch Follow-up Email och Send Insights Email.
[YOUR_EMAIL] med er faktiska e-postadress, annars routas inte aviseringarna korrekt.Steg 5: Konfigurera lagring för utvärdering och mätetal
Utvärderingsnoder lagrar resultat och loggar mätetal för löpande analys.
- I Store Evaluation Output ställer ni in Output Name till
resultoch Output Value till{{ $('Sentiment Scoring').item.json.sentimentAnalysis.category }}. - Ställ in Data Table i Store Evaluation Output till
[YOUR_ID]för utvärderingsdatasetet. - I Record Metrics ställer ni in Metric till
categorizationoch Operation tillsetMetrics. - Ställ in Actual Answer till
{{ $json.sentimentAnalysis.category }}och Expected Answer till{{ $json.expected }}. - Säkerställ att Store Evaluation Output kopplas till Record Metrics, och därefter tillbaka till Iterate Records för kontinuerlig bearbetning.
Steg 6: Testa och aktivera ert arbetsflöde
Validera hela kedjan från inkommande data till mejlutskick och växla sedan till produktion.
- Klicka på Execute Workflow och trigga ett testmejl eller en datasetrad för att verifiera flödet in i Sentiment Scoring.
- Bekräfta att en sentimentskategori skapas och routas via rätt valideringsväg.
- Verifiera att motsvarande Gmail-meddelande skickas av Dispatch Hot Lead Email, Dispatch Follow-up Email eller Send Insights Email.
- Kontrollera att Store Evaluation Output och Record Metrics skriver resultaten till ert utvärderingsdataset.
- Slå på arbetsflödet genom att toggla Active för att aktivera kontinuerlig lead-routing.
Tips för felsökning
- Gmail-credentials kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, börja med att kontrollera vilket konto som är kopplat i Gmail-noden och OAuth-scopes.
- Om din utvärderingsloop känns ”fast”, titta på inställningarna för Split in Batches i Iterate Records. En felaktig batchstorlek kan få det att se ut som att inget händer.
- Kvaliteten i Gemini-output beror mycket på din systemprompt. Lägg till exempel på knepiga leads (som konkurrentklagomål som ändå signalerar köpavsikt), annars kommer du att fortsätta redigera klassificeringar för hand.
Snabba svar
Cirka en timme om dina Gmail- och Gemini-konton är klara.
Nej. Du kopplar konton, redigerar en prompt och väljer vad varje kategori ska skicka.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för Google Gemini API, som beror på modellval och meddelandevolym.
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 serveradministration.
Ja, och det bör du. De flesta team anpassar prompten i Sentiment Scoring så att den matchar deras produkt, och justerar sedan de tre utskicksmejlen (Hot Lead, Follow-up, Insights) så att de passar varumärkets tonalitet. Du kan också byta vilken Gemini-modell som driver poängsättningen genom att koppla en annan Gemini Chat-nod till modellinput, så att du kan prioritera kvalitet (Pro) eller hastighet/kostnad (Flash/Flash Lite). Om du vill routea till ett CRM i stället för att skicka mejl, ersätt Gmail-sändnoden på varje gren med din målåtgärd (till exempel skapa ett lead i Odoo).
Oftast beror det på utgången OAuth-åtkomst eller saknade Gmail-behörigheter på det kopplade kontot. Anslut Gmail igen i n8n och verifiera att trigger- och sändnoderna använder samma credential. Kontrollera också att inkorgen du övervakar är den som faktiskt tar emot leadmejlen (alias och delade inkorgar kan ställa till det). Om det bara fallerar vid hög volym kan Gmails sändgränser vara inblandade.
Det hanterar typisk inkorgsvolym för småföretag utan problem, och den praktiska gränsen är oftast din n8n-plan plus rate limits för mejl/API.
Ofta, ja, eftersom det här workflowet inte bara är ”om mejl, skicka mejl”. Du har två parallella spår (produktion och utvärdering), samma poängsättningslogik delad mellan båda, och möjligheten att byta modell för jämförelse utan att bygga om något. n8n gör också förgrening billigare och mer flexibel, och self-hosting tar bort körningsbegränsningar om du skalar. Zapier eller Make kan fortfarande passa för en enkel tvåstegs-autoresponder, men de är klumpiga för säker testning mot ett dataset. Vill du ha en second opinion innan du bestämmer dig, prata med en automationsexpert.
Du får snabbare svar, tydligare triage och ett skyddsnät för att testa ändringar innan de träffar riktiga leads. Sätt upp det en gång och låt sedan inkorgen få andas.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.