Du har en lista med idéer till LinkedIn-inlägg. Bra idéer också. Men de ligger i ett kalkylark i veckor eftersom det tar mer energi än det borde att förvandla varje idé till en polerad bildtext.
Det är här automatisering av LinkedIn-bildtexter hjälper. Marknadschefer märker det när content-deadlines staplas på hög, grundare märker det när publiceringen hänger på ”när jag får tid”, och konsulter märker det när de försöker vara synliga mellan kunduppdrag.
Det här arbetsflödet tar idéerna som redan ligger i Google Sheets och gör dem till utkast till bildtexter med OpenAI. Du ser vad det löser, hur det körs och vad du kan justera så att resultatet låter som du (inte som en robot).
Så fungerar den här automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Google Sheets + OpenAI: LinkedIn-texter klara
flowchart LR
subgraph sg0["Run Workflow Flow"]
direction LR
n0@{ icon: "mdi:swap-vertical", form: "rounded", label: "Loop Over Items", pos: "b", h: 48 }
n1@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n2@{ icon: "mdi:wrench", form: "rounded", label: "Tool: Inject Creativity", pos: "b", h: 48 }
n3@{ icon: "mdi:play-circle", form: "rounded", label: "Run Workflow", pos: "b", h: 48 }
n4["<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/>Create Random Data"]
n5@{ icon: "mdi:robot", form: "rounded", label: "Create Captions", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Output Table", pos: "b", h: 48 }
n3 --> n4
n5 --> n0
n0 --> n6
n0 --> n5
n1 -.-> n5
n4 --> n0
n2 -.-> n5
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 n3 trigger
class n5 ai
class n1 aiModel
class n2 ai
class n4 code
classDef customIcon fill:none,stroke:none
class n4 customIcon
Utmaningen: att omvandla inläggsidéer till bildtexter tar en evighet
Att skriva LinkedIn-bildtexter är en märklig typ av arbete. Det är inte ”svårt” som strategi, och det är inte ”enkelt” som att kopiera och klistra in. Det är slitjobbet däremellan: öppna ett dokument, skriva om kroken tre gånger, försöka hålla tonen konsekvent och sedan tveka om det låter för säljigt. Multiplicera det med en backlog på 20 idéer i ett kalkylark och plötsligt har du skapat ett återkommande projekt du aldrig bad om. Och om fler än en person skriver inlägg blir rösten snabbt spretig.
Friktionen växer. Här är var det oftast fallerar.
- Idéer samlas på hög i Google Sheets eftersom ”jag skriver dem senare” hela tiden förlorar mot akut jobb.
- Bildtexter skrivs om om och om igen, mest för att det är utmattande att börja från en tom sida.
- Konsekvensen brister när olika personer skriver i olika ton och format.
- Batch-skrivpass drar ut på tiden, så publiceringen blir oregelbunden och momentum försvinner.
Lösningen: generera LinkedIn-bildtexter från rader i kalkylarket med OpenAI
Det här arbetsflödet bygger på en enkel, pålitlig idé: behandla varje rad (varje inläggsidé) som ett eget ”miniuppdrag”, kör det genom OpenAI och samla resultatet i en korrekt formaterad tabell för granskning. Du startar arbetsflödet manuellt (perfekt för test eller veckokörningar). Det genererar eller hämtar en liten dataset med idéer och loopar sedan igenom dem en och en så att inget hoppas över eller blandas ihop. För varje idé skapar en AI-agent ett utkast till LinkedIn-bildtext med ett tydligt systemmeddelande (”skapa en LinkedIn-bildtext för idén”). Det finns också ett valfritt kreativitetstool som du kan behålla, ta bort eller ersätta beroende på hur spetsig du vill ha texten.
Arbetsflödet börjar med en dataset av innehållsidéer (i praktiken kan den komma direkt från Google Sheets). Det loopar igenom varje post med SplitInBatches, skickar idén till en OpenAI-driven agent för att generera en bildtext och bygger sedan en slutlig utdata-tabell som parar ihop originalidén med det genererade utkastet.
Vad som förändras: före vs. efter
| Det här tar bort | Effekten du märker |
|---|---|
|
|
Effekt i verkligheten
Säg att du planerar tre LinkedIn-inlägg varje vecka och sparar idéer i ett Google Sheet. Manuellt tar ett ”första utkast” ofta cirka 30 minuter per bildtext när du räknar in krok, formatering och omskrivningar, alltså ungefär 1,5 timmar innan redigeringen ens börjar. Med det här arbetsflödet kan du starta en batchkörning på cirka 2 minuter och låta OpenAI skriva utkast till alla tre medan du gör något annat. Du kommer tillbaka till en prydlig utdata-tabell och lägger kanske 20 minuter på att polera istället för att slita från noll.
Krav
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra din lista med inläggsidéer.
- OpenAI för att generera utkast till LinkedIn-bildtexter.
- OpenAI API-nyckel (hämta den från din sida för OpenAI API-nycklar)
Svårighetsnivå: Nybörjare. Du kopplar upp credentials och justerar en prompt, men du behöver inte skriva kod om du inte vill.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Flödet i arbetsflödet
En manuell körning startar det. Det låter basic, men det är perfekt för en batch med bildtextgenerering som du kör på måndagsmorgnar eller när din idélista är redo.
Dina idéer samlas som items. Exempelarbetsflödet använder en liten genererad dataset för att lära ut konceptet, men samma struktur mappar direkt mot rader i Google Sheets (en rad blir ett item att behandla).
Varje idé behandlas en i taget. SplitInBatches sköter loopen så att AI-agenten får en enda idé, genererar en bildtext och kan valfritt köra ett kreativitetstool för att justera resultatet.
Resultaten sammanställs för granskning. En sista ”utdata-tabell” parar ihop originalidén med det genererade bildtextutkastet så att du kan kopiera, exportera eller senare skriva tillbaka till Google Sheets.
Du kan enkelt ändra bildtextstilen så att den matchar din varumärkesröst utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den manuella triggern
Konfigurera workflowet så att det startar manuellt, så att ni kan testa loopen för caption-generering vid behov.
- Lägg till noden Manual Execution Start som er trigger.
- Lämna standardinställningarna som de är (den här noden har inga parametrar).
- Säkerställ att Manual Execution Start är kopplad till Generate Sample Dataset enligt körflödet.
Steg 2: skapa exempeldatasetet
Generera ett litet dataset med idéer som ska mata loopen för caption-generering.
- Lägg till noden Generate Sample Dataset.
- Ställ in JavaScript Code till det angivna skriptet (behåll det exakt som det visas):
return [ { json: { row_number: 2, id: 1, Date: '2025-07-30', idea: 'n8n rises to the top', caption: '', complete: '' } }, { json: { row_number: 3, id: 2, Date: '2025-07-31', idea: 'n8n nodes', caption: '', complete: '' } }, { json: { row_number: 4, id: 3, Date: '2025-08-01', idea: 'n8n use cases for marketing', caption: '', complete: '' } } ]; - Koppla Generate Sample Dataset till Iterate Records.
Steg 3: sätt upp AI-loopen för captions
Använd en batch-loop för att bearbeta varje idé, generera en caption med AI och återgå till loopen tills alla objekt är hanterade.
- Lägg till noden Iterate Records (Split In Batches) och behåll standardalternativen.
- Lägg till noden Generate LinkedIn Captions och ställ in Prompt Type till
define. - Ställ in fältet Text i Generate LinkedIn Captions till
=idea: {{ $json.idea }}. - Ställ in System Message i Generate LinkedIn Captions till
You are a helpful assistant creating captions for a linkedin post. Please create a linkedin caption for the idea.. - Koppla Iterate Records till Generate LinkedIn Captions och koppla sedan Generate LinkedIn Captions tillbaka till Iterate Records för att skapa loopen.
- Lägg till OpenAI Chat Engine som AI-språkmodell för Generate LinkedIn Captions och ställ in Model till
gpt-4o-mini. - Koppla Tool: Boost Creativity som ett AI-verktyg till Generate LinkedIn Captions.
Autentiseringsuppgifter krävs: Anslut era openAiApi-autentiseringsuppgifter i OpenAI Chat Engine.
OpenAI Chat Engine är ansluten som språkmodell för Generate LinkedIn Captions—säkerställ att autentiseringsuppgifter läggs till i OpenAI Chat Engine, inte i undernoden Tool: Boost Creativity.
⚠️ Vanlig fallgrop: Loopen itererar inte om Generate LinkedIn Captions inte är kopplad tillbaka till Iterate Records. Bekräfta att returkopplingen finns på plats.
Steg 4: konfigurera output-mappning
Mappa den ursprungliga idén och det genererade resultatet till en ren tabell för vidare användning.
- Lägg till noden Assemble Output Table och koppla den till den första utgången från Iterate Records.
- I Assemble Output Table, lägg till en tilldelning för idea med värdet
={{ $('Generate Sample Dataset').item.json.idea }}. - Lägg till en tilldelning för output med värdet
={{ $json.output }}.
Tips: Flowpast Branding är en sticky note endast för dokumentation och påverkar inte körningen. Ni kan behålla eller ta bort den utan att det påverkar workflowet.
Steg 5: testa och aktivera ert workflow
Kör ett manuellt test för att bekräfta att varje idé genererar en LinkedIn-caption och att output-tabellen fylls i korrekt.
- Klicka på Execute Workflow för att trigga Manual Execution Start.
- Verifiera att Generate Sample Dataset skickar ut tre objekt och att Iterate Records loopar igenom vart och ett.
- Bekräfta att Generate LinkedIn Captions skapar ett svar för varje idé och att Assemble Output Table visar både idea och output.
- När ni är nöjda, växla workflowet till Active för produktionsanvändning (det här workflowet är manuellt, så det förblir on-demand).
Se upp med
- OpenAI-credentials kan löpa ut eller klistras in fel. Om något slutar fungera, kontrollera först OpenAI-credentialen i n8n och bekräfta att din API-nyckel fortfarande är aktiv.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din varumärkesröst tidigt, annars kommer du att redigera resultat för alltid.
Vanliga frågor
Cirka 30 minuter om din OpenAI-nyckel är klar.
Ja. Du kopplar konton och justerar en prompt, men du behöver inte koda.
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 in OpenAI API-användning (ofta några cent per batch för korta bildtexter).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och klarar n8n bra. Egen hosting ger obegränsade körningar men kräver grundläggande serverhantering.
Det kan du. De flesta anpassningar sker i agentprompten ”Generate LinkedIn Captions” och det valfria verktyget ”Tool: Boost Creativity”. Vanliga justeringar är att lägga till regler för din varumärkesröst (längd, formatering, förbjudna fraser), tvinga fram en specifik struktur (krok, brödtext, CTA) och skriva tillbaka resultatet till Google Sheets så att teamet kan godkänna på samma ställe.
Oftast beror det på en ogiltig eller utgången API-nyckel som sparats i OpenAI-credentialen i n8n. Det kan också vara en modell-mismatch (du väljer en modell som ditt konto inte har åtkomst till) eller rate limiting om du loopar igenom en stor batch. Kontrollera node-exekveringsutdata i n8n för det exakta felmeddelandet; det är förvånansvärt specifikt när du väl tittar.
På n8n Cloud Starter kan du köra ett bra antal exekveringar per månad för små team, och det skalar upp med högre nivåer. Om du selfhostar finns ingen exekveringsgräns, det beror mest på din server och hur snabbt du vill processa batchar. I praktiken är bildtextgenerering lättviktigt, så de flesta kan köra dussintals idéer i ett svep utan problem.
Ofta, ja, om du vill ha loopar och mer kontroll över AI-steget. n8n hanterar ”bearbeta en lista med rader en i taget” snyggt med SplitInBatches, och du kan selfhosta för obegränsade körningar. Det är också enklare att hålla hela processen i ett arbetsflöde, inklusive formatering av den slutliga utdata-tabellen. Zapier eller Make kan fortfarande fungera för enkla tvåstegsautomatiseringar, men när du itererar över rader och formar AI-resultat syns begränsningarna snabbt. Prata med en automationsexpert om du vill ha en snabb rekommendation för din setup.
När det här väl är uppsatt slutar ditt Google Sheet vara en kyrkogård för ”någon gång”-idéer. Du får utkast vid begäran, och sedan är det bara att polera och publicera.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.