Att kopiera LinkedIn-profiler till ett kalkylark låter enkelt tills du gör det 30 gånger i rad. Namn stavas fel. Rubriker matchar inte. ”Jag fixar det senare” blir till ett stökigt ark du slutar lita på.
Det här drabbar growth marketers och sales ops hårdast, men även founders som gör sin egen outbound märker det. Med den här LinkedIn Sheets-automatiseringen gör du om valfri publik LinkedIn-profil-URL till felfria, konsekventa rader som du faktiskt kan poängsätta och använda.
Nedan ser du vad workflowet gör, vad du behöver och hur det leder till färre fel och en snabbare lead-pipeline.
Så här fungerar automatiseringen
Se hur det här löser problemet:
n8n Workflow Template: Linkedin till google sheets, rensade leads utan copy-paste
flowchart LR
subgraph sg0["On form submission Flow"]
direction LR
n0["<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/airtop.svg' width='40' height='40' /></div><br/>Airtop"]
n1["<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/form.svg' width='40' height='40' /></div><br/>On form submission"]
n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Edit Fields", pos: "b", h: 48 }
n3@{ icon: "mdi:play-circle", form: "rounded", label: "When Executed by Another Wor..", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Parameters", pos: "b", h: 48 }
n0 --> n2
n4 --> n0
n1 --> n4
n3 --> n4
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 n1,n3 trigger
classDef customIcon fill:none,stroke:none
class n0,n1 customIcon
Utmaningen: att göra LinkedIn-profiler till användbar lead-data
LinkedIn är där kontexten finns, men din process är det oftast inte. Du öppnar en profil, kopierar rubriken, klistrar in den i ett ark och inser sedan att platsformatet är annorlunda, företagsnamnet är förkortat och att du glömde få med ”Om”-avsnittet som faktiskt förklarar vad personen gör. Gör du detta över en lista slutar det med inkonsekventa fält, halvfyllda kolumner och anteckningar som hamnar i slumpmässiga celler. Det är inte bara långsamt. Det är utmattande på ett sätt som gör att du börjar undvika lead research helt.
Det summeras snabbt. Här är var det faller isär när du fortsätter manuellt.
- Du tappar ungefär 10 minuter per profil på att hoppa mellan flikar, kopiera text och formatera celler.
- Fält glider över tid (headline vs. title vs. role), så lead scoring blir en gissningslek.
- Små fel staplas på varandra, och plötsligt personaliserar du outreach med fel företag eller roll.
- Teamet kan inte skala research eftersom alla fångar data ”på sitt sätt”, och avstämning blir en veckovis städuppgift.
Lösningen: extrahera LinkedIn-profiluppgifter till Google Sheets automatiskt
Det här workflowet tar en LinkedIn-profil-URL, öppnar den i en riktig webbläsarsession via Airtop och låter en AI-agent plocka ut de uppgifter du faktiskt behöver i ett strukturerat format. I stället för att du väljer vad som ska kopieras använder workflowet en konsekvent extraktionsprompt som returnerar felfri JSON (namn, headline, plats, nuvarande företag och position, plus djupare avsnitt som erfarenhet, utbildning, kompetenser, språk och rekommendationer). Sedan mappar den den strukturerade outputen till förutsägbara fält så att varje rad ser likadan ut. Du får lead-data du kan filtrera, poängsätta och routa utan att behöva städa den först. Ärligt talat är den största vinsten att kalkylarket blir pålitligt igen.
Workflowet startar från en enkel formulärinlämning eller från ett annat n8n-workflow som anropar det. Det förbereder variabler (ditt Airtop-profilnamn och LinkedIn-URL:en), kör Airtops extraktionsmotor och mappar sedan den returnerade datan till det format som ditt ark förväntar sig.
Vad som förändras: före vs. efter
| Det här tar bort | Effekten du kommer att se |
|---|---|
|
|
Effekt i verkligheten
Säg att du berikar 40 LinkedIn-profiler varje vecka för outbound. Manuellt lägger du ungefär 10 minuter per profil på att kopiera grunderna plus några extra detaljer, så du landar på cirka 7 timmar i veckan. Med det här workflowet skickar du in URL:en (cirka 1 minut), låter Airtop + AI-extraktionen köra i bakgrunden (några minuter) och gör sedan en snabb stickkontroll innan raden används. Det blir oftast under 2 timmar totalt, och arket håller sig konsekvent.
Krav
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Airtop för att öppna LinkedIn i en riktig session
- Google Sheets för att lagra felfria lead-rader
- Airtop API-nyckel (hämta den i din Airtop-dashboard)
Kunskapsnivå: Medel. Du kopplar konton, sätter variabler och verifierar att de extraherade fälten matchar dina kolumner i arket.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Workflow-flödet
En URL startar allt. En formulärtrigger startar körningen när du skickar in en LinkedIn-profillänk, eller så kan ett annat workflow anropa detta via en ”execute workflow”-trigger.
Inmatning normaliseras. Workflowet sätter två nyckelvariabler direkt: ditt Airtop-profilnamn (webbläsaridentiteten som redan är inloggad på LinkedIn) och LinkedIn-URL:en som ska besökas. Här kan du också lägga till taggning som ”kampanj”, ”persona” eller ”källista”.
Airtop + AI extraherar strukturerad data. Airtop öppnar profilen i en live-webbläsarsession, sedan läser en AI-agent vad som finns på sidan och returnerar strukturerad JSON för fält som namn, headline, plats, nuvarande roll, samt längre avsnitt som erfarenhet och utbildning. Det är den här delen som gör outputen konsekvent.
Datan mappas för lagring. Ett steg för ”map extracted output” formar om JSON:en till det kolumnformat du vill ha, vilket betyder att Google Sheets (eller ett CRM senare) får felfria fält i stället för en textklump.
Du kan enkelt justera vilka fält som extraheras så att det matchar din lead scoring-modell utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera formulärtriggern
Konfigurera arbetsflödets ingångar så att data kan komma antingen från en formulärinsändning eller från ett anrop av ett underarbetsflöde.
- Välj Form Submission Trigger och ställ in Form Title på
Linkedin Profile Extractor. - I Form Submission Trigger lägger ni till två obligatoriska fält: Linkedin Person Profile URL och Airtop Profile (connected to Linkedin).
- Ställ in Form Description på
This Airtop Studio automation simplifies LinkedIn data extraction by automatically providing structured, reliable, and easily actionable data—saving significant effort, reducing errors, and enabling fast analysis and decision-making. - Öppna Subflow Execution Trigger och bekräfta att inparametrarna Linkedin_URL och Airtop_profile finns för körning av underarbetsflöde.
Linkedin_URL och Airtop_profile.Steg 2: Förbered indata-variabler
Normalisera inkommande fält så att båda triggrarna fyller samma variabler som används längre fram i flödet.
- Öppna Prepare Input Variables och lägg till den första tilldelningen med Name
Linkedi_URLoch Value={{ $json["Linkedin Person Profile URL"] || $json.Linkedin_URL }}. - Lägg till den andra tilldelningen med Name
Airtop_profileoch Value={{ $json["Airtop Profile (connected to Linkedin)"] || $json.Airtop_profile }}. - Säkerställ att Prepare Input Variables är ansluten från både Form Submission Trigger och Subflow Execution Trigger.
Linkedi_URL (utan ”n” i LinkedIn). Behåll exakt detta namn för att matcha uttrycket längre fram i flödet.Steg 3: Sätt upp motorn för profilaextraktion
Konfigurera Airtop för att extrahera strukturerad LinkedIn-profildata med hjälp av de förberedda indatafälten.
- Välj Profile Extraction Engine och ställ in Resource på
extractionoch Operation påquery. - Ställ in URL på
={{ $json.Linkedi_URL }}. - Ställ in Profile Name på
={{ $json.Airtop_profile }}och Session Mode pånew. - Klistra in de fullständiga extraktionsinstruktionerna i Prompt exakt som de är definierade i noden för att fånga erfarenhet, utbildning, färdigheter och certifieringar.
- I Additional Fields → Output Schema behåller ni det angivna JSON-schemat för att tvinga fram strukturerad output.
- Credential Required: Anslut era
airtopApi-autentiseringsuppgifter.
Steg 4: Konfigurera output-mappning
Transformera Airtop-svaret till en ren JSON-output för vidare användning nedströms.
- Öppna Map Extracted Output och ställ in Mode på
raw. - Ställ in JSON Output på
={{ $json.data.modelResponse }}för att returnera den strukturerade extraktionspayloaden.
Steg 5: Testa och aktivera ert arbetsflöde
Verifiera flödet och slå på det för produktionsanvändning.
- Klicka på Execute Workflow och skicka in ett testformulär via Form Submission Trigger eller trigga via Subflow Execution Trigger.
- Bekräfta att Profile Extraction Engine returnerar data och att Map Extracted Output outputar ett strukturerat JSON-objekt.
- När outputen ser korrekt ut, växla arbetsflödet till Active för produktionsanvändning.
Saker att se upp med
- Airtop-inloggningar kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, börja med att kontrollera din Airtop API-nyckel och status för profillsessionen i Airtop.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in ert tonalitets- och varumärkesspråk tidigt, annars kommer du att redigera outputar för alltid.
Vanliga frågor
Cirka 30 minuter om Airtop och Google Sheets redan är kopplade.
Ja. Du skriver ingen kod, men du behöver matcha extraherade fält mot dina kolumner i arket.
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 med Airtop-användning och OpenAI API-kostnader för extraktionen.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Du kan justera vilka fält som extraheras genom att redigera AI-agentens prompt (vad den ska returnera) och steget ”Map Extracted Output” (hur outputen passar i ditt kalkylark). Vanliga anpassningar är att lägga till persona-taggar, hämta endast ”nuvarande roll” för snabbare scoring och tvinga fram standardiserat platsformat för territoriell routning. Om du vill skicka vidare till ett CRM senare, behåll JSON-strukturen men mappa om utdatafälten så att de matchar HubSpot- eller Salesforce-egenskaper.
Oftast beror det på en utgången Airtop API-nyckel eller att Airtop-profilen inte längre är inloggad på LinkedIn. Anslut profilen igen, generera om nyckeln vid behov och kör sedan en enskild URL för att bekräfta att det är stabilt. Om du processar många profiler kan rate limiting också ge intermittenta fel, så minska batchstorleken och lägg till en längre väntetid före extraktion.
På n8n Cloud Starter kan du köra ett bra antal körningar per månad för små listor, och högre nivåer hanterar större volymer. Om du self-hostar är körningar inte begränsade av n8n, men dina serverresurser och Airtop/OpenAI-gränser spelar fortfarande roll. I praktiken kör de flesta team detta i batchar (t.ex. 20–100 profiler åt gången) för att hålla det stabilt.
Ofta ja, eftersom den här typen av workflow kräver bättre kontroll över logik, mappning och retries än en enkel tvåstegs-zap. n8n ger dig också möjligheten att self-hosta, vilket blir viktigt när du börjar köra större listor och inte vill att varje task ska mätas och debiteras. Browserextraktion i Airtop-stil och strukturerad AI-tolkning blir ofta klumpigt i verktyg som utgår från att det finns ”strukturerade API:er” överallt. Zapier eller Make kan fortfarande fungera för lättare berikning om du bara fångar namn och företag. Om du är osäker, prata med en automationsexpert så kvalitetssäkrar vi din setup.
När din LinkedIn-data landar som felfria rader blir allt längre fram enklare: scoring, routning, personalisering och rapportering. Sätt upp det en gång och låt workflowet ta hand om det repetitiva.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.