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

OneDrive + Mistral AI: PDF-sammanfattningar

Rickard Andersson Partner, Nodenordic.se

Du sparade PDF:en. Bra. Nu ligger den begravd tre mappar ner, med ett namn som inte säger något, och du måste fortfarande läsa den för att förstå vad den handlar om.

Det är här OneDrive PDF-sammanfattningar gör stor skillnad. Marknadsansvariga som jagar research-dokument märker det först, men driftschefer som hanterar leverantörspapper och konsulter som jonglerar kundrapporter fastnar i samma röra.

Det här flödet hittar nya eller uppdaterade PDF:er var som helst i din OneDrive-mappstruktur, sammanfattar dem med Mistral AI, extraherar viktig metadata och loggar allt i en sökbar n8n-tabell som du kan bygga vidare på.

Så fungerar automatiseringen

Hela n8n-flödet, från trigger till slutresultat:

n8n Workflow Template: OneDrive + Mistral AI: PDF-sammanfattningar

Problemet: PDF:er staplas snabbare än du hinner läsa dem

PDF:er är där viktig information gömmer sig. Ett förslag kommer in. En marknadsrapport laddas ner. Ett kontraktstillägg kommer som bilaga, och någon drar det sedan till ”OneDrive/Shared/2026/Stuff/Final-Final”. Senare behöver du en detalj (ett datum, en plats, en nyckelsiffra), så du öppnar filen, skummar 12 sidor och hoppas att du inte missar den. Gör du det några gånger i veckan skänker du i praktiken bort timmar till dokumentletande. Det gör också team långsammare, eftersom ingen vill vara personen som ”bara behöver 20 minuter” för att läsa en PDF till.

Det går fort att det blir mycket. Här är var det faller isär.

  • Djupa mappstrukturer gör att ”sök” ger fem nästan-träffar och ingen av dem rätt.
  • Du läser samma PDF:er om och om igen eftersom det inte finns någon snabb sammanfattning som fräschar upp minnet.
  • Viktig kontext, som mest relevanta datumet eller projektplatsen, försvinner i brödtexten.
  • Manuell uppföljning i anteckningar eller kalkylark blir inaktuell så fort någon glömmer att logga en fil.

Lösningen: OneDrive-sökning + Mistral-sammanfattning + en sökbar logg

Det här n8n-flödet körs enligt schema (kl. 20.00 i mallen) och går igenom en huvudmapp i OneDrive och dess undermappar, upp till åtta nivåer djupt. Det letar specifikt efter PDF:er och kontrollerar sedan din befintliga n8n Data Table för att se vad du redan har behandlat. Om en PDF är ny eller uppdaterad laddar det ner filen, extraherar texten och skickar den genom en Mistral AI-konfiguration som är gjord för affärsläsning, inte fluffiga omskrivningar. Du får en sammanfattning för beslutsfattare, viktiga insikter och datapunkter, plus strukturerad metadata som det enskilt mest relevanta datumet och platsen. Till sist skriver flödet in allt i en korrekt formaterad tabellrad med filnamn och sökväg, så att du kan söka fram det senare eller trigga uppföljande åtgärder.

Flödet startar med en schemalagd genomgång av dina OneDrive-mappar. Därefter filtrerar och deduplicerar det så att du bara lägger AI-processning på filer som faktiskt har ändrats. Sedan producerar Mistral sammanfattningen och extraherar strukturerade detaljer, och n8n loggar resultaten så att du kan återanvända dem.

Det du får: automatisering vs. resultat

Exempel: så här ser det ut i praktiken

Säg att du tar emot eller sparar 20 PDF:er i veckan i en kunds OneDrive med många undermappar. Manuellt tar även en ”snabb koll” av en PDF kanske 10 minuter, och att hitta den igen senare kan lätt lägga till 5 minuter till. Det blir runt 5 timmar i veckan på att läsa och läsa om. Med det här flödet: du lägger en minut på att välja huvudmappen en gång, sedan kör det varje natt kl. 20.00 och lägger en strukturerad sammanfattning i din n8n-tabell. Du läser slutsatserna på några sekunder och öppnar bara PDF:en när något verkligen kräver en djupare granskning.

Det här behöver du

  • n8n-instans (testa n8n Cloud gratis)
  • Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
  • Microsoft OneDrive för att skanna och ladda ner PDF:er
  • Mistral AI (Mistral Cloud) för att skapa sammanfattningar och extrahera fält
  • Mistral API-nyckel (hämtas i din Mistral-kontopanel)

Kunskapsnivå: Mellan. Du kopplar OneDrive, skapar kolumnerna i n8n Data Table och justerar några mapp-/promptinställningar.

Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis konsultation i 15 minuter).

Så fungerar det

En nattlig skanning sätter igång allt. Flödet körs enligt schema (kl. 20.00 som standard) och börjar med att hitta din valda ”huvudmapp” i OneDrive.

OneDrive genomsöks på djupet. Det hämtar objekt från mappen, kontrollerar PDF:er och fortsätter sedan genom undermappar upp till åtta nivåer så att filer inte missas bara för att någon organiserade dem ”kreativt”.

Endast nya eller ändrade PDF:er går vidare. n8n jämför den aktuella fillistan med rader som redan finns lagrade i din n8n Data Table. Om den redan har behandlats hoppas den över. Det är där en stor del av kostnadskontrollen kommer ifrån.

Mistral tar fram en konsekvent sammanfattning och strukturerade fält. Efter att ha laddat ner filen och extraherat texten gör två AI-pass en sammanfattning för beslutsfattare och viktiga insikter, och plockar sedan metadata som datum och plats. Parsers för strukturerad output validerar svaret så att tabellen inte fylls med rörig formatering.

Du kan enkelt ändra vilka fält som extraheras så att de matchar dina dokument, eller byta schemat så att det körs vid lunch i stället för på kvällen, beroende på dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera den schemalagda triggern

Det här arbetsflödet startar enligt ett schema och delas direkt upp i två parallella grenar för mappidentifiering och tabellhämtning.

  1. Lägg till och öppna Scheduled Automation Trigger för att definiera när automatiseringen ska köras.
  2. Ställ in önskat schema (t.ex. dagligen/veckovis) i Scheduled Automation Trigger så att det matchar er rutin för dokumentgranskning.
  3. Bekräfta att Scheduled Automation Trigger skickar utdata parallellt till både Locate Root Folder och Retrieve Table Rows.

Tips: Parallella starter minskar den totala körtiden—verifiera att båda grenarna är anslutna innan ni går vidare.

Steg 2: Anslut Microsoft OneDrive och lokalisera filer

Flera OneDrive-noder listar mappar och hämtar objekt över flera grenar; ställ in autentiseringsuppgifter en gång per nod och bekräfta mappsökvägarna.

  1. Öppna Locate Root Folder och konfigurera mappsökningen för er rotkatalog.
  2. Konfigurera sekvensen för mapplistning i Fetch Folder Items A till Fetch Folder Items H för att mappa era källmappar.
  3. Öppna Download Source File och säkerställ att den hämtar rätt fil med det valda OneDrive-fil-ID:t.
  4. Autentiseringsuppgifter krävs: Anslut era Microsoft OneDrive-inloggningsuppgifter i Locate Root Folder, alla Fetch Folder Items A–Fetch Folder Items H och Download Source File.

⚠️ Vanlig fallgrop: Det här arbetsflödet innehåller 10+ OneDrive-noder—saknade autentiseringsuppgifter i någon av dem bryter kedjan för filidentifiering.

Steg 3: Sätt upp PDF-filtrering, storlekskontroller och filströmmar

PDF-kontroller styr vilka filer som slås ihop till en gemensam ström innan storleksvalidering och batchning.

  1. Granska PDF Check A till PDF Check H så att de endast filtrerar fram PDF-filer från varje mappström.
  2. Bekräfta att varje PDF Check-nod skickar utdata till Combine File Streams (sammanfogat till ett enda dataset).
  3. Öppna Validate File Size och sätt regler för att exkludera filer som överskrider er bearbetningströskel.
  4. Verifiera att Combine File Streams → Validate File Size → Mid Batch Loop är anslutna i rätt ordning.

Tips: Filstorlekskontroller hjälper er att undvika LLM-fel när stora PDF:er överskrider token-gränser.

Steg 4: Konfigurera batchning och jämförelse av dataset

Arbetsflödet använder flera batch-loopar för att jämföra filuppsättningar och avgöra vilka dokument som går vidare.

  1. Konfigurera batchstorlekar i Primary Batch Loop, Mid Batch Loop, Tertiary Batch Loop och Final Batch Loop så att det matchar er kapacitet.
  2. Öppna Assign File ID A, Assign File ID B och Assign File ID C för att mappa filidentifierare som används i efterföljande steg.
  3. Verifiera att Primary Batch Loop och Mid Batch Loop båda matar in i Compare Data Sets för att upptäcka dubbletter eller tidigare bearbetning.
  4. Säkerställ att Compare Data Sets routar utdata till Tertiary Batch Loop före Final Batch Loop.

Steg 5: Extrahera PDF-innehåll och kör parallell AI-analys

Efter nedladdning och extrahering av PDF-innehåll utför arbetsflödet parallell sammanfattnings- och detaljanalys med Mistral.

  1. Öppna Extract PDF Content för att bekräfta att den bearbetar filutdata från Download Source File.
  2. Säkerställ att Extract PDF Content skickar utdata parallellt till både Detail Agent och Summary Agent.
  3. Granska Detail Agent → Detail LLM Chain och Summary Agent → Summary LLM Chain för era prompts och er utdata-struktur.
  4. Anslut Structured Parser A till Detail LLM Chain och Structured Parser B till Summary LLM Chain via anslutningarna för AI-output parser.
  5. Autentiseringsuppgifter krävs: Anslut era Mistral Cloud-inloggningsuppgifter i Mistral Chat Engine.
  6. Obs: Structured Parser A och Structured Parser B är AI-subnoder—autentiseringsuppgifter ska läggas till i Mistral Chat Engine, inte i parsers.

⚠️ Vanlig fallgrop: Om Mistral Chat Engine inte är ansluten kommer alla AI-noder (Detail Agent, Summary Agent och båda parsers) att misslyckas.

Steg 6: Slå ihop AI-resultat och lagra poster

Resultat från båda AI-vägarna slås ihop, aggregeras och läggs till i en datatabell för revision och spårning.

  1. Verifiera att Summary LLM Chain och Detail LLM Chain båda matar in i Combine LLM Results parallellt.
  2. Öppna Aggregate Records för att definiera hur sammanfattnings- och detaljutdata kombineras.
  3. Sätt upp Append Data Row för att skriva de aggregerade resultaten till er tabell.
  4. Bekräfta flödet Combine LLM Results → Aggregate Records → Append Data Row → Final Batch Loop.

Steg 7: Konfigurera tabellhämtning för jämförelse

Historiska data hämtas i början för att jämföra mot nya filer och förhindra återbearbetning.

  1. Öppna Retrieve Table Rows och säkerställ att den läser från samma datatabell som används av Append Data Row.
  2. Bekräfta att Retrieve Table Rows skickar utdata direkt till Primary Batch Loop för jämförelse av dataset.

Tips: Om ni håller tabellschemat konsekvent mellan Retrieve Table Rows och Append Data Row undviker ni felmatchningar vid jämförelsen.

Steg 8: Testa och aktivera ert arbetsflöde

Verifiera hela flödet end-to-end och bekräfta att sammanfattningar och detaljer läggs till korrekt innan ni aktiverar produktionskörningar.

  1. Klicka på Execute Workflow för att köra ett manuellt test från Scheduled Automation Trigger.
  2. Kontrollera att Extract PDF Content matar både Detail Agent och Summary Agent, och att Combine LLM Results skapar sammanfogad utdata.
  3. Bekräfta att en ny post skapas via Append Data Row och att flödet loopar korrekt i Final Batch Loop.
  4. Aktivera arbetsflödet med reglaget Active när testerna är slutförda och lyckade.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

  • Microsoft OneDrive-inloggningar kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, börja med att kontrollera skärmen Credentials i n8n och dina åtkomstpolicyer i Microsoft-kontot.
  • Om du använder Wait-noder eller extern bearbetning kan tajmingen variera från körning till körning. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
  • Standardprompter i AI-noder är generiska. Lägg in din varumärkesröst och ditt önskade sammanfattningsformat tidigt, annars kommer du att sitta och skriva om varje ”sammanfattning för beslutsfattare” för hand.

Relaterade flöden

Om teamet också behöver göra om PDF-text till något kundnära är Mistral OCR + Gmail: PDF:er blir nyhetsbrev ett naturligt nästa steg när du väl litar på sammanfattningarna.

För team som gör researchtungt arbete passar Google Drive + Gemini: svar från dina PDF:er bra när du vill ha Q&A ovanpå dina sparade sammanfattningar (annan känsla, mer ”fråga och få svar”).

När underwriting eller deal review är det verkliga användningsfallet är OneDrive + OpenAI: underwriting-sammanfattningar från PDF:er anpassat för en mer formell analysstil och kan komplettera det här flödets generella sammanfattningar för beslutsfattare.

Behöver du få utdata någonstans där teamet redan jobbar? Google Drive till Google Sheets, OCR loggat korrekt formaterat är användbart när målet är en lättviktig logg i ett kalkylark i stället för en n8n Data Table.

Slutligen, om du vill ha redigerbar text i stället för ”bara” en sammanfattning hjälper Mistral OCR + Google Docs: strukturerade PDF:er, redo att redigera dig att konvertera stökiga PDF:er till dokument som teamet faktiskt kan jobba i.


Snabbreferens:

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för OneDrive PDF-sammanfattningar?

Cirka 30–60 minuter om din OneDrive-åtkomst redan är på plats.

Behöver jag kunna koda för att automatisera OneDrive PDF-sammanfattningar?

Nej. Du kommer främst att koppla konton och redigera några fält (som namnet på din huvudmapp och tabellkolumnerna).

Är n8n gratis att använda för det här flödet för OneDrive PDF-sammanfattningar?

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 in kostnader för Mistral API-användning, som beror på hur många sidor du bearbetar.

Var kan jag hosta n8n för att köra den här automatiseringen för OneDrive PDF-sammanfattningar?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa den här automatiseringen för OneDrive PDF-sammanfattningar för veckovisa mejlsammanställningar?

Ja, och det är en vanlig uppgradering. Behåll OneDrive-skanningen och sammanfattningsdelarna som de är, och lägg sedan till en Gmail- eller Microsoft Outlook-nod efter ”Append Data Row” för att sammanställa nya rader till en veckorapport. Du kan också justera AI-schemat för att lägga till fält som ”Projekt”, ”Kund” eller ”Risknivå” om dina PDF:er följer tydliga mönster.

Varför misslyckas min OneDrive-anslutning i det här flödet för OneDrive PDF-sammanfattningar?

Oftast beror det på utgångna Microsoft-inloggningar eller saknade behörighetsscope för att lista mappar och ladda ner filer. Anslut OneDrive-uppgiften på nytt i n8n och bekräfta sedan att flödet fortfarande har åtkomst till den specifika överordnade mappen du skannar. Om det bara misslyckas i vissa undermappar kan det också vara ett delnings- eller ägarskapsproblem för de mapparna.

Hur många PDF:er kan den här automatiseringen för OneDrive PDF-sammanfattningar hantera?

Det beror mer på din n8n-plan och din server än på själva flödet. I n8n Cloud hanterar högre nivåer fler körningar per månad; i self-hosted n8n finns ingen hård gräns för körningar, men du begränsas av CPU/RAM och hur lång tid OneDrive-skanningen tar. I praktiken kör team detta varje natt på dussintals eller några hundra PDF:er utan problem, särskilt eftersom deduplicering förhindrar upprepad bearbetning. Om du förväntar dig tusentals nya PDF:er i veckan bör du snäva in mappomfånget och hålla filstorlekskontrollen strikt.

Är den här automatiseringen för OneDrive PDF-sammanfattningar bättre än att använda Zapier eller Make?

För en djup OneDrive-genomgång av mappar, plus deduplicering och strukturerad AI-output, är n8n oftast bättre eftersom det hanterar förgrening, batchning och datatransformering utan att bli en dyr labyrint. Zapier eller Make kan fungera om du bara behöver ett enkelt ”ny fil → sammanfatta → skicka meddelande”-flöde, men rekursion i flera nivåer och tabelljämförelser är där de blir klumpiga. n8n ger dig också möjligheten att self-hosta, vilket spelar roll om du vill ha förutsägbara kostnader. Om du är osäker, kör det en gång med en liten mapp och se hur det beter sig. Prata med en automationsexpert så kan du rimlighetskolla upplägget innan du bestämmer dig.

När det här väl rullar slutar PDF:er vara ett svart hål. Du får ett korrekt formaterat spår av sammanfattningar och nyckelfakta som du faktiskt kan använda, utan att öppna samma fil fem gånger.

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