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

Google drive till LinkedIn, kö i Google sheets

Rickard Andersson Partner, Nodenordic.se

Ditt LinkedIn‑”content system” ser bra ut på papper. Sedan slår verkligheten till. En PDF full av idéer ligger i Google Drive, ditt utkastdokument blir en röra och publiceringen blir en sista‑minuten‑stress som du upprepar varje vecka.

Det här är exakt det som marknadschefer klagar på, men grundare och byråledare känner av det också. En stabil Drive LinkedIn automation gör de bortglömda PDF:erna till en strukturerad publiceringskö, så att du kan publicera utan att behöva jaga ikapp.

Det här flödet bevakar en Drive‑mapp efter bok‑PDF:er, använder AI för att extrahera och skapa postutkast, sparar dem i Google Sheets och publicerar en per dag på LinkedIn. Du får se hur flödet fungerar, vad du behöver och var team oftast kör fast.

Så fungerar den här automatiseringen

Hela n8n‑workflowet, från trigger till slutresultat:

n8n Workflow Template: Google drive till LinkedIn, kö i Google sheets

Problemet: LinkedIn‑publicering blir ett manuellt slit

Om du skapar LinkedIn‑innehåll från böcker, PDF:er, researchdokument eller playbooks är flaskhalsen oftast inte ”idéer”. Det är jobbet mellan idé och publicering. Du hittar ett bra avsnitt, kopierar ut det, skriver om, vässar kroken, lägger till en CTA, kapar tecken och klistrar sedan in det någonstans där du tror att du kommer hitta det senare. Nästa vecka hittar du det inte. Eller så postar du något som är för likt förra månaden eftersom du inte spårade vad som redan gått live. Den mentala belastningen är konstant, och helt ärligt gör det att konsekvens känns svårare än det behöver vara.

Friktionen byggs på.

  • En bra PDF kan generera dussintals inlägg, men det mesta av värdet blir aldrig publicerat eftersom utkast och formatering tar för lång tid.
  • Utan en riktig kö slutar du med att läsa om samma material och göra om samma omskrivningar.
  • Statusspårning blir slarvig, så dubbletter händer och ”vad postades när?” blir till gissningar.
  • Schemaläggningsverktyg löser inte idéarbetet, och ett dokument fullt av utkast publicerar inte sig självt.

Lösningen: gör bok‑PDF:er till en daglig LinkedIn‑kö

Det här n8n‑flödet kopplar ihop platserna du redan använder: Google Drive för källmaterial, AI för utkast, Google Sheets för kön och LinkedIn för publicering. När en PDF läggs till eller uppdateras i en specifik Drive‑mapp laddar flödet ner den, extraherar texten och delar upp den i läsbara chunkar. OpenAI skapar embeddings (tänk: en sökbar ”betydelsekarta” av innehållet), och de embeddings lagras i Pinecone så att flödet kan hämta relevanta idéer senare i stället för att gissa. Därefter söker en LangChain‑agent i bokinnehållet, föreslår fem inläggsidéer och skriver om varje till ett koncist LinkedIn‑redo utkast med hook, insikt och CTA. Till sist sparas varje utkast i ett Google‑ark med publiceringsstatus, och ett dagligt schema postar ett opublicerat utkast på LinkedIn och markerar det som publicerat.

Flödet börjar med att bevaka en Google Drive‑mapp. Det gör en PDF till en sökbar kunskapsbas i Pinecone, genererar fem strukturerade inläggsidéer och formaterar dem till korta inlägg (under cirka 600 tecken). Därefter blir Google Sheets din ”enda kö”, och den schemalagda körningen publicerar en per dag utan att du behöver röra något.

Det du får: automatisering vs. resultat

Exempel: så här ser det ut

Säg att du lägger till en ny bok‑PDF varje vecka och vill publicera ett inlägg om dagen. Manuellt tar det lätt cirka 2 timmar per bok att plocka fram fem användbara vinklar ur ett kapitel, skriva om dem och formatera dem för LinkedIn, ibland mer om du är petig. Med det här flödet släpper du PDF:en i Drive och låter det generera fem utkast i Google Sheets, sedan publicerar schemat ett per dag. Din manuella tid blir en snabb genomgång (kanske 10 minuter) i stället för en hel skrivsession.

Det du behöver

  • n8n‑instans (prova n8n Cloud gratis)
  • Alternativ för self‑hosting om du föredrar det (Hostinger fungerar bra)
  • Google Drive för att lagra och bevaka dina PDF:er
  • Google Sheets för att hantera utkast och publiceringsstatus
  • LinkedIn för att publicera inlägg via OAuth‑anslutning
  • Pinecone för vektorlager och bokspecifik sökning
  • OpenAI API‑nyckel (hämta den i din OpenAI‑dashboard)
  • Pinecone API‑nyckel (hämta den i Pinecone‑konsolen)

Kompetensnivå: Medel. Du kopplar konton, skapar ett ark med rätt kolumner och klistrar in ett par API‑nycklar.

Vill du inte sätta upp det här själv? Prata med en automatiseringsexpert (gratis 15‑minuters konsultation).

Så fungerar det

En PDF ändras i Google Drive. Flödet bevakar en specifik mapp och laddar sedan ner den nya eller uppdaterade filen så att den kan bearbetas direkt.

Innehållet blir sökbart. n8n extraherar PDF‑texten, delar upp den i chunkar, skapar embeddings med OpenAI och sparar dem i Pinecone under ett namespace baserat på bokens filnamn.

AI genererar idéer och utkast. En LangChain‑agent frågar Pinecone efter det bästa materialet, returnerar fem strukturerade inläggsidéer (hook, insikt, CTA), och därefter skriver ett annat AI‑steg om varje till ett LinkedIn‑redo inlägg under cirka 600 tecken, inklusive hashtags och ton‑guidning.

Google Sheets blir din publiceringskö. Utkast lagras i ett ark med statusfält som ”publicerad” och en datumkolumn, och sedan hämtar ett dagligt schema en opublicerad rad, postar den på LinkedIn och uppdaterar statusen.

Du kan enkelt ändra publiceringsschemat för att publicera oftare (eller mer sällan) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera triggern för Drive File Update

Det här arbetsflödet startar när en PDF uppdateras i en specifik Google Drive-mapp, så triggern behöver bevaka rätt plats.

  1. Lägg till och öppna Drive File Update Trigger.
  2. Ställ in EventfileUpdated.
  3. Ställ in Trigger OnspecificFolder och välj mappen för LinkedIn-käll-PDF:er.
  4. Inloggningsuppgifter krävs: anslut era googleDriveOAuth2Api-inloggningsuppgifter.

⚠️ Vanlig fallgrop: om mapp-ID:t lämnas som [YOUR_ID] kommer triggern inte att upptäcka uppdateringar. Ersätt det med ett riktigt mapp-ID.

Steg 2: anslut Google Drive och tolka PDF:en

Den här delen laddar ner den uppdaterade filen och extraherar dess text för indexering.

  1. Öppna Fetch PDF File och ställ in Operationdownload.
  2. Ställ in File ID={{ $json.id }}.
  3. Inloggningsuppgifter krävs: anslut era googleDriveOAuth2Api-inloggningsuppgifter.
  4. Öppna Parse PDF Content och ställ in Operationpdf.

Steg 3: konfigurera vektorindexering och AI-generatorn för idéer

Dessa noder lagrar PDF-innehållet i Pinecone och genererar strukturerade LinkedIn-idéer med OpenAI.

  1. Öppna Pinecone Vector Indexer, ställ in Modeinsert och ställ in Pinecone Namespace={{ $('Fetch PDF File').item.json.name }}.
  2. Inloggningsuppgifter krävs: anslut era pineconeApi-inloggningsuppgifter i Pinecone Vector Indexer.
  3. Säkerställ att OpenAI Embedding Generator är ansluten som embedding-modell för Pinecone Vector Indexer. Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter.
  4. Bekräfta att Standard Data Loader och Recursive Text Chunker är kopplade in i flödet för vektorindexeraren (inga inloggningsuppgifter behövs).
  5. Öppna LinkedIn Idea Agent och behåll Text inställd på =Name of the book: {{ $('Drive File Update Trigger').item.json.originalFilename }}.
  6. Anslut OpenAI Chat Engine som språkmodell för LinkedIn Idea Agent. Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter.
  7. Anslut Pinecone Vector Tool som verktyg för LinkedIn Idea Agent med Mode inställd på retrieve-as-tool, Tool Namelinkedinpostnew och Tool Descriptionextract information from this data . Inloggningsuppgifter krävs: anslut era pineconeApi-inloggningsuppgifter.
  8. Koppla Structured Result Parser till LinkedIn Idea Agent för att tvinga fram JSON-schemat (inloggningsuppgifter hanteras på den överordnade noden LinkedIn Idea Agent).
  9. Koppla Buffer Memory till LinkedIn Idea Agent med Session Key inställd på ={{ 111 }} (inloggningsuppgifter hanteras på den överordnade noden LinkedIn Idea Agent).

Tips: AI-verktygs- och parsernoder som Structured Result Parser, Buffer Memory och Pinecone Vector Tool använder inloggningsuppgifter som är satta i deras överordnade eller anslutna noder. Säkerställ att OpenAI Chat Engine och Pinecone Vector Tool har inloggningsuppgifter konfigurerade.

Steg 4: generera text för LinkedIn-inlägg och lagra den

Arbetsflödet delar upp de strukturerade idéerna i rader, genererar inläggstext och lagrar allt i Google Sheets.

  1. Öppna Split Records och ställ in Field To Split Outoutput.
  2. Öppna Generate Post Text och verifiera att det första meddelandet använder =Hook: {{ $json.Hook }}., Insight: {{ $json.Insight }}. och CTA: {{ $json.CTA }}.
  3. Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter i Generate Post Text.
  4. Öppna Update Posts Sheet och ställ in OperationappendOrUpdate.
  5. Ställ in kolumnmappningarna i Update Posts Sheet till: cta={{ $('Split Records').item.json.CTA }}, hook={{ $('Split Records').item.json.Hook }}, insight={{ $('Split Records').item.json.Insight }}, bookname={{ $('Drive File Update Trigger').item.json.originalFilename }}, postContent={{ $json.message.content }} och publishedno.
  6. Inloggningsuppgifter krävs: anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Update Posts Sheet.

Steg 5: konfigurera schemalagd publicering till LinkedIn

En schemalagd körning letar efter opublicerade rader, begränsar batchen, publicerar till LinkedIn och markerar inlägget som publicerat.

  1. Öppna Scheduled Run Trigger och ställ in intervallregeln så att den matchar er publiceringstakt.
  2. Öppna Fetch Unpublished Posts och bekräfta att filtret på published är lika med no.
  3. Inloggningsuppgifter krävs: anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Fetch Unpublished Posts.
  4. Öppna Limit Items för att styra hur många inlägg som publiceras per körning.
  5. Öppna Publish LinkedIn Post och ställ in Text={{ $json.postContent }} och Person till ert LinkedIn-ID (ersätt [YOUR_ID]).
  6. Inloggningsuppgifter krävs: anslut era linkedInOAuth2Api-inloggningsuppgifter i Publish LinkedIn Post.
  7. Öppna Check Post Result och säkerställ att den kontrollerar att ={{ $json.urn }} finns.
  8. Öppna Mark Post Published och ställ in Operationupdate. Bekräfta att date är ={{$now}} och att row_number är ={{ $('Fetch Unpublished Posts').item.json.row_number }}.
  9. Inloggningsuppgifter krävs: anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Mark Post Published.

⚠️ Vanlig fallgrop: om Publish LinkedIn Post fortfarande har [YOUR_ID] kommer publiceringen att misslyckas även om inloggningsuppgifterna är giltiga.

Steg 6: testa och aktivera ert arbetsflöde

Validera både flödet för PDF-inläsning och flödet för schemalagd publicering innan ni slår på arbetsflödet.

  1. Kör Drive File Update Trigger manuellt med en exempel-PDF i den bevakade mappen.
  2. Bekräfta att Fetch PDF File laddar ner filen och att Parse PDF Content returnerar extraherad text.
  3. Verifiera att LinkedIn Idea Agent ger strukturerade idéer, och kontrollera sedan att Update Posts Sheet skapar rader där published är satt till no.
  4. Kör Scheduled Run Trigger manuellt och verifiera att Publish LinkedIn Post returnerar en urn, och säkerställ sedan att Mark Post Published uppdaterar fältet published till yes.
  5. När resultaten ser korrekta ut, växla arbetsflödet till Active för användning i produktion.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

  • Google Drive‑inloggningar kan löpa ut eller kräva specifika behörigheter. Om saker skapar fel, kontrollera först inställningarna för n8n‑credentials och åtkomst-/delningsinställningarna för Drive‑mappen.
  • Om du använder Wait‑noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram misslyckas på grund av tomma svar.
  • Standardprompter i AI‑noder är generiska. Lägg in din varumärkesröst tidigt, annars kommer du redigera utdata för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp denna Drive LinkedIn automation‑automatisering?

Cirka en timme om dina konton och API‑nycklar är klara.

Behöver jag kunna koda för att automatisera Drive LinkedIn automation?

Nej. Du kopplar främst konton och klistrar in API‑nycklar. Den ”svåra delen” är att bestämma vilka kolumner ditt ark ska ha och vilka publiceringsregler som ska gälla.

Är n8n gratis att använda för det här Drive LinkedIn automation‑workflowet?

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 in kostnader för OpenAI‑API (ofta några cent per PDF‑bearbetning och utkastkörning) samt Pinecone‑lagring.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att sätta upp) eller self‑hosting på en VPS. För self‑hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self‑hosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här Drive LinkedIn automation‑workflowet för en annan publiceringsstil (inga emojis, annan CTA eller striktare varumärkesröst)?

Ja, och det bör du. Du kan justera AI‑prompterna i LinkedIn Idea Agent och noden Generate Post Text för att styra ton, förbjuda emojis, kräva ett visst CTA‑format eller lägga till dina hashtag‑regler. Många team lägger också till en status som ”granska” i Google Sheets så att inlägg måste godkännas innan den schemalagda publiceraren kan plocka upp dem. Om du vill byta ut Pinecone mot en annan vektordatabas ersätter du Pinecone‑noderna för vector store/tool men behåller i övrigt samma flöde.

Varför misslyckas min Google Drive‑anslutning i det här workflowet?

Oftast beror det på en utgången OAuth‑anslutning eller att behörigheterna för Drive‑mappen har ändrats. Anslut Google Drive igen i n8n och bekräfta att den specifika mappen fortfarande är åtkomlig för det kontot. Om triggern fungerar men nedladdningar misslyckas, dubbelkolla åtkomstscopes för filer och att PDF:en inte är begränsad av en organisationspolicy. Stora PDF:er kan också tajma ut beroende på din hosting, så att höja timeouts på nedladdnings-/extraheringsstegen kan hjälpa.

Hur många inlägg kan den här Drive LinkedIn automation‑automatiseringen hantera?

En typisk körning genererar fem inlägg per PDF‑uppdatering, och den dagliga schemaläggaren publicerar ett per dag, så det skalar bekvämt för de flesta små team.

Är den här Drive LinkedIn automation‑automatiseringen bättre än att använda Zapier eller Make?

För det här användningsfallet oftast ja, eftersom AI + vektorsök snabbt blir komplext. n8n hanterar förgreningar, loopar över items och strukturerade outputs utan att automatiseringen blir en skör kedja av mini‑zaps. Du får också möjligheten att self‑hosta, vilket spelar roll när du bearbetar stora PDF:er och kör dagliga schemalagda jobb. Zapier eller Make kan ändå fungera om du förenklar flödet (till exempel hoppar över Pinecone och bara genererar inlägg från ett kort utdrag). Om du är osäker, prata med en automatiseringsexpert så gör vi en rimlighetscheck av upplägget.

När det här väl rullar slutar dina PDF:er vara ”innehåll någon gång” och börjar mata en pålitlig LinkedIn‑kö. Sätt upp det en gång och lägg sedan tiden på att granska och finslipa i stället för att uppfinna processen på nytt.

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