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

Google Sheets + Slack: en tech radar alla litar på

Rickard Andersson Partner, Nodenordic.se

Din ”tech radar” börjar som ett hjälpsamt kalkylark. Sedan blir den en märklig blandning av tyst kunskap, inaktuella rader och samma frågor som dyker upp i Slack varje vecka. Till slut blir du den mänskliga sökmotorn.

Engineering managers märker det när team bråkar om ”godkända” verktyg. Plattformsansvariga blir pingade för kontext under incidenter. Och produktledare vill bara ha ett rakt svar. Den här automatiseringen för Sheets Slack radar gör Google-arket till något som folk faktiskt kan fråga, och lita på.

Du får se hur workflowet håller din radar uppdaterad, gör den sökbar med AI och ger tydliga svar vid begäran direkt i Slack.

Så fungerar automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: Google Sheets + Slack: en tech radar alla litar på

Utmaningen: en ”tech radar” som ingen kan fråga

En tech radar ska minska debatt, snabba upp beslut och göra standarder självklara. I praktiken driver arket i väg. Ett team uppdaterar en rad, ett annat kopierar in den i ett dokument, och Slack-trådar blir den verkliga sanningskällan. När någon frågar ”är X infört eller pausat, och varför?”, sitter du antingen och scrollar mellan flikar eller gissar utifrån förra månadens minnesbild. Det är riskabelt och, ärligt talat, dränerande. Kostnaden är inte bara tid; det blir inkonsekventa beslut, dubblerade verktyg och långsam onboarding.

Friktionen byggs på. Här är var det fallerar i vardagen.

  • Folk ställer samma ”kan vi använda det här?”-frågor i Slack eftersom det är jobbigt att söka i ett kalkylark.
  • Uppdateringar sker på olika ställen, så radarn blir inaktuell utan att någon märker det.
  • Motiveringarna försvinner, vilket gör att beslut blir åsikter i stället för policy.
  • När ledningen vill ha en snabb överblick måste någon manuellt göra om arket till en berättande sammanfattning.

Lösningen: gör ditt ark till en Slack-sökbar rådgivare

Det här workflowet tar ett Google Sheet i Tech Radar-stil och gör det till en sökbar, AI-assisterad ”rådgivare” som du kan ställa frågor till direkt i Slack. Enligt schema (månatligen i mallen) hämtar den de senaste radar-raderna från Google Sheets, tömmer och laddar om en MySQL-tabell och förbereder även textversioner som kan indexeras för semantisk sökning. När någon ställer en fråga via en webhook (som du kan koppla till Slack) avgör en AI-router hur den ska besvaras: använd SQL för strukturerade frågor (listor, filter, ”visa mig allt för company3”), eller använd RAG-liknande hämtning för kontexttunga frågor (”varför är detta pausat?”). En skyddsräls-agent granskar slutsvaret innan det returneras, så svaren håller sig till ämnet och inte svävar i väg.

Workflowet börjar med två inflöden: schemalagd inläsning från Google Sheets och en fråga vid begäran som kommer in via en webhook. I mitten bygger det strukturerad lagring (MySQL) och semantisk sökning (vektorindex) så frågor kan besvaras på bästa sätt. Till sist svarar det direkt, vilket gör att din tech radar slutar vara något som bara finns i någons huvud.

Vad som förändras: före vs. efter

Effekt i verkligheten

Säg att ditt team får 10 radar-frågor i veckan i Slack och att varje fråga tar cirka 10 minuter att besvara (hitta raden, kolla status, lägga till kontext, länka till dokument). Det blir ungefär 100 minuter, och det landar oftast på samma två personer. Med det här workflowet ställs frågan en gång, svaret kommer tillbaka på under en minut och det mänskliga arbetet blir ”bara rimlighetskontroll”. Realistiskt sparar du cirka 2 timmar i veckan, plus att du slutar avbryta djuparbete.

Krav

  • n8n-instans (prova n8n Cloud gratis)
  • Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
  • Google Sheets som källa för tech radarn.
  • Slack för att ställa frågor och få svar (via webhook/kommando).
  • MySQL-databas för att lagra strukturerade radar-rader.
  • Pinecone för att driva vektorsökning för ”varför”-frågor.
  • Google Drive + Google Docs för att hålla ett läsbart radar-narrativ uppdaterat.
  • LLM API-åtkomst (sätt upp credentials för en chattmodell som Anthropic eller Groq, samt embeddings som Google Gemini).

Kunskapsnivå: Mellan. Du kopplar konton, sätter miljövariabler och är bekväm med att redigera några prompts och credentials.

Behöver du hjälp att implementera detta? Prata med en automationsspecialist (gratis 15-minuters konsultation).

Workflow-flödet

Ett schema uppdaterar radar-datan. En månatlig Cron-trigger hämtar din radar från Google Sheets, tömmer MySQL-tabellen och bulk-inserterar aktuella rader så att strukturerade frågor kan besvaras tillförlitligt.

Docs och semantisk sökning hålls synkade. Rader mappas till läsbar text, läggs till i ett Google-dokument och uppdateringar av Drive-filer bevakas så att senaste innehållet kan indexeras om för hämtning. Indexet ligger i Pinecone, med embeddings genererade av en LLM-leverantör.

Slack-frågor kommer in vid begäran. En webhook tar emot en användarfråga (oftast från Slack), och sedan avgör en AI-router bästa vägen. ”Lista verktyg för company3 som är strategiska men inte införda” går via SQL-spåret. ”Varför är TechnologyABC pausat?” går oftast via hämtning.

En skyddsräls kontrollerar slutsvaret. Innan workflowet svarar ser ett valideringssteg till att svaret håller sig till ditt radar-innehåll, och skickar sedan tillbaka svaret till Slack via webhook-svar-noden.

Du kan enkelt ändra routing-reglerna för att föredra SQL oftare, eller för att hämta extra kontext från Google Drive utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera den schemalagda triggern

Det här arbetsflödet uppdaterar tech radar-data varje månad med en schemalagd trigger.

  1. Lägg till noden Scheduled Monthly Trigger och behåll schemat inställt på månadsvis kl. 22:00 (som konfigurerat i noden).
  2. Bekräfta att Scheduled Monthly Trigger är kopplad till MySQL Clear Table för att starta databasuppdateringen.

Steg 2: anslut Google Sheets och Docs för radar-innehåll

Den här delen hämtar kalkylarket för tech radar och lägger till formaterad text i ett Google-dokument.

  1. Konfigurera Google Sheets Read Radar med Document satt till [YOUR_ID] och Sheet Name satt till gid=0 (Sheet1).
  2. Autentisering krävs: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Google Sheets Read Radar.
  3. I Script Map Rows to Text, behåll den medföljande JavaScript Code som mappar kolumner till ett textBlock-fält.
  4. Ställ in Google Docs Append Text till Operation update och Document URL till [YOUR_ID].
  5. Använd åtgärdsfältet för att infoga text från {{ $json.textBlock }} i Google Docs Append Text.
  6. Autentisering krävs: Anslut era googleApi-inloggningsuppgifter i Google Docs Append Text (Service Account-autentisering är inställd).
⚠️ Vanlig fallgrop: Ersätt varje [YOUR_ID]-platshållare i Google Sheets Read Radar, Google Docs Append Text och Google Sheets Fetch Radar med riktiga ID:n innan ni testar.

Steg 3: konfigurera månatlig MySQL-uppdatering

Den här vägen rensar och laddar om tech radar-tabellen från Google Sheets enligt schema.

  1. Ställ in MySQL Clear Table till Operation deleteTable och Table till techradar.
  2. Autentisering krävs: Anslut era mySql-inloggningsuppgifter i MySQL Clear Table.
  3. Konfigurera Google Sheets Fetch Radar med Document [YOUR_ID] och Sheet Name gid=0 för att hämta rader för bulk insert.
  4. Autentisering krävs: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Google Sheets Fetch Radar.
  5. I MySQL Bulk Insert Rows, ställ in Columns till name, ring, quadrant, isStrategicDirection, isUsedByChildCompany1, isUsedByChildCompany2, isUsedByChildCompany3, isNew, status, description och behåll Table som techradar.
  6. Autentisering krävs: Anslut era mySql-inloggningsuppgifter i MySQL Bulk Insert Rows.

Steg 4: sätt upp filbevakning i Drive och embeddings-pipeline

Den här pipelinen bevakar en Drive-mapp, laddar ner filer, delar upp innehåll och skriver embeddings till Pinecone.

  1. Konfigurera Drive File Update Watcher med Event fileUpdated och Trigger On specificFolder, och sätt Folder To Watch till [YOUR_ID].
  2. Autentisering krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Drive File Update Watcher.
  3. I Fetch Drive Document File, behåll Operation download och säkerställ att File ID använder {{ $json.id }} och att File Name använder {{ $json.name }}.
  4. Autentisering krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Fetch Drive Document File.
  5. Ställ in Split Text into Chunks till Chunk Size 1024 och Chunk Overlap 100.
  6. I Generate Text Embeddings, ställ in Model Name till models/text-embedding-004.
  7. Autentisering krävs: Anslut era googlePalmApi-inloggningsuppgifter i Generate Text Embeddings.
  8. Ställ in Pinecone Insert Embeddings till Mode insert och index techradardata.
  9. Autentisering krävs: Anslut era pineconeApi-inloggningsuppgifter i Pinecone Insert Embeddings.
Om era filer är stora, håll chunk-storleken konsekvent i Split Text into Chunks för att undvika att överskrida embedding-gränser.

Steg 5: konfigurera webhook-inläsning och routning

Webhooken tar emot användarfrågor och routar till antingen RAG- eller SQL-subflöden.

  1. Sätt upp Incoming Webhook Endpoint med Path radar-rag, HTTP Method POST och Response Mode responseNode.
  2. I LLM Route Agent Selector, behåll Text satt till =USER QUESTION: "{{ $json.body.chatInput }} " så att modellen kan klassificera förfrågningar.
  3. Verifiera att Branch for RAG Route kontrollerar att Left Value {{ $json.text }} är lika med RAG för RAG-vägen.
  4. Behåll Script Extract User Query och Script Extract SQL Query pekande på $('Incoming Webhook Endpoint').first().json.body.chatInput så att originalfrågan bevaras.
  5. Koppla Script Extract User Query till Run RAG Subflow (Configure) och Script Extract SQL Query till Run SQL Subflow (Configure) enligt exekveringsflödet.

Steg 6: konfigurera AI-subflöden, verktyg och skyddsräcken

Dessa noder hanterar AI-routning, retrieval, SQL-frågor och svar med skyddsräcken.

  1. I Run RAG Subflow (Configure) och Run SQL Subflow (Configure), välj målsatta sub-arbetsflöden och låt Wait For Sub-Workflow vara aktiverat.
  2. Konfigurera AI Response Guardrail med Text satt till =Researched Answer== {{ $json.output }} ========== user question: {{ $('Incoming Webhook Endpoint').item.json.body.chatInput }}.
  3. Koppla språkmodeller till AI-noderna: Groq Llama3 Chat är kopplad till AI Response Guardrail, Groq Deepseek Chat är kopplad till LLM Route Agent Selector och Anthropic Chat Model är kopplad till AI SQL Assistant.
  4. Autentisering krävs: Anslut era groqApi-inloggningsuppgifter i Groq Llama3 Chat och Groq Deepseek Chat.
  5. Autentisering krävs: Anslut era anthropicApi-inloggningsuppgifter i Anthropic Chat Model.
  6. För RAG-verktygskedjan, säkerställ att Pinecone Vector Retrieval använder index techradardata och att RAG Vector Tool har Top K satt till 5.
  7. Autentisering krävs: Anslut era pineconeApi-inloggningsuppgifter i Pinecone Vector Retrieval.
⚠️ Vanlig fallgrop: AI-verktyg och minnes-subnoder (som RAG Vector Tool och Conversation Memory Window) ärver autentisering från sina överordnade AI-noder. Lägg inte till inloggningsuppgifter direkt på dessa subnoder.

Steg 7: konfigurera SQL-verktyg för SQL-assistenten

SQL-assistenten använder databasverktyg för att inspektera scheman och köra frågor när routen är SQL.

  1. I Fetch DB Schemas List, behåll SQL-frågan som läser information_schema.tables för bastabeller.
  2. I Retrieve Table Definition, behåll SQL-frågan som använder {{ $fromAI("table_name") }} och {{ $fromAI("schema_name") }}.
  3. I Execute SQL Query, behåll Query satt till {{ $fromAI("sql_query", "SQL Query") }}.
  4. Autentisering krävs: Anslut era mySql-inloggningsuppgifter i Fetch DB Schemas List, Retrieve Table Definition och Execute SQL Query.
  5. Säkerställ att AI SQL Assistant tar emot input från Triggered by Parent Workflow när den används i subflöden.

Steg 8: konfigurera webhook-svaret

Arbetsflödet returnerar AI-svaret till den som anropar webhooken efter att skyddsräcken har tillämpats.

  1. Behåll AI Response Guardrail kopplad till Return Webhook Reply för att slutföra outputen.
  2. I Return Webhook Reply, ställ in Respond With till allIncomingItems.

Steg 9: testa och aktivera ert arbetsflöde

Validera varje väg och slå sedan på arbetsflödet för produktionsanvändning.

  1. Använd Execute Workflow eller klicka på Test Workflow för att trigga Scheduled Monthly Trigger och bekräfta att MySQL Clear Table → Google Sheets Fetch Radar → MySQL Bulk Insert Rows körs utan fel.
  2. Skicka en POST-begäran till Incoming Webhook Endpoint på /webhook/radar-rag med ett chatInput-fält för att testa routningsvägen.
  3. Bekräfta att en lyckad körning returnerar ett svar från Return Webhook Reply och inkluderar den skyddsräcksfiltrerade outputen från AI Response Guardrail.
  4. Aktivera arbetsflödet genom att slå om Active-reglaget så att schemat och webhooken är live.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Se upp för

  • Credentials för Google Sheets och Google Drive kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera: börja med att kontrollera n8n:s credential-anslutningstest och Google API:s samtycke/behörigheter.
  • Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
  • Vektorsökning är bara så bra som din text. Om dina radar-rader är korta eller inkonsekventa: justera chunking-inställningarna och skriv om standardprompterna för AI, annars kommer du att redigera utdata för alltid.

Liknande automatiseringar

Om din radar-motivering redan finns i dokument, passar Google Drive + OpenAI: svar från dina egna dokument bra eftersom den låter samma Slack-liknande frågor och svar hämta direkt från interna dokument, inte bara från arket.

För team som vill minska policyfrågor i kanaler är Kaggle + Slack: hitta regler i dina dokument direkt ett bra kompletterande workflow; det är samma idé ”fråga i Slack, få ett svar”, fast inriktat på regler och compliance-innehåll.

När du vill ha en publik version av ”radarn” hjälper Supabase + OpenAI: en chatbot som kan din sajt dig att exponera kuraterad kunskap på en webbplats utan att göra dina ingenjörer till support på heltid.

Behöver du visa ledningen en snabb överblick som är svår att argumentera mot? Postgres + QuickChart: delbara diagram från chatt kan förvandla din lagrade radar-data till diagram som folk kan klistra in i uppdateringar och dokument.

Slutligen, om du även automatiserar interna operationer utöver radarn, är RetellAI + Google Calendar: samtal bokar sig själva ett bra kontrastcase: det visar hur du routar förfrågningar, bekräftar intention och minskar den mänskliga overheaden för schemaläggning.


Snabbreferens:

Vanliga frågor

Hur snabbt kan jag implementera den här automatiseringen för Sheets Slack radar?

Cirka en timme om dina Google-, Slack- och databaskonton är redo.

Kan icke-tekniska team implementera den här automatiseringen för radarsökning?

Ja, men någon behöver hantera credentials och databasen en gång. Efter det är den dagliga användningen bara ”fråga i Slack”.

Är n8n gratis att använda för det här workflowet för Sheets Slack radar?

Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in kostnader för LLM och vektorsökning (Pinecone plus din modellleverantör), vilket vanligtvis landar på några dollar i månaden vid måttlig användning.

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

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serveradministration.

Hur anpassar jag den här Sheets Slack radar-lösningen till mina specifika utmaningar?

Du kan byta LLM:en som används i router- och agentnoderna (Anthropic, Groq eller en annan chattmodell) utan att ändra helheten. Vanliga anpassningar är att ändra ruttlogiken i ”LLM Route Agent Selector”, skärpa reglerna i ”AI Response Guardrail” så de matchar din styrningsstil, och lägga till extra fält i MySQL-inserten så att SQL-svar kan filtrera på team, livscykel eller risknivå.

Varför misslyckas min Google Sheets-anslutning i det här workflowet?

Oftast handlar det om att Google OAuth-åtkomsten har löpt ut, eller att arket flyttats till en annan Drive-plats. Återanslut Google-credential i n8n och bekräfta sedan att Sheet ID och delningsbehörigheter fortfarande tillåter läsning från det kontot. Om det bara misslyckas vid schemalagd körning: kontrollera att workflowet som triggas av Cron har tillgång till samma credentials och miljövariabler som dina manuella tester.

Vilken kapacitet har den här Sheets Slack radar-lösningen?

Mer än tillräckligt för de flesta team.

Är den här automatiseringen för Sheets Slack radar bättre än att använda Zapier eller Make?

För det här användningsfallet är n8n oftast bättre lämpat eftersom du gör förgreningslogik, databasoperationer och AI-routing i ett och samma workflow. Zapier och Make kan göra delar av detta, men flersteglogik och hög användning blir snabbt dyrt, och avancerade AI-mönster är svårare att hantera på ett rent sätt. n8n ger dig också egen drift, vilket spelar roll när du vill ha mer kontroll över interna dataflöden. Om du vill ha en lättviktig ”fråga ett dokument”-bot kan enklare verktyg räcka. Om du vill ha en radar som svarar både på SQL-typfrågor och kontextfrågor är n8n den mer praktiska vägen. Prata med en automationsspecialist om du vill ha hjälp att välja.

En tech radar ska avsluta frågor, inte skapa dem. Sätt upp detta en gång, och låt Slack bli ingången till en sanningskälla som folk faktiskt litar på.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

Våra tjänster Om Node Nordic
×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Kopiera och importera JSON-arbetsflödet i ditt n8n-arbetsflöde

Få prisoffert redan idag!
Få prisoffert redan idag!

Berätta vad ni behöver hjälp med så hör vi av oss inom en arbetsdag!

Få prisoffert redan idag!
Få prisoffert redan idag!

Berätta vad ni behöver hjälp med så hör vi av oss inom en arbetsdag!