Nya dokument landar i din Google Drive och plötsligt gör du samma sak igen. Ladda ner, öppna, kisa på en PDF, kopiera värden, klistra in i ett kalkylark, fixa formateringen och sedan göra om allt när nästa fil kommer.
Den här automatiseringen för Drive Sheets-extraktion drabbar ofta marketing ops först (leadlistor, sponsorformulär, kreativa beställningar). Men byråägare som hanterar kundintag och kontorsansvariga som spårar kvitton känner också av slitet. Resultatet är enkelt: nya uppladdningar blir felfria, redo-att-använda rader i Google Sheets utan ständig manuell inmatning.
Du får se hur flödet identifierar dokumenttypen, extraherar rätt fält med OCR och layouttolkning och sedan lägger till data i rätt kalkylark automatiskt.
Så fungerar automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Google Drive till Google Sheets: datainmatning klar
flowchart LR
subgraph sg0["Monitor Uploads Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Monitor Uploads", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "Download File", pos: "b", h: 48 }
n5@{ icon: "mdi:cog", form: "rounded", label: "VLM Run for Extraction", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: "Check Document Type", pos: "b", h: 48 }
n9@{ icon: "mdi:cog", form: "rounded", label: "Download File2", pos: "b", h: 48 }
n1 --> n7
n9 --> n5
n0 --> n1
n7 --> n9
end
subgraph sg1["AI Agent for Storing Flow"]
direction LR
n2@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n3@{ icon: "mdi:web", form: "rounded", label: "Append row", pos: "b", h: 48 }
n4@{ icon: "mdi:database", form: "rounded", label: "Get row(s) from sheets", pos: "b", h: 48 }
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/>Receives Extracted Data"]
n8@{ icon: "mdi:robot", form: "rounded", label: "AI Agent for Storing Dynamic..", pos: "b", h: 48 }
n3 -.-> n8
n2 -.-> n8
n4 -.-> n8
n6 --> n8
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 trigger
class n7,n8 ai
class n2 aiModel
class n4 database
class n3,n6 api
classDef customIcon fill:none,stroke:none
class n6 customIcon
Utmaningen: manuell dokumenthantering som aldrig förblir konsekvent
Dokumentintag är lömskt. Det ser ut som “bara några uppladdningar” tills du inser att varje filtyp har sin egen layout, sina egna namngivningsvanor och sin egen uppsättning fält som någon behöver i ett kalkylark. Kvitton kommer som sneda mobilbilder. CV:n är PDF:er med olika avsnitt. Skadeblanketter har tabeller som aldrig kopieras snyggt. Sedan kommer den mänskliga faktorn: någon glömmer en kolumn, klistrar in i fel ark eller namnger ett dokument fel och det försvinner i Drives limbo. Det är inte svårt arbete. Det är dränerande arbete.
Och det bygger upp snabbt. Här är var friktionen eskalerar.
- Du slutar med att öppna och läsa om samma typ av PDF bara för att plocka ut ett fåtal fält.
- Ett inkonsekvent filnamn eller en saknad kolumnrubrik kan skapa fel i rapporteringen för hela veckan.
- Team “löser” det genom att skapa fler kalkylark, vilket gör att datan sprids och blir svårare att granska.
- Även noggranna personer gör copy-paste-misstag, särskilt när dokumentlayouten ändras.
Lösningen: autoklassificera dokument och extrahera fält till rätt Sheet
Det här flödet bevakar en specifik Google Drive-mapp efter nya uppladdningar (kvitton, CV:n, skadeärenden, läkarorder, ritningar, ärligt talat vad som helst). När en fil landar hämtar det dokumentet från Drive och ber Google Gemini identifiera vilken typ av dokument det är. Sedan kör det extrahering med hög precision via noden VLM Run (OCR plus layouttolkning), som returnerar strukturerad JSON i stället för en rörig textvägg. Till sist mappar en AI-agent den JSON:en till rätt Google Sheet genom att slå upp dokumenttypen i ett “masterreferens”-ark. Om ett matchande ark finns hämtar den rubrikerna och lägger till en korrekt formaterad ny rad. Om rubriker inte finns ännu kan den skapa dem från JSON-nycklarna och sedan fylla i värdena.
Flödet startar med en Drive-uppladdningstrigger. Därifrån klassar den dokumenttypen med Gemini och extraherar strukturerade fält med VLM Run. AI-agenten routar datan till rätt Google Sheet och lägger till raden med ett Google Sheets-verktyg plus ett steg med HTTP-förfrågan.
Vad som förändras: före vs. efter
| Detta elimineras | Effekten du märker |
|---|---|
|
|
Effekt i verkligheten
Säg att ditt team tar emot 25 dokument i veckan i Drive och att varje dokument tar cirka 10 minuter att klassificera, extrahera nyckelfält och klistra in i rätt Google Sheet. Det är ungefär 4 timmar av monotont arbete, plus avbrott. Med det här flödet sjunker “människotiden” till cirka 5 minuter totalt för att ladda upp (eller dra in i mappen) och stickprovskontrollera raden, medan AI-bearbetningen kör i bakgrunden. Du får tillbaka merparten av de timmarna varje vecka och arket förblir felfritt.
Krav
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Drive för att bevaka en mapp och ladda ner filer
- Google Sheets för att lagra extraherade fält som rader
- VLM Run API-uppgifter (hämta dem i din VLM Run-kontopanel)
Kunskapsnivå: Medel. Du är bekväm med att koppla Google OAuth, klistra in API-uppgifter och redigera en AI-prompt noggrant.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Flödet steg för steg
En fil hamnar i din Drive-mapp. Google Drive Trigger bevakar nya uppladdningar i mappen du väljer, så intaget startar i samma stund någon lägger in ett dokument.
Flödet hämtar filen och tar reda på vad det är. Det laddar ner dokumentet från Google Drive och använder sedan Google Gemini för att identifiera dokumenttypen (kvitto, CV, skadeärende, läkarorder, ritning osv.). Den klassificeringen är routningsnyckeln för allt som följer.
Extraheringen gör om dokumentet till strukturerad JSON. Noden VLM Run hanterar OCR och layouttolkning så att tabeller, rubriker och “konstig PDF-mellanrumssättning” inte förstör din data. Du får inte bara text. Du får fält.
Rader läggs till i rätt kalkylark automatiskt. En AI-agent slår upp dokumenttypen i ditt masterreferensark i Google Sheets, hämtar målarkets Spreadsheet ID, hämtar rubriker vid behov och lägger till värdena med Google Sheets-verktyg plus en HTTP-förfrågan.
Du kan enkelt ändra masterreferensens mappning för att routa till nya Sheets utifrån dina behov. Se hela implementeringsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera Google Drive-triggern
Konfigurera arbetsflödet så att det startar när en fil laddas upp till en specifik Google Drive-mapp.
- Lägg till noden Detect Drive Uploads och ställ in Event på
fileCreated. - Ställ in Trigger On på
specificFolder. - Välj mappen i Folder to Watch (t.ex.
[YOUR_ID]). - Credential Required: Anslut era
googleDriveOAuth2Api-inloggningsuppgifter.
Steg 2: Ladda ner den uppladdade filen från Drive
Hämta den uppladdade filen och skicka den vidare för analys och extrahering av dokumenttyp.
- Lägg till Retrieve Drive File och ställ in Operation på
download. - Ställ in File ID på
{{ $json.id }}. - Ställ in Binary Property Name på
data. - Credential Required: Anslut era
googleDriveOAuth2Api-inloggningsuppgifter. - Lägg till Retrieve Drive File B och ställ in Operation på
downloadmed File ID satt till{{ $('Detect Drive Uploads').item.json.id }}. - Ställ in Binary Property Name på
data2i Retrieve Drive File B. - Credential Required: Anslut era
googleDriveOAuth2Api-inloggningsuppgifter i Retrieve Drive File B.
Steg 3: Sätt upp identifiering av dokumenttyp
Använd Gemini för att klassificera dokumenttypen baserat på filinnehållet.
- Lägg till Identify Document Type efter Retrieve Drive File.
- Ställ in Text på
analyze the document and reply the document type only. - Ställ in Resource på
documentoch Input Type påbinary. - Välj Model som
models/gemini-2.5-flash. - Credential Required: Anslut era
googlePalmApi-inloggningsuppgifter.
Steg 4: Konfigurera VLM-extraktion med callback
Skicka dokumentet till VLM-agenten för strukturerad dataextraktion och ställ in callback till webhooken.
- Lägg till VLM Extract Agent efter Retrieve Drive File B.
- Ställ in Operation på
executeAgentoch File pådata2. - Ställ in Agent Prompt på
=check the {{ $json.content.parts[0].text }} document and extract data according to the document type.. - Ställ in Agent Callback URL på
https://example.com/webhook(ersätt med er webhook-URL från Webhook Data Intake). - Credential Required: Anslut era
vlmRunApi-inloggningsuppgifter.
Steg 5: Orkestrera sheet-routning och verktyg
Ta emot VLM-svaret och använd en AI-agent för att routa data till rätt Google Sheet med hjälp av verktyg.
- Lägg till Webhook Data Intake och ställ in HTTP Method på
POSTmed Path satt tillauto. - Lägg till Dynamic Sheet Orchestrator och ställ in Text på
=JSON Input: {{ JSON.stringify($('Webhook Data Intake').item.json.body) }}. - Bekräfta att systeminstruktionerna i Dynamic Sheet Orchestrator beskriver hur man hittar sheet-ID:n och lägger till rader med hjälp av verktyg.
- Anslut Fetch Sheet Rows som ett AI-verktyg till Dynamic Sheet Orchestrator och ställ in Sheet Name på
Sheet1med Document ID satt till{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Document', ``, 'string') }}. - Anslut Append Sheet Row som ett AI-verktyg till Dynamic Sheet Orchestrator och ställ in URL på
{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('URL', `must match this format:\nhttps://sheets.googleapis.com/v4/spreadsheets/[YOUR_ID]/values/Sheet1!A:Z:append`, 'string') }}. - Ställ in JSON Body i Append Sheet Row på
{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('JSON', `must match this format:\n{ "majorDimension": "ROWS", "values": [ ["val1", "val2"] ] }`, 'json') }}. - Credential Required: Anslut era
googleSheetsOAuth2Api-inloggningsuppgifter i både Fetch Sheet Rows och Append Sheet Row.
Steg 6: Konfigurera språkmodellen för orkestrering
Koppla OpenAI-modellen som driver agentens resonemang och val av verktyg.
- Anslut OpenAI Chat Engine till Dynamic Sheet Orchestrator som AI-språkmodell.
- Ställ in Model på
gpt-4.1. - Credential Required: Anslut era
openAiApi-inloggningsuppgifter i OpenAI Chat Engine.
Steg 7: Testa och aktivera ert arbetsflöde
Kör ett live-test för att validera filhantering, dokumentklassificering och sheet-uppdateringar, och aktivera sedan arbetsflödet.
- Klicka på Execute Workflow och ladda upp en testfil till den övervakade Drive-mappen.
- Verifiera körvägen: Detect Drive Uploads → Retrieve Drive File → Identify Document Type → Retrieve Drive File B → VLM Extract Agent.
- Trigga callbacken till Webhook Data Intake och bekräfta att Dynamic Sheet Orchestrator anropar Fetch Sheet Rows och Append Sheet Row.
- En lyckad körning ska visa nya rader som lagts till i mål-Google Sheet med mappade värden.
- Växla arbetsflödet till Active för att aktivera kontinuerlig bearbetning.
Se upp för
- Google Drive-inloggningar kan löpa ut eller tappa mappbehörigheter. Om uppladdningar inte upptäcks, kontrollera n8n-credential-anslutningen och bekräfta att den bevakade mappen fortfarande är åtkomlig.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du att redigera utdata i all evighet.
Vanliga frågor
Cirka en timme om dina Google-konton redan är anslutna.
Ja, men du vill göra en noggrann initial uppsättning. Huvudarbetet är att ansluta Google Drive/Sheets och klistra in dina VLM Run-uppgifter och sedan testa med några exempeldokument.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna in VLM Run-kostnader för extrahering samt eventuell Gemini/OpenAI-användning kopplad till din dokumentvolym.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsat antal körningar men kräver grundläggande serveradministration.
Du anpassar främst AI-agentens prompt i “Dynamic Sheet Orchestrator” så att den mappar de JSON-fält du bryr dig om. Vanliga justeringar är att byta namn på nycklar för att matcha dina befintliga kolumnrubriker, tvinga fram obligatoriska fält (som leverantörsnamn eller projekt-ID) och lägga till en regel för vad som ska hända när tillförlitligheten är låg (lägg till ändå vs. skicka för granskning). Du kan också bygga ut masterreferensarket så att en dokumenttyp routas till olika Sheets baserat på kund, region eller kampanjnamn.
Oftast beror det på utgångna OAuth-uppgifter eller att mappbehörigheten har ändrats. Anslut Google Drive på nytt i n8n och bekräfta sedan att triggern pekar på rätt mapp och att kontot fortfarande har åtkomst. Om filen laddas ner men senare steg fallerar kan dokumentet vara blockerat (lösenordsskyddad PDF) eller för stort för dina nuvarande extraheringsinställningar.
Det beror på din n8n-plan och hur snabbt din extraheringsleverantör svarar. På n8n Cloud Starter kan du utan problem köra några tusen exekveringar per månad, och högre nivåer klarar mer. Om du kör egen hosting finns ingen gräns för exekveringar, men serverresurser och API-begränsningar avgör den faktiska genomströmningen.
Ofta, ja. Det här flödet bygger på flersteglogik: klassificera ett dokument, extrahera strukturerad JSON, slå upp ett målark, eventuellt skapa rubriker och sedan lägga till rader. n8n hanterar den typen av förgreningar och “om detta, så det där” utan att bli skört. Du har också möjligheten att köra egen hosting, vilket spelar roll om du processar många filer och inte vill att varje körning ska mätas och prissättas. Zapier eller Make kan fortfarande fungera om dina dokument är väldigt konsekventa och du bara behöver en enkel push in i ett kalkylark. Om du är osäker, prata med en automationsexpert så stresstestar vi ditt use case.
När detta väl rullar blir Drive din inkorg för intag och Sheets din levande databas. Det repetitiva hamnar i bakgrunden, precis där det hör hemma.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.