Telefonintervjuer ska gå snabbt. Men uppföljningen blir ofta en rörig mix av halvskrivna anteckningar, beslut baserade på “magkänsla” och någon som försöker återskapa vad kandidaten faktiskt sa.
Rekryterare känner av det när fem samtal kommer direkt efter varandra. Rekryterande chefer märker det när “varför” bakom en poäng saknas. Och grundare som rekryterar själva kör rakt in i samma vägg. Den här automatiseringen för intervjubedömning ger dig konsekventa godkänd/icke godkänd-beslut, plus tydliga anteckningar, utan att du skriver om samma utvärdering varje dag.
Du kopplar en transkriptionskälla till n8n, låter OpenAI utvärdera transkriptet mot dina kriterier och loggar sedan en strukturerad rad i Google Sheets så att pipeline:n förblir lätt att läsa.
Så fungerar den här automatiseringen
Här är det kompletta flödet du kommer att sätta upp:
n8n Workflow Template: Openai + google sheets: enhetliga intervjupoäng
flowchart LR
subgraph sg0["Evaluate Candidate 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/webhook.dark.svg' width='40' height='40' /></div><br/>Webhook"]
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Edit Fields2", pos: "b", h: 48 }
n2@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model2", pos: "b", h: 48 }
n3@{ icon: "mdi:robot", form: "rounded", label: "Evaluate Candidate", pos: "b", h: 48 }
n4@{ icon: "mdi:robot", form: "rounded", label: "Convert to JSON", pos: "b", h: 48 }
n5@{ icon: "mdi:database", form: "rounded", label: "Save to Google Sheets", pos: "b", h: 48 }
n6@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model1", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser1", pos: "b", h: 48 }
n0 --> n1
n1 --> n3
n4 --> n5
n3 --> n4
n6 -.-> n3
n2 -.-> n4
n7 -.-> 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 n3,n4,n7 ai
class n2,n6 aiModel
class n5 database
class n0 api
classDef customIcon fill:none,stroke:none
class n0 customIcon
Varför det här spelar roll: inkonsekventa intervjubedömningar
De flesta team har inte svårt att genomföra telefonintervjuer. De har svårt att hantera dem efteråt. Någon måste kopiera transkriptet från ett verktyg, skumma igenom det, avgöra om kandidaten kvalificerar sig och sedan klistra in en sammanfattning någonstans där resten av teamet faktiskt tittar. Det är monotont, så det går ofta för fort. Sedan granskar nästa person samma kandidat och drar en annan slutsats eftersom kriterierna inte tillämpades på samma sätt. Multiplicera det med några roller och en stressig vecka, så blir din “pipeline” en hög av åsikter.
Det går snabbt ihop. Här brukar friktionen uppstå.
- Transkript granskas i batchar, vilket gör att bra kandidater får vänta i flera dagar på ett tydligt nästa steg.
- Olika granskare betonar olika signaler, så “godkänd” kan betyda tre olika saker.
- Manuell kopiering/klistring in i ett kalkylark leder till saknade fält som ort, telefon eller en användbar motivering till beslutet.
- När någon frågar “Varför avböjde vi dem?” är svaret ofta begravt i chattloggar eller inte nedskrivet alls.
Vad du bygger: AI-bedömda transkript loggade i Sheets
Det här flödet lyssnar efter ett telefonintervju-transkript som skickas till n8n via en webhook (ditt intervjusystem postar sluttranskriptet när samtalet avslutas). n8n plockar ut transkripttexten från inkommande payload och skickar den vidare till en OpenAI-driven utvärderare baserad på en tydlig checklista. AI-agenten returnerar strukturerade fält som kandidatens namn, telefon, stad/delstat, ett kvalificerar ja/nej-beslut och motiveringen bakom. Därefter säkerställer ett formateringssteg att utdata är tillförlitlig och konsekvent, och sedan lägger flödet till en ny rad i Google Sheets så att teamet får en plats att granska och filtrera kandidater. Inga fler “var tog transkriptet vägen?”-ögonblick.
Flödet startar med en transkript-webhook. OpenAI utvärderar transkriptet mot dina krav och producerar korrekt formaterad JSON. Till sist blir Google Sheets systemet för beslut och anteckningar om godkänd/icke godkänd, redo för uppföljning.
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att du gör 10 telefonintervjuer i veckan. Manuellt är det lätt att lägga cirka 15 minuter på att läsa ett transkript och ytterligare 5 minuter på att kopiera detaljer och skriva ett beslut, alltså runt 3 timmar i veckan. Med det här flödet är den enda egentliga människotiden en snabb genomläsning av AI:ns anteckningar och någon enstaka justering av kriterier, kanske 2 minuter per kandidat. Det är nästan 2 timmar tillbaka varje vecka, samtidigt som ditt kalkylark håller en enhetlig standard.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- OpenAI API för bedömning och extrahering av transkript.
- Google Sheets för att lagra beslut, anteckningar och detaljer.
- OpenAI API-nyckel (hämta den från OpenAI:s API-dashboard)
Svårighetsgrad: Nybörjare. Du kopplar konton, klistrar in en webhook-payload en gång och redigerar utvärderingskriterier i vanlig svenska.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
Ett transkript träffar din webhook. Ditt telefonintervjuverktyg skickar sluttranskriptet när samtalet avslutas, och n8n tar emot det direkt via Inbound Webhook Trigger.
Flödet extraherar själva transkripttexten. Många verktyg bäddar in transkript i en djupare JSON-struktur, så steget “Extract Transcript” plockar rätt fält och ignorerar resten.
OpenAI utvärderar kandidaten mot dina kriterier. AI-agenten läser transkriptet och producerar strukturerade utdata (namn, telefon, stad/delstat, kvalificerar, motivering) så att du får konsekvens istället för fria textstycken.
Resultatet formateras och loggas i Google Sheets. Ett lager för JSON-formatering/parsing håller utdata förutsägbar, och sedan lägger “Append to Sheets” till en ny rad som du kan sortera, filtrera och dela.
Du kan enkelt ändra utvärderingschecklistan för att passa en ny roll och ändå behålla samma loggstruktur i Google Sheets utifrån dina behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera webhook-triggern
Konfigurera den inkommande webhooken så att externa system kan skicka kandidattranskript till arbetsflödet.
- Lägg till noden Inbound Webhook Trigger och ställ in HTTP Method på
POST. - Ställ in Path till
351ffe7c-69f2-4657-b593-c848d59205c0. - Koppla Inbound Webhook Trigger till Extract Transcript för att starta exekveringsflödet.
Steg 2: Konfigurera extrahering av transkript
Normalisera inkommande payload så att efterföljande AI-noder kan referera till transkriptet på ett tillförlitligt sätt.
- Öppna Extract Transcript och lägg till en tilldelning med Name inställt på
body.message.artifact.transcript. - Ställ in Value till
{{ $json.body.message.artifact.transcript }}. - Koppla Extract Transcript till Evaluate Applicant.
Steg 3: Konfigurera AI-utvärdering och JSON-formatering
Använd AI-agenten för att poängsätta kandidaten och normalisera sedan resultatet till ett strukturerat JSON-format.
- I Evaluate Applicant ställer ni in Text till
=Transcript: {{ $json.body.message.artifact.transcript }}och behåller Prompt Type somdefine. - Öppna OpenAI Chat Engine A och välj modellen
gpt-4o-mini. Credential Required: Anslut era openAiApi-inloggningsuppgifter. - Verifiera AI-kopplingen: OpenAI Chat Engine A är länkad som språkmodell för Evaluate Applicant.
- I JSON Formatter ställer ni in Text till
={{ $json.output }}och säkerställer att Has Output Parser är aktiverat. - Öppna OpenAI Chat Engine B och välj modellen
gpt-4o-mini. Credential Required: Anslut era openAiApi-inloggningsuppgifter. - Bekräfta att Schema Output Parser är ansluten som output parser för JSON Formatter och att dess schemaexempel matchar önskad JSON-struktur.
Steg 4: Konfigurera utdata till Google Sheets
Lägg till den strukturerade kandidatdatan i ert kalkylark.
- Öppna Append to Sheets och ställ in Operation på
append. - Ställ in Document till
[YOUR_ID]och Sheet tillSheet1(värdegid=0). - Mappa kolumner till värden: name →
{{ $json.output.name }}, phone →{{ $json.output.phone }}, cityState →{{ $json.output.cityState }}, qualifies →{{ $json.output.qualifies }}, reasoning →{{ $json.output.reasoning }}. - Credential Required: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter.
name, phone, cityState, qualifies, reasoning), annars kan append misslyckas.Steg 5: Testa och aktivera ert arbetsflöde
Validera hela flödet från webhook till AI-utvärdering och loggning i Google Sheets.
- Klicka på Execute Workflow och skicka en POST-begäran till Inbound Webhook Trigger-URL:en med en payload som innehåller
body.message.artifact.transcript. - Bekräfta att Evaluate Applicant skapar ett JSON-objekt och att JSON Formatter ger ut giltig JSON.
- Verifiera att en ny rad läggs till i målarket i Google Sheet av Append to Sheets.
- När allt är validerat växlar ni arbetsflödet till Active för användning i produktion.
Felsökningstips
- Google Sheets-inloggningar kan löpa ut eller kräva specifika behörigheter. Om saker skapar fel, kontrollera Google-anslutningen i n8n under fliken Credentials och bekräfta att kalkylarket är delat med det anslutna kontot.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströms noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du att redigera utdata i all evighet.
Snabba svar
Cirka 30 minuter om din transkriptionskälla kan skicka webhooks.
Nej. Du klistrar in inloggningsuppgifter, pekar Google Sheets-noden mot ditt kalkylark och justerar texten i utvärderingschecklistan.
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-kostnader, som vanligtvis är några cent per transkript beroende på längd.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du. Uppdatera kriterierna i instruktionerna för AI-agenten “Evaluate Applicant” och behåll sedan samma strukturerade utdatafält (eller lägg till nya) i Schema Output Parser. Vanliga justeringar är att ändra checklistan för en ny roll, lägga till en numerisk poäng vid sidan av kvalificerar, eller fånga extra fält som tillgänglighet, löneförväntningar eller licenstyp. Om du ändrar utdatafält, uppdatera även kolumnmappningen i “Append to Sheets” så att ditt ark fortsätter vara synkat.
Oftast beror det på en ogiltig eller utgången API-nyckel, eller att fakturering inte är aktiverad på OpenAI-kontot. Uppdatera OpenAI-inloggningen i n8n och kör sedan en enskild testkörning igen. Om det bara fallerar på längre transkript kan du även slå i modell- eller tokenbegränsningar, vilket innebär att det kan hjälpa att korta transkriptet eller byta modell.
Ganska mycket – de flesta små team kan köra det dagligen utan att ens tänka på gränser.
Ofta, ja, eftersom den här typen av flöde gynnas av strukturerad parsing och lite logik kring “vad som räknas som kvalificerad”. n8n är starkt där, och du kan köra egen hosting med obegränsade körningar om volymen växer. Det hanterar också mer avancerade AI-kedjor (agent + strukturerad utdata-parsing) utan att kännas påklistrat. Zapier och Make är fortfarande bra om du vill ha en snabb webhook-till-ark-prototyp, men du kan behöva lägga mer tid på formateringsproblem och task-begränsningar. Om du vill ha hjälp att välja enklaste väg, prata med en automationsexpert.
När detta väl är igång slutar varje telefonintervju på samma sätt: ett tydligt beslut, en nedskriven motivering och en rad som teamet kan agera på. Ärligt talat är det den konsekvensen som gör att rekrytering går snabbare.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.