Behöver ert företag hjälp med att implementera AI? Kontakta oss och få prisoffert här →
AI Skolan
januari 22, 2026

Gmail + Slack: snabbare skadegranskning

Rickard Andersson Partner, Nodenordic.se

Skadegranskningar är sega när ”det riktiga jobbet” göms under copy-paste, fram- och tillbaka-trådar och saknad kontext. Ett ärende kommer in välstrukturerat, nästa har märkliga luckor, och du tappar tid bara på att förstå vad du ens har framför dig.

Skadechefer märker det när köerna sticker iväg. Underwriters märker det när risknoteringar kommer sent. Och om du driver ops i ett mindre försäkringsteam är Gmail Slack-automation skillnaden mellan ”beslut samma dag” och ännu en vecka av omtag.

Det här arbetsflödet hämtar nya skadeärenden enligt schema, kör en konsekvent AI-baserad analys och levererar sedan en tydlig sammanfattning till Gmail och en riskvarning till Slack. Du får se vad det gör, vad du behöver och vilka resultat du kan förvänta dig.

Så här fungerar automatiseringen

Hela n8n-flödet, från trigger till slutligt resultat:

n8n Workflow Template: Gmail + Slack: snabbare skadegranskning

Problemet: manuell skadegranskning skalar inte

När skadeärenden kommer in snabbare än teamet hinner granska dem blir processen tyst och utan plan till triage. Någon plockar skadedata ur ett system, någon annan kontrollerar aktuariella anteckningar, en tredje skriver ett PM, och sedan skickas ett Slack-meddelande med halva kontexten. Senare svarar produktteamet i e-posttråden och ber om samma detaljer igen. Multiplicera det med några dussin ärenden så lägger ni timmar på koordinering, inte beslut. Än värre: inkonsekventa granskningar gör att två liknande ärenden kan hanteras helt olika, vilket är riskfyllt på alla sätt.

Det växer snabbt. Här är var det faller isär i verkligheten.

  • Granskare slösar cirka 30 minuter per ärende bara på att samla in samma underlag från olika ställen.
  • Sammanfattningar varierar mellan personer, så chefer måste läsa om källdokument för att bekräfta nyckelfakta.
  • Risksignaler kommer sent eftersom ingen vill vara ”den” som larmar utan tillräckligt underlag.
  • E-post och Slack hamnar ur synk, vilket gör att beslut tas på ofullständig information.

Lösningen: AI-drivna skade-PM och riskflaggor till Gmail + Slack

Det här n8n-arbetsflödet automatiserar det tyngsta i skadegranskningen genom att omvandla rå skadedata till en strukturerad, konsekvent bedömning. Det startar enligt schema, hämtar nya ärenden från ert skadesystem via HTTP-request och skickar sedan varje ärende genom en aktuariell analysagent som räknar ut skadekvoter och en riskpoäng. Därefter skriver en PM-agent en tydlig sammanfattning med rekommendationer, och en riskbedömningsagent letar efter bedrägeriindikatorer och konsekvenser för försäkringsskyddet. En orkestrerande agent håller outputen konsekvent mellan alla ärenden så att ni inte behöver hantera olika format varje gång. Till sist skickar flödet den färdiga rapporten till Gmail för produktteamet och postar riskvarningar till Slack för riskteamet, så att varje grupp får rätt signal på rätt plats.

Arbetsflödet börjar med schemalagd intake och konfiguration, hämtar sedan nya ärenden och kör aktuariella beräkningar (inklusive beräkningar av premieändringar). Därefter sammanställer orkestratorn slutrapporten och distribuerar den: detaljerat PM till Gmail, riskfokuserad notis till Slack.

Det du får: automation vs. resultat

Exempel: så här ser det ut

Säg att teamet granskar 20 skadeärenden per dag. Manuellt: om det tar cirka 30 minuter att samla data och ytterligare 20 minuter att skriva ett användbart PM och notifiera rätt personer, blir det ungefär 15–17 timmar arbete fördelat över teamet, varje dag. Med det här flödet är intake automatiskt, AI-agenterna skapar PM och risknoteringar, och ni lägger främst tid på själva beslutet. Även om ni bara ”rör” varje ärende i 10 minuter för att kontrollera och godkänna, får ni tillbaka runt 10 timmar per dag under intensiva perioder. Det är ärligt talat skillnaden mellan att ligga före i kön och att drunkna i den.

Det här behöver du

  • n8n-instans (testa n8n Cloud gratis)
  • Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
  • API för ert skadehanteringssystem för att hämta nya skadeärenden.
  • Gmail för att leverera skade-PM till produktintressenter.
  • Slack för riskvarningar till rätt kanal.
  • OpenAI API-nyckel (hämta den från sidan för API-nycklar i din OpenAI-dashboard).
  • NVIDIA API-nyckel (hämta den från din NVIDIA-portal för API-åtkomst).

Svårighetsnivå: Medel. Du kopplar in behörigheter, justerar några tröskelvärden och testar med riktiga skadeexempel.

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

Så här fungerar det

Schemalagd intake av skadeärenden. Arbetsflödet körs enligt schema, så att nya ärenden hämtas upp utan att någon måste komma ihåg att ”gå och kolla systemet”. Du kan finjustera detta efter volym, till exempel varje timme under toppar.

Skadeärenden hämtas och normaliseras. n8n hämtar nya skadeposter via HTTP Request och kör ett konfigurationssteg för att hålla fält konsekventa. Den konsekvensen är viktig senare eftersom AI-agenterna behöver förutsägbara input.

Specialiserad AI-analys körs parallellt. En aktuariell agent beräknar skadekvoter och en riskpoäng, och ett beräkningsverktyg hanterar matematiken för premiejusteringar. Därefter skriver en PM-agent den narrativa sammanfattningen, medan en riskagent fokuserar på bedrägeriindikatorer och konsekvenser för försäkringsskyddet.

Distribution sker automatiskt. Orkestratorn sammanställer slutrapporten och skickar den till Gmail för produktgranskning, och postar sedan en fokuserad Slack-notis till riskteamet. Alla ser det de behöver, utan att behöva plöja hela skadeakten.

Du kan enkelt ändra risktrösklarna så att de matchar er alertnivå utifrån behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera Schedule Trigger

Ställ in arbetsflödet så att det körs automatiskt med ett fast intervall med den inbyggda schematriggern.

  1. Lägg till noden Scheduled Claims Intake och öppna dess inställningar.
  2. Ställ in schemaregeln så att den körs var 15:e minut (minutintervall).
  3. Koppla Scheduled Claims Intake till Configuration Setup.

Tips: Om ni vill ha en annan frekvens, justera minutintervallet i Scheduled Claims Intake innan ni fortsätter.

Steg 2: anslut skadeärendenas datakälla

Definiera API-endpoints och routingvärden, och hämta sedan skadeärendedata från ert skadesystem.

  1. Öppna Configuration Setup och sätt claimsApiUrl till <__PLACEHOLDER_VALUE__Claims API endpoint URL__>.
  2. Sätt premiumThreshold till 0.05, productTeamEmail till <__PLACEHOLDER_VALUE__Product team email address__> och riskTeamSlackChannel till <__PLACEHOLDER_VALUE__Risk team Slack channel ID__>.
  3. I Retrieve New Claims sätter ni URL till {{ $('Configuration Setup').first().json.claimsApiUrl }} och aktiverar Send Headers med Content-Type satt till application/json.
  4. Koppla Configuration Setup till Retrieve New Claims.

⚠️ Vanlig fallgrop: Om ni lämnar platshållarvärdena i Configuration Setup kommer HTTP-anropet att misslyckas eller routa utdata till fel destination.

Steg 3: konfigurera aktuariell AI-analys

Använd AI-agenten för att analysera skadeärendedata, beräkna antaganden och normalisera utdata.

  1. I Actuarial Analysis Bot sätter ni Text till =Analyze the following claims data and recalculate actuarial assumptions: {{ JSON.stringify($json) }} och låter Has Output Parser vara aktiverat.
  2. Anslut Analysis LLM Model som språkmodell för Actuarial Analysis Bot.
  3. Inloggningsuppgifter krävs: Anslut era openAiApi-uppgifter i Analysis LLM Model.
  4. Bifoga Computation Tool som ett AI-verktyg för Actuarial Analysis Bot och behåll Actuarial Output Parser ansluten som output parser.
  5. Säkerställ att Actuarial Output Parser använder det angivna schemat (lossRatio, claimFrequency, averageClaimSeverity, reserveAdequacy, trendAnalysis, recommendedActions).

Tips: För AI-subnoder som Computation Tool och Actuarial Output Parser, lägg in inloggningsuppgifter i språkmodellen för överordnad nod (Analysis LLM Model), inte i subnoderna.

Steg 4: konfigurera beräkning av premiejustering

Beräkna premiejusteringar med hjälp av den aktuariella utdata och ett tröskelvärde från konfigurationen.

  1. Öppna Compute Premium Changes och behåll den angivna JavaScript Code intakt för att beräkna premiumAdjustmentPercentage, adjustmentReason och tidsstämplar.
  2. Verifiera att koden hämtar tröskelvärdet via $('Configuration Setup').first().json.premiumThreshold.
  3. Koppla Actuarial Analysis Bot till Compute Premium Changes, och koppla sedan Compute Premium Changes till Report Orchestrator.

Steg 5: konfigurera rapportorkestrering och AI-verktyg

Koordinera utkast till PM och riskgranskning via orkestreringsagenten och dess AI-verktyg.

  1. I Report Orchestrator sätter ni Text till =Coordinate the generation of actuarial memo and risk assessment for the following premium adjustment data: {{ JSON.stringify($json) }} och låter Has Output Parser vara aktiverat.
  2. Anslut Orchestrator LLM som språkmodell för Report Orchestrator.
  3. Inloggningsuppgifter krävs: Anslut era openAiApi-uppgifter i Orchestrator LLM.
  4. Bifoga Memo Drafting Tool och Risk Review Tool som AI-verktyg för Report Orchestrator.
  5. Koppla Memo LLM Model till Memo Drafting Tool och Risk LLM Model till Risk Review Tool.
  6. Inloggningsuppgifter krävs: Anslut era openAiApi-uppgifter i Memo LLM Model och Risk LLM Model.
  7. Behåll Memo Output Parser kopplad till Memo Drafting Tool, Risk Output Parser kopplad till Risk Review Tool och Final Report Parser kopplad till Report Orchestrator.

Tips: AI-verktygens subnoder (Memo Drafting Tool, Risk Review Tool och output parsers) sparar inte inloggningsuppgifter; säkerställ att inloggningsuppgifter är satta på deras överordnade LLM-noder.

Steg 6: konfigurera notifieringar för utdata

Leverera slutrapporten till produktteamet via e-post och meddela riskteamet i Slack.

  1. I Dispatch Product Email sätter ni Send To till {{ $('Configuration Setup').first().json.productTeamEmail }} och Subject till =Actuarial Update: Premium Adjustment Report - {{ $json.reportDate }}.
  2. Sätt Message i Dispatch Product Email till den tillhandahållna HTML-mallen som börjar med

    Premium Adjustment Report

    .
  3. Inloggningsuppgifter krävs: Anslut era gmailOAuth2-uppgifter i Dispatch Product Email.
  4. I Notify Risk Slack sätter ni Channel ID till {{ $('Configuration Setup').first().json.riskTeamSlackChannel }} och behåller Authentication satt till oAuth2.
  5. Inloggningsuppgifter krävs: Anslut era slackOAuth2Api-uppgifter i Notify Risk Slack.
  6. Verifiera exekveringsflödet: Report Orchestrator skickar utdata till både Dispatch Product Email och Notify Risk Slack parallellt.

⚠️ Vanlig fallgrop: Om Slack-kanal-ID:t inte är giltigt kommer Notify Risk Slack att misslyckas även när e-postutskicket lyckas.

Steg 7: testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att bekräfta att datahämtning, AI-analys och notifieringar fungerar end-to-end.

  1. Klicka på Execute Workflow för att köra ett manuellt test från Scheduled Claims Intake.
  2. Bekräfta att Retrieve New Claims returnerar data och att Actuarial Analysis Bot producerar strukturerad utdata.
  3. Verifiera att Dispatch Product Email skickar en formaterad rapport och att Notify Risk Slack publicerar varningsmeddelandet.
  4. När allt fungerar, slå på arbetsflödet med Active för att aktivera schemalagd körning var 15:e minut.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

  • Gmail-behörigheter kan löpa ut eller kräva specifika rättigheter. Om det skapar fel, börja med att kontrollera det kopplade Google-kontot i n8n-menyn Credentials.
  • Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
  • OpenAI- och NVIDIA-API-nycklar kan slå i rate limits när volymen toppar. Om Slack-varningarna plötsligt slutar, titta i dina körloggar efter 429-fel och sänk schematakten.

Vanliga frågor

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

Cirka 60 minuter om dina API:er och inkorgar är redo.

Behöver jag kunna koda för att automatisera skadegranskning?

Nej. Du kopplar mest ihop konton och klistrar in API-nycklar. Det finns en beräkningsnod med kod, men du kan låta den vara som den är.

Är n8n gratis att använda för det här arbetsflödet för Gmail Slack-automation?

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 NVIDIA-API-användning, vilket kan bli några cent per skadeärende beroende på PM-längd.

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 serveradministration.

Kan jag anpassa det här arbetsflödet för Gmail Slack-automation för olika risktrösklar?

Ja, och det bör du. Uppdatera poänglogiken i steget för aktuariell analys och justera routningsreglerna i If-noden som avgör vad som blir en Slack-varning kontra vad som stannar som ”bara e-post”. Vanliga justeringar är att höja känsligheten för bedrägeriindikatorer, ändra vad som räknas som ”hög allvarlighetsgrad” och lägga till extra fält från ert skadesystem i steget Retrieve New Claims.

Varför misslyckas min Slack-anslutning i det här arbetsflödet?

Oftast beror det på utgångna eller saknade Slack-behörigheter i den kopplade workspace. Anslut Slack-credentialn på nytt i n8n och bekräfta sedan att boten får posta i den valda kanalen. Om du nyligen bytte kanalnamn, uppdatera destinationen i Slack-noden. Rate limiting kan också ställa till det vid toppar, så kontrollera körloggen efter Slack API-fel.

Hur många skadeärenden klarar den här Gmail Slack-automationen?

I self-hosted n8n beror det på din server och API-begränsningar, men team kör ofta hundratals ärenden per dag. I n8n Cloud är det praktiska taket din månatliga körkvot och hur ofta du schemalägger intake. AI-anropen är oftast den verkliga flaskhalsen, så om volymen ökar: sänk schematakten och batcha ärenden i hämtningssteget.

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

Ofta, ja, eftersom det här inte är ett enkelt flöde av typen ”skicka ett meddelande när en rad ändras”. Du orkestrerar flera AI-agenter, gör strukturerad parsning och kör beräkningar, vilket är enklare att styra i n8n. Self-hosting spelar också roll när du har oförutsägbar ärendevolym och inte vill att varje extra steg ska öka kostnaden. Zapier eller Make kan fortfarande fungera bra för lättare notiser, men blir klumpiga när du behöver förgreningar, standardisering och djupare AI-logik. Om du vill ha hjälp att välja, prata med en automationsexpert.

När detta väl är igång slutar teamet att bygga samma ”skadeberättelse” från noll varje gång. Arbetsflödet tar hand om den repetitiva granskningsdelen så att ni kan fokusera på besluten som faktiskt kräver omdöme.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Launch login modal Launch register modal