Dina samtal finns i Gong. Dina anteckningar finns i Notion. Och på något sätt är den “sammanfattning” teamet lutar sig mot den minst pålitliga delen av hela systemet. Namn förvanskas, konkurrenter missas och två säljare går därifrån med två helt olika tolkningar av samma samtal.
RevOps får till slut städa upp. Säljchefer fastnar i att behöva ifrågasätta coachningsanteckningar. Grundare som gör egna deal reviews känner också av det. Den här Gong Notion-automatiseringen standardiserar vad som fångas upp, lägger till den kontext som din AI ofta saknar och hindrar dubbletter från att i det tysta förorena din workspace.
Du får se hur arbetsflödet hämtar Gong-samtal, berikar dem med data från Google Sheets och Notion, och sedan lämnar över ett felfritt payload till en AI-processor för samtal så att sammanfattningarna du sparar blir konsekventa och användbara.
Så fungerar den här automatiseringen
Här är hela arbetsflödet som du kommer att sätta upp:
n8n Workflow Template: Gong till Notion: pålitliga, enhetliga samtalsresuméer
flowchart LR
subgraph sg0["When clicking ‘Test workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Test workflow’", pos: "b", h: 48 }
n1["<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/gong.svg' width='40' height='40' /></div><br/>Gong"]
n2@{ icon: "mdi:cog", form: "rounded", label: "Transcript Processor", pos: "b", h: 48 }
n3@{ icon: "mdi:play-circle", form: "rounded", label: "Execute Workflow Trigger", pos: "b", h: 48 }
n4@{ icon: "mdi:cog", form: "rounded", label: "Call Aggregator", pos: "b", h: 48 }
n5@{ icon: "mdi:cog", form: "rounded", label: "Integration Aggregator", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: "Get Integrations", pos: "b", h: 48 }
n7@{ icon: "mdi:swap-vertical", form: "rounded", label: "Comma Separate Integrations", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-vertical", form: "rounded", label: "Comma separate competitors", pos: "b", h: 48 }
n9["<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/notion.dark.svg' width='40' height='40' /></div><br/>Get list of Competitors"]
n10["<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/merge.svg' width='40' height='40' /></div><br/>Merge 3 objects into one"]
n11@{ icon: "mdi:cog", form: "rounded", label: "Aggregate Call Data", pos: "b", h: 48 }
n12@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out Call Data and Comp..", pos: "b", h: 48 }
n13@{ icon: "mdi:cog", form: "rounded", label: "Reduce down to 1 object", pos: "b", h: 48 }
n14["<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/notion.dark.svg' width='40' height='40' /></div><br/>Get Previous Phone Calls"]
n15@{ icon: "mdi:swap-vertical", form: "rounded", label: "Isolate Only Call IDs", pos: "b", h: 48 }
n16["<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/compare.svg' width='40' height='40' /></div><br/>Only Process New Calls"]
n17@{ icon: "mdi:swap-vertical", form: "rounded", label: "Loop Over Calls", pos: "b", h: 48 }
n18@{ icon: "mdi:cog", form: "rounded", label: "Process All Call Transcripts", pos: "b", h: 48 }
n19@{ icon: "mdi:cog", form: "rounded", label: "Receive all Transcripts", pos: "b", h: 48 }
n1 --> n4
n4 --> n10
n17 --> n19
n17 --> n2
n6 --> n5
n11 --> n12
n2 --> n17
n15 --> n16
n5 --> n7
n16 --> n17
n9 --> n8
n19 --> n18
n13 --> n14
n3 --> n1
n3 --> n9
n3 --> n6
n14 --> n15
n10 --> n11
n10 --> n13
n8 --> n10
n7 --> n10
n0 --> n1
n0 --> n6
n0 --> n9
n12 --> n16
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,n3 trigger
class n6,n9,n14 database
class n0 disabled
class n1 disabled
classDef customIcon fill:none,stroke:none
class n1,n9,n10,n14,n16 customIcon
Varför detta är viktigt: sammanfattningar glider isär, och teamet får betala för det
Säljsamtal är inte en bristvara. Korrekt tolkning är det. Gong ger dig transkriptioner, inspelningar, metadata och länkar, men det jobbiga börjar efteråt: att göra om råmaterialet till något teamet kan lita på i Notion. Om du någon gång har klistrat in en transkription i ett AI-verktyg och fått tillbaka en självsäker men felaktig sammanfattning, så känner du igen problemet. Sedan rättar någon till den, skriver om avsnitt i “vår stil”, lägger till saknad konkurrentkontext från minnet och försöker komma ihåg om samtalet redan loggades förra veckan. Det är rörigt, och det blir värre för varje dag.
Var för sig är det här irritationsmoment. Tillsammans blir det ett rapporterings- och coachningsproblem som aldrig riktigt försvinner.
- Team lägger cirka 15 minuter per samtal på att omformatera och “normalisera” anteckningar bara för att de ska se konsekventa ut i Notion.
- AI-sammanfattningar varierar kraftigt när modellen inte känner till era produktnamn, integrationer eller de konkurrenter ni följer internt.
- Dubbletter av samtal smyger in när du kör exporter eller synkjobb igen, och då börjar folk misstro databasen.
- Coachningen blir sämre eftersom chefer reagerar på en sammanfattning, inte en pålitlig, strukturerad bild av vad som faktiskt hände.
Det du bygger: berikade Gong-samtal som landar i Notion redo för AI
Det här arbetsflödet fungerar som en intake- och förberedelselina för Gong. Det börjar med att hämta dina senaste Gong-samtal (med inspelning och metadata), och samlar sedan “affärskontext” från de ställen där team faktiskt underhåller den: ett Google Sheet med integrationsdetaljer och en Notion-katalog över konkurrenter. De här strömmarna slås ihop till ett konsekvent payload, därefter rensar och strukturerar arbetsflödet transkriptionen så att din AI-sammanfattare inte gissar vad som är viktigt. Innan något sparas kontrollerar det Notion efter tidigare samtal och filtrerar bort dubbletter, så att omkörningar inte skapar dubbla poster. Slutligen routas varje förberett samtal till ett dedikerat underarbetsflöde för AI-samtalsprocessor som genererar den strukturerade sammanfattning du vill ha, varje gång.
Arbetsflödet startar i n8n via en manuell körning eller en trigger från ett anslutet underarbetsflöde. Därefter berikar det varje samtal med integrations- och konkurrentkontext. Sedan batchar det samtal genom en AI-sammanfattningspipeline och samlar resultaten för lagring och rapportering längre fram.
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att teamet granskar 20 Gong-samtal i veckan och vill ha varje samtal sammanfattat i Notion med konsekventa avsnitt. Manuellt är det ofta 10 minuter att hitta rätt samtal, 10 minuter att klistra in en transkription och prompta om AI:n, och ytterligare 10 minuter för att rätta namngivningsfel och formatering, alltså ungefär 30 minuter per samtal. Det blir cirka 10 timmar i veckan av “sammanfattningsjobb”. Med det här arbetsflödet startar du bearbetningen på några minuter, låter batchningen gå i bakgrunden och gör mest stickprovskontroller. För många team innebär det flera timmar tillbaka varje vecka.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Gong för samtalsinspelningar, transkriptioner och metadata.
- Notion för att lagra samtal och hämta poster ur konkurrentkatalogen.
- Google Sheets för integrationskontext som din AI behöver.
- OpenAI API-nyckel (hämta den i OpenAI-dashboarden).
Kunskapsnivå: Medel. Du kopplar några appar, mappar fält och bekräftar överlämningen till underarbetsflödet för AI-sammanfattning.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
Gong-samtal går in i arbetsflödet. En manuell körning kan hämta en batch på beställning, eller så triggar du det från ett överordnat arbetsflöde. Arbetsflödet hämtar samtalsinspelningar, transkriptdata, möteslänkar, längd och annan metadata från Gong.
Kontext kopplas på från dina “source of truth”-verktyg. Google Sheets ger integrationslistan som teamet underhåller, medan Notion levererar konkurrentnamn och eventuella anteckningar du vill att AI:n ska ta hänsyn till. Arbetsflödet slår ihop dessa strömmar så att varje samtal sammanfattas med samma referenskontext.
Dubbletter filtreras innan du slösar AI-tokens. Arbetsflödet frågar Notion efter tidigare processade samtalsidentifierare, extraherar en jämförbar uppsättning ID:n och filtrerar payloaden för nya samtal mot det som redan är lagrat. Om ett samtal redan finns i Notion så processas det inte igen.
Samtal batchas genom ditt underarbetsflöde för AI-sammanfattning. Varje samtal delas upp i individuella payloads, rensas till en AI-vänlig struktur och skickas sedan till ett execute-workflow-steg (din AI-samtalsprocessor). Resultaten samlas in på slutet så att du kan lagra, granska eller routa dem dit teamet behöver.
Du kan enkelt ändra berikningskällor (Sheets, Notion eller båda) för att matcha din befintliga sales ops-stack. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera den manuella triggern
Konfigurera den manuella triggern så att ni kan köra arbetsflödet vid behov under konfiguration och testning.
- Öppna arbetsflödet och välj Manual Execution Start.
- Säkerställ att noden är aktiverad (den är för närvarande inaktiverad) så att ni kan trigga tester.
- Bekräfta det initiala flödet: Manual Execution Start skickar output till Retrieve Gong Calls, Retrieve Integration List och Fetch Competitor Catalog parallellt.
Steg 2: Anslut källor för Gong, Google Sheets och Notion
Konfigurera de tre parallella datakällorna som matar in samtalsloggar, integrationer och konkurrentdata.
- Öppna Retrieve Gong Calls och anslut inloggningsuppgifter. Credential Required: Anslut era
gongApi-uppgifter. - Ställ in filtren i Retrieve Gong Calls med uttryck: fromDateTime till
={{ $now.minus({ days: 2 }).toISO() }}och toDateTime till={{ $now.toISO() }}. Låt Return All vara aktiverad. - Öppna Retrieve Integration List och anslut inloggningsuppgifter. Credential Required: Anslut era
googleSheetsOAuth2Api-uppgifter. - Ställ in Document ID till
[YOUR_ID]och Sheet Name tillSheet1i Retrieve Integration List. - Öppna Fetch Competitor Catalog och anslut inloggningsuppgifter. Credential Required: Anslut era
notionApi-uppgifter. - Ställ in Resource till
databaseoch Database ID till[YOUR_ID]i Fetch Competitor Catalog.
[YOUR_ID]-platshållare med faktiska ID:n för Google Sheets och Notion, annars kommer dessa noder att returnera tomma resultat.Steg 3: Aggregera och slå ihop de tre parallella strömmarna
Aggregera varje ström och slå ihop dem till en enda kombinerad payload för vidare bearbetning.
- Konfigurera Aggregate Call Records med Aggregate satt till
aggregateAllItemDataoch Destination Field Name satt tillcalls. - I Aggregate Integration Data, säkerställ att fältaggregeringen inkluderar Google Sheets.
- Ställ in Join Integrations Text så att fältet integrations skapas med
={{ $json["Google Sheets"].join() }}. - Ställ in Join Competitor Names så att fältet competitors skapas med
={{ $jmespath($json.properties['Competitor vs.'].select.options, '[].name').join() }}. - Konfigurera Combine Three Streams med Number of Inputs satt till
3så att den slår ihop samtal, integrationer och konkurrenter. - Notera att Combine Three Streams skickar output både till Consolidate Call Info och Aggregate Single Record parallellt.
Steg 4: Konsolidera samtalsdata och filtrera nya samtal
Forma den sammanslagna payloaden, dela upp samtal till items och jämför mot befintliga samtalsloggar i Notion.
- I Consolidate Call Info, ställ in Aggregate till
aggregateAllItemDataoch Destination Field Name tillcalldata. - Konfigurera Split Call Payload med Field To Split Out satt till
calldata[0].callsoch Fields To Include satt tillcalldata[1].integrations, , calldata[2].competitors. - Öppna Retrieve Prior Calls och anslut inloggningsuppgifter. Credential Required: Anslut era
notionApi-uppgifter. - Ställ in Retrieve Prior Calls till Resource
databasePage, OperationgetAlloch aktivera Return All. Ställ in Database ID till[YOUR_ID]. - I Extract Call Identifiers, mappa Call ID till
={{ $json.property_gong_call_id ? $json.property_gong_call_id : "none" }}. - I Filter New Calls, ställ in Resolve till
preferInput1och mappa merge-fälten till field1['calldata[0].calls'].idoch field2Call ID.
property_gong_call_id.Steg 5: Konfigurera underarbetsflöden och batchbearbetning
Batcha nya samtal och skicka dem till underarbetsflöden för transkriptbearbetning eller berikning.
- Konfigurera Batch Through Calls för att hantera batchar (standardinställningarna är okej tills vidare).
- Öppna Run Sub-Workflow (Configure Required) och välj rätt Workflow ID för att bearbeta varje samtalsbatch.
- Bekräfta flödet: Batch Through Calls skickar items till Collect Transcript Results och loopar tillbaka till Run Sub-Workflow (Configure Required) för batchbearbetning.
- Öppna Run Sub-Workflow (Configure Required) 2 och välj nedströmsarbetsflödet för efterbearbetning av transkriptresultat.
- Låt Collect Transcript Results vara en platshållarnod för att konsolidera output från Batch Through Calls innan det andra underarbetsflödet körs.
Steg 6: Testa och aktivera ert arbetsflöde
Kör ett komplett manuellt test för att verifiera datahämtning, sammanslagning, filtrering och körning av underarbetsflöden.
- Klicka på Execute Workflow och bekräfta att Manual Execution Start triggar alla tre grenar parallellt.
- Kontrollera att Retrieve Gong Calls returnerar samtal från de senaste två dagarna och att Aggregate Call Records skickar ut arrayen
calls. - Verifiera att Retrieve Integration List och Fetch Competitor Catalog fyller Join Integrations Text och Join Competitor Names med sammanfogad text.
- Säkerställ att Filter New Calls endast skickar ut samtal som inte finns i Retrieve Prior Calls.
- Validera att Run Sub-Workflow (Configure Required) och Run Sub-Workflow (Configure Required) 2 körs utan fel med era valda underarbetsflöden.
- När resultaten ser korrekta ut, aktivera arbetsflödet för produktionskörningar.
Tips för felsökning
- Gong-credentials kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först din Gong API-åtkomst och scopes i n8n:s Credentials.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
- Notion-uppslag misslyckas ofta för att databas-ID:t är fel eller för att integrationen saknar åtkomst. Bekräfta att Notion-anslutningen kan läsa konkurrentkatalogen och databasen för “tidigare samtal”.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera output för alltid.
Snabba svar
Cirka 30–60 minuter om din åtkomst till Gong, Notion och Sheets är redo.
Nej. Du kopplar främst konton och mappar några fält i n8n.
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 med OpenAI API-kostnader, vilket oftast är några cent per sammanfattat samtal beroende på transkriptets längd.
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.
Ja, och det bör du sannolikt göra. Du kan byta ut steget med Google Sheets “integrationslista” mot en CRM-tabell, eller ersätta Notions konkurrentkatalog med en annan databas genom att ändra noderna för hämtning från Google Sheets och Notion. Vanliga justeringar är att lägga till fler berikningsfält (bransch, segment, ICP), justera vad som räknas som en “dubblett” i jämförelsen av samtalsidentifierare och anpassa payloaden som skickas in i AI-processorn via execute-workflow så att sammanfattningen matchar teamets format.
Oftast beror det på en utgången eller saknad Gong API-credential i n8n. Generera om din Gong API-åtkomst (eller auktorisera igen, beroende på hur du kopplade den) och uppdatera credential som används av noden “Retrieve Gong Calls”. Kontrollera också att Gong-användaren/servicekontot har behörighet att läsa samtal och transkriptioner för de team du försöker processa.
Det kan hantera tiotals till hundratals samtal per dag om du batchar dem och dina AI API-gränser tillåter det.
För det här use caset är svaret ofta ja. n8n är bättre när du behöver berikning från flera strömmar (Sheets plus Notion), datasetjämförelser för avduplicering och en kontrollerad batch-genom-AI-process utan prispåslag för varje förgrening. Zapier och Make kan fungera, men arbetsflödet blir klumpigt när du behöver “slå upp tidigare samtal, jämföra, och sedan förgrena till ett underarbetsflöde per samtal”. Dessutom spelar n8n:s self-hosting-alternativ roll om du processar mycket samtalsdata varje vecka. Om du bara sammanfattar en handfull samtal och vill ha den enklaste tvåapp-setupen kan Zapier eller Make gå snabbare att komma igång med. Prata med en automationsexpert om du vill ha hjälp att välja.
Det här är så “sätt en gång” automatisering ska kännas: samtalsdata kommer in, kontext appliceras och Notion får sammanfattningar som teamet faktiskt kan lita på. Ärligt talat är just förtroendet vinsten.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.