Kamerarullen är full av LinkedIn-skärmdumpar, minnet är dimmigt och listan “jag följer upp i morgon” blir tyst till “kanske nästa månad”. Det värsta är att du redan har gjort det svåra jobbet: du träffade personen.
Den här automatiseringen för LinkedIn-uppföljningar är en räddare i nöden för säljare som kommer tillbaka från event, grundare som gör pragmatisk outreach och marknadsförare som bygger partnerpipelines. Du skickar in en skärmdump och en snabb anteckning, och får en korrekt formaterad CRM-liknande rad plus ett utkast till uppföljningsmeddelande, redo att skicka.
Nedan ser du hur workflowet flyttar din skärmdump till Google Sheets, plockar ut de viktiga detaljerna ur bilden och skriver en uppföljning som inte låter som en robot.
Så fungerar automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Google Forms + Sheets: LinkedIn-uppföljning klar
flowchart LR
subgraph sg0["trigger: form submission Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "trigger: form submission", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "get screenshot", pos: "b", h: 48 }
n2@{ icon: "mdi:robot", form: "rounded", label: "Analyze image", pos: "b", h: 48 }
n3["<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/code.svg' width='40' height='40' /></div><br/>structure info"]
n4@{ icon: "mdi:database", form: "rounded", label: "update crm", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "Message a model", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: "update crm with message", pos: "b", h: 48 }
n4 --> n5
n2 --> n3
n1 --> n2
n3 --> n4
n5 --> n6
n0 --> n1
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 n2,n5 ai
class n4,n6 database
class n3 code
classDef customIcon fill:none,stroke:none
class n3 customIcon
Utmaningen: att göra skärmdumpar till riktiga uppföljningar
Att ta skärmdumpar av LinkedIn-profiler på event känns lite fånigt, men det är vad folk faktiskt gör i stunden. Friktionen kommer senare, när du är tillbaka vid skrivbordet och försöker minnas vem “blå kavaj / fintech” var och var ni sågs. Antingen hoppar du över CRM-uppdateringen (för att det är störigt) eller så gör du den dagar senare (när sammanhanget är borta). Under tiden får personen du verkligen ville knyta kontakt med ett generiskt “Trevligt att träffas!”-meddelande som hade kunnat skickas till vem som helst.
Det blir snabbt mycket. Här är var det brister.
- Du slutar med att skriva in namn, titlar och företagsdetaljer manuellt från en pytteliten skärmdump i mobilen, vilket går långsamt och är oväntat felkänsligt.
- Dina uppföljningar tappar den specifika detalj som gör att de fungerar, eftersom dina anteckningar är utspridda över foton, påminnelser och halvfärdiga utkast.
- Sheets eller CRM blir “senare”-jobb, så listan växer tills den är för stor för att ta tag i på en sittning.
- Även när du följer upp tvivlar du på vad du ska skriva och slösar sedan ytterligare 10 minuter på att skriva om de första två meningarna.
Lösningen: skärmdump in, uppföljningsutkast ut
Det här workflowet förvandlar ditt “skärmdumpskaos” till en enkel insamlingsprocess du faktiskt använder. Du skickar in ett Google Formulär med två fält: LinkedIn-skärmdumpen och en snabb anteckning (vad du minns, även om det är rörigt). Insändningen triggar n8n att hämta bilden från Google Drive, köra den genom ett AI-extraktionssteg och omvandla ostrukturerad information till konsekventa fält du kan lita på. De fälten skrivs in i Google Sheets som ett lättviktigt CRM. Sedan använder ett andra AI-steg de extraherade detaljerna plus din anteckning för att skapa ett uppföljningsmeddelande som låter som du, inte som ett mallbibliotek.
Workflowet startar när ett nytt formulärsvar kommer in. Därefter hämtar det den uppladdade skärmdumpen, analyserar bilden för att plocka ut profildetaljer och formaterar allt till prydliga kolumner. Till sist uppdaterar det Google Sheets och loggar ett outreach-meddelande som är redo att redigera, precis bredvid kontakten.
Vad som förändras: före vs. efter
| Det här tar bort | Effekten du märker |
|---|---|
|
|
Praktisk effekt i verkligheten
Säg att du träffar 20 personer på en konferens och tar en skärmdump av varje LinkedIn-profil. Manuellt tar det oftast runt 5 minuter per person att öppna bilden, skriva in namn/titel/företag och skriva ett första meddelandeutkast, så du landar på ungefär 100 minuter efterarbete efter eventet (och det är om du gör det medan allt är färskt). Med det här workflowet skickar du in skärmdumpen och en snabb anteckning på under en minut per person och låter sedan AI-bearbetningen gå i bakgrunden. Du kommer tillbaka till Google Sheets med 20 rader klara, plus 20 utkast till uppföljningar som bara behöver lätt redigering.
Krav
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Forms för att samla in skärmdump + snabba anteckningar.
- Google Drive för att lagra och komma åt uppladdade skärmdumpar.
- Google Sheets för att lagra extraherade fält och utkast.
- OpenAI API-nyckel (hämta den i din OpenAI-dashboard).
Kunskapsnivå: Nybörjare. Du kopplar konton, bekräftar dina kolumner i arket och testar med en skärmdump.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Workflowflödet
Ett nytt formulärsvar landar i ditt ark. Workflowet startar när ditt Google Form-svar skapar en ny post, vilket fungerar som en strukturerad “insamlings-trigger” för varje ny kontakt.
Skärmdumpen hämtas från Drive. n8n hämtar den uppladdade bildfilen från Google Drive så att den kan analyseras, även om formuläret bara lagrar en länk eller filreferens.
AI extraherar profildetaljer och normaliserar dem. Bilden analyseras för att plocka ut användbar information (namn, roll, företag och allt annat som syns), och därefter mappar ett formateringssteg datan till exakt de kolumner du vill ha i Google Sheets.
Din “mini-CRM”-rad uppdateras och ett uppföljningsutkast skrivs. Workflowet uppdaterar kontaktposten i Google Sheets och använder ett OpenAI-chatsteg för att skriva ett uppföljningsmeddelande baserat på extraherad data plus din anteckning.
Du kan enkelt anpassa vilka kolumner som fångas och tonen i uppföljningsmeddelandet efter dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: konfigurera Google Sheets-triggern
Konfigurera triggern som bevakar ert CRM-ark efter nya rader och startar arbetsflödet.
- Lägg till noden Form Entry Trigger som din trigger.
- Ställ in Event på
rowAdded. - Ställ in Sheet Name på
{{ $env.SHEETS_TAB || 'crm' }}. - Ställ in Document ID på
{{ $env.SHEETS_ID }}.
Steg 2: anslut Google Drive och hämta profilbilden
Ladda ner profilbilden från en Google Drive-länk som är sparad i ert CRM-ark.
- Lägg till noden Fetch Profile Image och koppla den efter Form Entry Trigger.
- Ställ in Operation på
download. - Ställ in File ID på
{{ (function () { const col = $env.COL_DRIVE_URL || 'Upload a screenshot or image of the person'; const s = $json[col] || ''; const m = s.match(/(?:\/file\/d\/|\/d\/|open\?id=|uc\?id=|thumbnail\?id=|id=)([-\w]{10,})/); return m ? m[1] : ''; })() }}. - Under Options ställer ni in Binary Property på
data.
Steg 3: konfigurera AI-extraktion och fältnormalisering
Analysera bilden med AI och normalisera de extraherade fälten för konsekventa CRM-uppdateringar.
- Lägg till noden Inspect Image Data och koppla den efter Fetch Profile Image.
- Ställ in Resource på
imageoch Operation påanalyze. - Ställ in Input Type på
binaryoch Binary Property Name pådata. - Ställ in Model på
{{ $env.OPENAI_VISION_MODEL || 'chatgpt-4o-latest' }}. - Lägg till noden Format Extracted Fields och koppla den efter Inspect Image Data.
- Behåll JavaScript Code som den är för att tolka JSON säkert, normalisera namn och rensa fält.
$env.COL_DRIVE_URL så att den matchar den nya rubriken.Steg 4: konfigurera CRM-uppdateringar och uppföljningsmeddelanden
Skriv tillbaka extraherad data till CRM-arket och generera samt logga sedan ett uppföljningsmeddelande.
- Lägg till Update CRM Records efter Format Extracted Fields.
- Ställ in Operation på
appendOrUpdate, Sheet Name på{{ $env.SHEETS_TAB || 'crm' }}och Document ID på{{ $env.SHEETS_ID }}. - Mappa värden för columns till extraherade fält, inklusive
{{ $json.name }},{{ $json.job_title }},{{ $json.company }},{{ $json.location }},{{ $json.university }}och{{ $json.description }}. - Ställ in mappningen för Drive-URL:en på
{{ $('Fetch Profile Image').item.json[$env.COL_DRIVE_URL || 'Upload a screenshot or image of the person'] }}. - Lägg till Compose Outreach Message efter Update CRM Records och behåll de system- och användarprompter som följer med.
- Ställ in Model på
{{ $env.OPENAI_TEXT_MODEL || 'gpt-4o-mini' }}och Temperature på0.2. - Lägg till Log Message to CRM efter Compose Outreach Message och ställ in follow-up message på
{{ $json.message?.content || $json.text || $json.content }}. - I Log Message to CRM ställer ni in Upload a screenshot or image of the person på
{{ $('Fetch Profile Image').item.json[$env.COL_DRIVE_URL || 'Upload a screenshot or image of the person'] }}.
Steg 5: testa och aktivera ert arbetsflöde
Validera hela flödet från start till mål innan ni slår på det i produktion.
- Klicka på Execute Workflow och lägg till en ny rad i ert CRM-ark med en giltig Google Drive-bildlänk och anteckningar.
- Bekräfta att Fetch Profile Image ger ut en binär fil i
dataoch att Inspect Image Data returnerar JSON-text. - Verifiera att Update CRM Records skriver de extraherade fälten till rätt kolumner.
- Kontrollera att Log Message to CRM sparar LinkedIn-DM:et i kolumnen follow-up message.
- När ni är nöjda växlar ni arbetsflödet till Active för att köra kontinuerligt på nya CRM-poster.
Saker att se upp med
- Behörigheter i Google Drive spelar roll. Om workflowet inte kan hämta skärmdumpen, kontrollera Drive-autentiseringen i n8n och bekräfta att filen är åtkomlig för det kontot.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera output för alltid.
Vanliga frågor
Cirka 10 minuter om dina Google-konton och din OpenAI-nyckel är redo.
Ja. Det mesta handlar om att koppla Google Drive/Sheets och bekräfta att dina kolumnrubriker matchar det workflowet skriver.
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 volym. Du behöver också räkna med OpenAI API-användning, vilket vanligtvis är en låg kostnad per meddelande och bildanalys.
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 obegränsat antal körningar men kräver grundläggande serverhantering.
Börja med att redigera AI-prompterna som används i “Inspect Image Data” och “Compose Outreach Message” så att de extraherade fälten och skrivstilen matchar din process. Om du vill ha andra kalkylbladskolumner, uppdatera mappningen i formateringssteget (“Format Extracted Fields”) och Google Sheets-skrivstegen (“Update CRM Records” och “Log Message to CRM”). Vanliga justeringar är att fånga extra fält (plats, gemensamma kontakter), ändra längden på uppföljningen och lägga till en kort ämnesrad för outreach i e-poststil.
Oftast handlar det om behörigheter. Säkerställ att Google Drive-autentiseringen i n8n har åtkomst till den uppladdade skärmdumpsfilen och att workflowet hämtar rätt fil-ID från formulärsvaret. Om det fungerade en gång och sedan slutade, autentisera Google Drive på nytt i n8n eftersom tokens kan gå ut. Kontrollera också att uppladdningen hamnar på den Drive-plats du förväntar dig, och inte på en annan delad enhet.
För de flesta team hanterar den utan problem dussintals nya kontakter per dag, eftersom varje körning bara bearbetar en skärmdump och skriver ett par rader. På n8n Cloud beror kapaciteten på din plans månatliga körningar; om du hostar själv är den praktiska gränsen din server och OpenAI:s rate limits. Om du planerar att batcha hundratals skärmdumpar, lägg in enkel throttling så att du inte slår i API-gränser.
Ofta, ja, om du bryr dig om driftsäkerhet och anpassning. Det här workflowet gör mer än att skicka data från A till B; det hämtar filer från Drive, extraherar strukturerade fält från en bild, transformerar fälten, genererar ett meddelande och loggar det. n8n är helt enkelt mer bekvämt med den typen av flersteglogik, och egen hosting kan hålla kostnaderna förutsägbara när användningen växer. Zapier eller Make kan fortfarande fungera för en enklare version, men du når ofta begränsningar kring filhantering och mer komplexa flöden. Om du vill ha hjälp att välja, prata med en automationsexpert.
Fånga stunden medan den är färsk och låt sedan workflowet göra de tråkiga delarna. Du öppnar ditt ark till organiserade kontakter och uppföljningar du faktiskt vill skicka.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.