Intervjude-briefar blir snabbt röriga när feedbacken finns som fritextanteckningar i ett kalkylark. Någon skriver ”stark kommunikatör”, någon annan skriver tre stycken, och när du väl sitter i Slack och försöker bestämma dig översätter du åsikter i stället för att jämföra belägg.
Rekryteringsansvariga känner av detta när en rekryteringsloop fastnar. HR operations dras in när kvaliteten på feedbacken sjunker. Och rekryterande chefer vill bara ha en tydlig signal. Den här Sheets Slack feedback-automationen förvandlar råa Google Sheets-anteckningar till konsekvent poängsättning och coachningssammanfattningar som skickas tillbaka till Slack.
Nedan ser du vad workflowet gör, affärseffekten och hur du kör det utan att göra hela teamet till prompt-ingenjörer.
Så fungerar automationen
Se hur detta löser problemet:
n8n Workflow Template: Google Sheets + Slack: tydligare intervjufeedback snabbt
flowchart LR
subgraph sg0["When clicking ‘Execute workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Execute workf..", pos: "b", h: 48 }
n1@{ icon: "mdi:database", form: "rounded", label: "Fetch Raw Feedback Data", pos: "b", h: 48 }
n2@{ icon: "mdi:brain", form: "rounded", label: "AI Quality Evaluator (GPT-4o1", pos: "b", h: 48 }
n3@{ icon: "mdi:robot", form: "rounded", label: "Analyze Feedback Quality", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Validate AI Response", pos: "b", h: 48 }
n5["<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/>Parse AI JSON Output"]
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/code.svg' width='40' height='40' /></div><br/>Calculate Weighted Quality S.."]
n7@{ icon: "mdi:database", form: "rounded", label: "Save Scores to Spreadsheet", pos: "b", h: 48 }
n8["<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/slack.svg' width='40' height='40' /></div><br/>Send Feedback Summary to Int.."]
n9@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check if Training Needed", pos: "b", h: 48 }
n10["<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/slack.svg' width='40' height='40' /></div><br/>Send Training Recommendations"]
n11@{ icon: "mdi:database", form: "rounded", label: "Log AI Errors", pos: "b", h: 48 }
n5 --> n6
n4 --> n5
n4 --> n11
n1 --> n3
n3 --> n4
n9 --> n10
n2 -.-> n3
n6 --> n8
n6 --> n7
n6 --> n9
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 n3 ai
class n2 aiModel
class n4,n9 decision
class n1,n7,n11 database
class n5,n6 code
classDef customIcon fill:none,stroke:none
class n5,n6,n8,n10 customIcon
Utmaningen: vag intervjufeedback som fördröjer beslut
De flesta skriver intervjufeedback snabbt, mellan möten, i den stil som varje intervjuare föredrar. Sedan hamnar det i ett delat ark och blir ”data”, trots att det inte går att jämföra. Under debriefen slutar det med att ni argumenterar om vad ”bra culture add” betyder, eller letar efter ett enda exempel som bevisar poängen. Under tiden väntar kandidaten, teamet börjar tvivla, och processen blir i det tysta mindre rättvis eftersom den som skriver högst eller mest välformulerat vinner. Ärligt talat är det utmattande att manuellt behöva polisa feedbackkvaliteten.
Det drar snabbt iväg. Här är var det faller isär i verkligheten.
- Intervjuare återanvänder standardfraser som ”bra erfarenhet” eller ”verkar smart”, vilket gör debriefar till rena gissningsleken.
- Anteckningar är inte strukturerade, så två personer kan bedöma samma kompetens och ändå vara omöjliga att jämföra.
- Bias smyger in via språket, och det finns inget konsekvent sätt att fånga det innan det påverkar beslutet.
- När feedbackkvaliteten är låg blir coachningen reaktiv och obekväm, eftersom du inte kan peka på konkreta glapp.
Lösningen: AI-poängsatta feedbacksammanfattningar från Sheets till Slack
Det här workflowet börjar med den feedback du redan samlar in i Google Sheets (roll, steg, intervjuarens e-post och rå feedbacktext). När du kör det hämtar automationen varje rad, skickar texten till GPT-4o-mini (Azure OpenAI) och ber om en strukturerad utvärdering över tydliga dimensioner som specificitet, STAR-kvalitet, biasfritt språk, handlingsbarhet och djup. Därefter validerar den AI-svaret innan något används. Om modellens output är felaktigt formaterad loggar workflowet felet i ett separat Google Sheet för revision och felsökning. Om det är giltigt parsar två kodsteg JSON:en och beräknar en viktad kvalitetspoäng från 0 till 100, plus flaggor och exempel på vaga formuleringar. Till sist får Slack en kort sammanfattning till intervjuaren, och låga poäng får automatiskt coachningsresurser.
Körningen startar med en manuell trigger. Google Sheets står för källanteckningarna, AI-modellen strukturerar dem, och workflowet omvandlar strukturen till en poäng och ett coachningsmeddelande. Slack blir leveranskanalen, vilket gör att intervjuarna förbättras medan rekryteringsloopen fortfarande är färsk.
Vad som förändras: före vs. efter
| Detta elimineras | Effekten du kommer att se |
|---|---|
|
|
Effekt i verkligheten
Säg att du kör en loop med 6 intervjuare och att du granskar feedback två gånger: en gång före debrief och en gång under. Om det tar cirka 10 minuter att läsa och tolka varje persons anteckningar blir det ungefär 2 timmar ”översättningstid” per kandidat. Med det här workflowet kör du den manuella triggern, väntar på AI-bearbetningen och Slack postar strukturerade sammanfattningar till rätt personer. Din mänskliga tid sjunker till cirka 10 minuter för att skanna nyckelflaggor och poäng, sedan går du vidare.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra rå feedback och poäng.
- Slack för att leverera sammanfattningar och coachning i kanalen.
- Azure OpenAI API-uppgifter (hämta dem från Azure OpenAI Studio i din Azure-portal)
Kompetensnivå: Medel. Du kopplar konton, klistrar in en API-nyckel och mappar några kalkylarksfält.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Workflowflödet
En manuell körning drar igång allt. Du startar den när du är redo att utvärdera en batch med nya intervjuanteckningar (till exempel precis före en debrief-dag).
Google Sheets tillhandahåller rå feedback. Workflowet läser varje rad som innehåller roll, steg, intervjuarens e-post och fritextfeedbacken som normalt skapar all förvirring.
AI gör röriga anteckningar till en konsekvent struktur. GPT-4o-mini utvärderar kvalitet över workflowets dimensioner (specificitet, STAR, biasfritt språk, handlingsbarhet, djup) och returnerar sedan JSON som workflowet kan poängsätta. Om svaret saknas eller är felaktigt formaterat loggas det i ett felark för transparens.
Poäng och coachning tas fram automatiskt. Två kodsteg parsar JSON:en och räknar fram en viktad poäng (0–100), plus flaggor och exempel på vaga fraser som intervjuaren kan ersätta nästa gång.
Slack levererar återkopplingsloopen. Intervjuare får ett sammanfattande meddelande, och alla under utbildningströskeln (poäng under 50) får coachningsresurser i Slack. Den ursprungliga Google Sheets-raden uppdateras med poängen och AI-output så att du kan följa utvecklingen över tid.
Du kan enkelt justera poängtröskeln för att matcha teamets standarder baserat på rollens senioritet eller intervjusteg. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den manuella triggern
Konfigurera arbetsflödet så att det kan startas vid behov med den manuella trigger-noden.
- Lägg till Manual Run Trigger som startnod.
- Behåll standardinställningarna; den här noden körs när ni klickar på Execute Workflow.
- Koppla Manual Run Trigger till Retrieve Feedback Records.
Steg 2: anslut Google Sheets
Hämta intervjuarfeedback och skriv senare tillbaka poäng till Google Sheets.
- Öppna Retrieve Feedback Records och välj målarket och fliken.
- Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Retrieve Feedback Records.
- I Update Score Sheet ställer ni Operation till
updateoch mappar fälten till{{ $json.Flags }},{{ $json.Score }},{{ $json.LLM_JSON }}och{{ $('Retrieve Feedback Records').item.json.row_number }}. - Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Update Score Sheet.
- I Append AI Error Log ställer ni Operation till
appendoch väljer fliken för felloggen. - Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Append AI Error Log.
Steg 3: konfigurera AI-utvärdering
Använd AI-kedjan för att poängsätta kvaliteten på feedbacken och validera modellens output.
- Öppna Evaluate Feedback Quality och behåll text-prompten som den är för att säkerställa output endast i JSON.
- Säkerställ att mallen för input-meddelandet innehåller
{{$json["Role"]}},{{$json["Stage"]}}och{{$json["Feedback_Text"]}}som kontext. - Öppna LLM Quality Assessor och ställ in Model till
gpt-4o-mini. - Inloggningsuppgifter krävs: Anslut era azureOpenAiApi-uppgifter i LLM Quality Assessor.
- Obs: LLM Quality Assessor är ansluten som språkmodell för Evaluate Feedback Quality—säkerställ att inloggningsuppgifterna läggs till i LLM Quality Assessor, inte i kedje-noden.
- I Validate Model Output behåller ni villkoret
{{ $json.text }}not equalsundefinedför att skicka ogiltiga output till loggning.
Steg 4: tolka och poängsätt AI-output
Konvertera AI:ns JSON-sträng till data och beräkna en viktad poäng för analys.
- I Parse Model JSON behåller ni den angivna jsCode som tolkar
$json["text"]och kastar ett fel om JSON:en är ogiltig. - I Compute Weighted Score behåller ni vikterna och poänglogiken för att skapa
Score,Flags,LLM_JSONochVaguePhrasesFormatted. - Bekräfta att noden behåller
row_number,RoleochStagegenom referenser som$item(0).$node["Retrieve Feedback Records"].json.Role.
Steg 5: konfigurera Slack-utdata och routning till utbildning
Skicka en sammanfattning till Slack och skicka vid behov coachningsresurser vid låga poäng.
- Öppna Post Feedback Summary och behåll fältet text som angivet för att formatera Slack-meddelandet.
- Inloggningsuppgifter krävs: Anslut era slackApi-uppgifter i Post Feedback Summary.
- I Assess Training Need behåller ni villkoret
{{$json["Score"]}}less than50för att trigga coachning. - Öppna Send Coaching Resources och behåll fältet text som angivet för utbildningsrekommendationen.
- Inloggningsuppgifter krävs: Anslut era slackApi-uppgifter i Send Coaching Resources.
- Compute Weighted Score skickar output parallellt till både Post Feedback Summary och Update Score Sheet samt Assess Training Need.
Steg 6: lägg till felhantering
Logga problem med modellens output i ett dedikerat Google Sheet.
- Från Validate Model Output säkerställer ni att false-grenen är kopplad till Append AI Error Log.
- Bekräfta att Append AI Error Log använder Operation
appendför att fånga rader med fel.
Steg 7: testa och aktivera ert arbetsflöde
Kör arbetsflödet end-to-end och validera output i Sheets och Slack.
- Klicka på Execute Workflow för att trigga Manual Run Trigger och bearbeta en exempelrad.
- Bekräfta att Post Feedback Summary skickar ett Slack-meddelande med poäng och flaggor.
- Verifiera att Update Score Sheet skriver tillbaka
Score,FlagsochLLM_JSONtill korrekt rad. - Om poängen är under 50, bekräfta att Send Coaching Resources skickar ett utbildningsmeddelande.
- När allt är verifierat, slå på arbetsflödet till Active för användning i produktion.
Se upp för
- Behörigheter i Google Sheets kan vara den tysta sabotören. Om uppdateringar inte skrivs tillbaka, kontrollera först det anslutna Google-kontot och delningsinställningarna för kalkylarket.
- Om du kör stora batcher varierar AI-bearbetningstiden och du kan slå i rate limits. När Slack-meddelanden kommer in ofullständiga eller inte alls, stryp batchstorleken eller lägg in en kort väntan innan du postar.
- Misslyckade Slack-postningar beror ofta på kanal- eller användarmappning. Bekräfta att workflowet kan skicka meddelanden till intervjuaren (korrekt e-post-till-användare-mappning, rätt workspace och att appen är installerad där du tror).
Vanliga frågor
Cirka en timme om dina Sheets-, Slack- och Azure OpenAI-konton är klara.
Ja. Ingen kodning krävs för att få värde av det, men någon behöver mappa kalkylarkskolumner och klistra in Azure OpenAI API-uppgifterna.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna med kostnader för Azure OpenAI API-användning, som beror på hur mycket text du bearbetar.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och klarar n8n bra. Self-hosting ger obegränsade körningar men kräver grundläggande serveradministration.
Börja med att justera viktningen och trösklarna i kodsteget ”Compute Weighted Score”, eftersom det är det som avgör vad som räknas som ”bra” för ditt team. Du kan också ändra logiken i ”Assess Training Need” för att skicka olika resurser beroende på roll eller steg (till exempel hårdare krav i slutrundor). Om du vill att AI ska följa er intervjurubrik, redigera prompterna i noderna ”Evaluate Feedback Quality” och ”LLM Quality Assessor” så att den poängsätter de kompetenser ni faktiskt använder. Och om Slack blir för stökigt, byt destination från DM till en privat kanal för rekryterargranskning först.
Oftast beror det på behörigheter eller målval. Anslut Slack på nytt i n8n, bekräfta att appen får posta där du skickar meddelanden och dubbelkolla att du mappar intervjuarens e-post till rätt Slack-användare i din workspace.
På n8n Cloud Starter brukar det fungera bra för små rekryteringsteam som kör några batcher i veckan. Om du self-hostar finns ingen körningsbegränsning, men genomströmningen beror på din server och Azure OpenAI:s rate limits.
Ofta, ja. Det här workflowet gör validering, JSON-parsning, viktad poängsättning, felloggning och villkorad coachning, vilket är mycket enklare att uttrycka i n8n utan att betala extra för paths och avancerad logik. Self-hosting är också viktigt om du vill ha obegränsade körningar och mer kontroll över HR-data. Zapier eller Make kan fortfarande fungera om du bara vill ”skicka en sammanfattning till Slack”, men så fort du behöver revisionsloggar och förgreningar blir det pilligt. Om du är osäker, prata med en automationsexpert och stäm av bästa upplägg för er rekryteringsvolym.
Tydlig feedback är en rekryteringsfördel. När det här workflowet väl rullar slutar kalkylarket vara en dumpningsplats och börjar fungera som ett riktigt system.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.