Din HR-inkorg är full av ”snabba frågor” som aldrig är snabba. Någon skickar ett rörigt Slack-meddelande om onboarding, en policyuppdatering eller en knepig prestationssituation, och plötsligt skriver du om samma dokument (igen) samtidigt som du försöker att inte missa något viktigt.
Det här drabbar HR-chefer först. Men ops-ansvariga och grundare känner av det också, eftersom de till slut godkänner utkast som är inkonsekventa, ofullständiga eller helt enkelt svåra att lita på. En enkel automation för Slack Docs drafts förvandlar de här meddelandena till felfria, strukturerade Google Docs-utkast som du kan redigera och godkänna.
Nedan är det exakta flödet, vad det automatiserar och vilka resultat du kan förvänta dig när du slutar behandla varje HR-förfrågan som en tom sida.
Så här fungerar automationen
Hela n8n-flödet, från trigger till slutligt resultat:
n8n Workflow Template: Slack + Google Docs: HR-frågor blir utkast
flowchart LR
subgraph sg0["When chat message received Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
n1@{ icon: "mdi:robot", form: "rounded", label: "CHRO Agent", pos: "b", h: 48 }
n2@{ icon: "mdi:wrench", form: "rounded", label: "Think", pos: "b", h: 48 }
n3@{ icon: "mdi:wrench", form: "rounded", label: "Recruiter Agent", pos: "b", h: 48 }
n4@{ icon: "mdi:wrench", form: "rounded", label: "HR Policy Writer", pos: "b", h: 48 }
n5@{ icon: "mdi:wrench", form: "rounded", label: "Training & Development Speci..", pos: "b", h: 48 }
n6@{ icon: "mdi:wrench", form: "rounded", label: "Performance Review Specialist", pos: "b", h: 48 }
n7@{ icon: "mdi:wrench", form: "rounded", label: "Employee Engagement Specialist", pos: "b", h: 48 }
n8@{ icon: "mdi:wrench", form: "rounded", label: "Compensation & Benefits Anal..", pos: "b", h: 48 }
n9@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model CHRO", pos: "b", h: 48 }
n10@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model1", pos: "b", h: 48 }
n11@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model2", pos: "b", h: 48 }
n12@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model3", pos: "b", h: 48 }
n13@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model4", pos: "b", h: 48 }
n14@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model5", pos: "b", h: 48 }
n15@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model6", pos: "b", h: 48 }
n2 -.-> n1
n3 -.-> n1
n4 -.-> n1
n10 -.-> n3
n11 -.-> n4
n12 -.-> n5
n13 -.-> n6
n14 -.-> n7
n15 -.-> n8
n9 -.-> n1
n0 --> n1
n6 -.-> n1
n7 -.-> n1
n8 -.-> n1
n5 -.-> 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 n1 ai
class n9,n10,n11,n12,n13,n14,n15 aiModel
class n2,n3,n4,n5,n6,n7,n8 ai
Problemet: HR-förfrågningar börjar i Slack och eskalerar
Slack är där HR-förfrågningar landar eftersom det är enkelt för medarbetare. Det är också där tydlighet dör. Ett enda meddelande kan blanda kontext, känslor, saknade detaljer och ett luddigt ”kan du skriva ett utkast?” i ett stycke. Sedan börjar jakten: följdfrågor, omskrivningar, godkännandeloopar och versionsförvirring. Även om du är bra på att skriva slösar du tid på att formatera om och försöka hålla tonen konsekvent mellan policys, onboardingplaner, intervjuguider och prestationmallar. Ärligt talat är det inte det svåra HR-arbetet som tar knäcken på dig. Det är den repetitiva dokumentproduktionen.
Friktionen växer. Här är var det faller isär i riktiga team.
- Du lägger ungefär 30 minuter på att göra om ett Slack-meddelande till ett användbart första utkast, och sedan gör du det igen i morgon.
- Detaljer kommer i fragment, så utkast skickas ut ofullständiga och godkännanden studsar tillbaka med ”lägg till mer kontext”.
- Stil och struktur glider isär, vilket får era HR-dokument att kännas som om de är skrivna av fem olika företag.
- Policyarbete och prestationsmallar blir försenade eftersom ”snabba förfrågningar” hela tiden avbryter djupare projekt.
Lösningen: ett AI-drivet HR-team som förvandlar förfrågningar till utkast
Det här flödet ger dig en ”virtuell HR-avdelning” i n8n. En chat-trigger för intake tar emot HR-förfrågan, och en HR-chefsorkestrerare (CHRO-agenten) läser den som en senior HR-ansvarig skulle göra: vad som efterfrågas, vad som saknas, vilket format resultatet ska ha och vilken specialist som ska hantera det. Sedan delegerar den arbetet till rätt agent (rekrytering, policy, utbildning, prestation, engagemang eller kompensation). Varje specialist tar fram en strukturerad leverans med en OpenAI-chattmodell. I stället för en rörig textklump får du ett konsekvent utkast som du kan stoppa in i er befintliga godkännandeprocess och förfina snabbt.
Flödet startar när en förfrågan kommer in via chatten. CHRO-agenten routar den till en eller flera HR-specialister, och systemet producerar ett genomarbetat utkast (till exempel en onboardingplan, en policydel till handboken eller intervjufrågor). Med ett Google Docs-lager blir resultatet ett färdigt dokument att redigera, i stället för något du klistrar runt i Slack.
Vad du får: automation kontra resultat
| Vad det här flödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att ditt team hanterar 15 HR-förfrågningar i veckan i Slack, och att varje tar cirka 30 minuter att göra om till ett vettigt dokumentutkast (samla kontext, skriva, formatera och skicka på granskning). Det är ungefär 7–8 timmar i veckan. Med det här flödet skickar du in förfrågan i chatten (kanske 2 minuter), väntar några minuter på att agenterna ska skapa leveransen och gör sedan en snabb redigeringsrunda (cirka 10 minuter). Säg 3 timmar totalt för veckan. Det är i praktiken en halv dag tillbaka, utan att anställa någon.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Slack för att fånga HR-frågor där de redan uppstår.
- Google Docs för att lagra utkast i ett delbart format.
- OpenAI API-nyckel (hämta den i din OpenAI-dashboard)
Kompetensnivå: Medel. Du kopplar in behörigheter, justerar prompts och testar några exempel på HR-förfrågningar end-to-end.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En förfrågan kommer in via chatten. Flödet börjar med en chat-trigger för intake, vilket betyder att HR-teamet kan skicka förfrågningar på vanlig svenska utan att fylla i ett formulär.
CHRO-agenten tolkar behovet. Det här är ”seniorhjärnan” som identifierar intention (policy vs. rekrytering vs. prestation), upptäcker saknade detaljer och avgör vilken specialistagent som ska skriva leveransen.
Specialister tar fram strukturerade utkast. Flödet kan anropa en rekryteraragent för intervjuguider, en policyskribent för uppdateringar i handboken eller en utbildningsspecialist för onboardingplaner. Det här är separata chattmodeller, optimerade för hastighet och kostnad, vilket håller resultatet konsekvent.
Utkastet är redo för Google Docs. I praktiken kan du ta den slutliga texten och skapa ett Google Docs-utkast (eller lägga till i ett befintligt dokument) så att godkännanden sker i ett riktigt dokument, inte i Slack.
Du kan enkelt ändra utdataformatet så att det matchar era interna mallar efter behov. Se hela implementeringsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera chattriggern
Konfigurera startpunkten så att HR-frågor kan skickas in i arbetsflödet och routas till orkestratorn.
- Lägg till och öppna Chat Intake Trigger.
- Lämna standardinställningen för Options som konfigurerad (
{}). - Bekräfta exekveringsflödet: Chat Intake Trigger → Chief HR Orchestrator.
Steg 2: Anslut OpenAI
Alla språkmodeller i det här arbetsflödet är OpenAI-baserade och kräver autentiseringsuppgifter.
- Öppna Executive Chat Model och ställ in Model på
o3. Credential Required: Anslut era openAiApi-autentiseringsuppgifter. - Öppna Recruitment Chat Model, Policy Chat Model, Training Chat Model, Performance Chat Model, Culture Chat Model och Compensation Chat Model och ställ in Model på
gpt-4.1-miniför var och en. Credential Required: Anslut era openAiApi-autentiseringsuppgifter till varje nod.
Obs: AI-verktygsnoder som Reflection Step och rådgivarverktygen lagrar inte autentiseringsuppgifter – autentiseringsuppgifter måste läggas till i deras anslutna chattmodellnoder.
Steg 3: Konfigurera Chief HR Orchestrator
Orkestrator-agenten koordinerar vilken specialiserad rådgivare som ska svara på inkommande chatt.
- Öppna Chief HR Orchestrator och behåll standardinställningen för Options (
{}). - Anslut Executive Chat Model till Chief HR Orchestrator som AI Language Model.
- Verifiera trigger-anslutningen från Chat Intake Trigger in i Chief HR Orchestrator.
Steg 4: Konfigurera rådgivarverktyg
Varje rådgivarverktyg är specialiserat på ett eget HR-område och anropas av orkestratorn.
- Öppna Reflection Step och anslut den till Chief HR Orchestrator som ett AI-verktyg för intern resonemangsförmåga.
- För varje rådgivarverktyg—Talent Acquisition Advisor, Policy Drafting Advisor, Learning Program Advisor, Performance Review Guide, Engagement Culture Coach och Rewards Analysis Consultant—ställ in Text på
{{ $fromAI('Prompt__User_Message_', ``, 'string') }}. - Bekräfta att varje rådgivares Tool Description matchar dess HR-specialisering (rekrytering, policys, utbildning, prestation, engagemang, kompensation).
Steg 5: Konfigurera rådgivarnas chattmodeller
Varje rådgivarverktyg använder sin egen språkmodell; länka varje verktyg till dess chattmodell.
- Anslut Recruitment Chat Model till Talent Acquisition Advisor som AI Language Model.
- Anslut Policy Chat Model till Policy Drafting Advisor som AI Language Model.
- Anslut Training Chat Model till Learning Program Advisor som AI Language Model.
- Anslut Performance Chat Model till Performance Review Guide som AI Language Model.
- Anslut Culture Chat Model till Engagement Culture Coach som AI Language Model.
- Anslut Compensation Chat Model till Rewards Analysis Consultant som AI Language Model.
Steg 6: Testa och aktivera ert arbetsflöde
Validera att chattförfrågningar routas till rätt rådgivare och att svaren kommer tillbaka som förväntat.
- Klicka på Execute Workflow och skicka en exempelprompt för HR via Chat Intake Trigger (t.ex. “Draft a parental leave policy”).
- Bekräfta att Chief HR Orchestrator väljer rätt rådgivarverktyg och returnerar ett sammanhängande svar.
- Om svaret saknas, kontrollera igen att alla rådgivarverktyg är anslutna till sina respektive chattmodeller och att OpenAI-autentiseringsuppgifterna är giltiga.
- När allt är validerat, slå på Active för att aktivera arbetsflödet för produktionsanvändning.
Vanliga fallgropar
- OpenAI-behörigheter kan löpa ut eller ha fel scope. Om saker slutar fungera, börja med att kontrollera dina behörighetsinställningar i n8n och fakturering/gränser i din OpenAI-dashboard.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstider. Öka väntetiden om nedströmsnoder misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera resultaten för alltid.
Vanliga frågor
Cirka 45 minuter om dina Slack-, Google- och OpenAI-konton är redo.
Nej. Du kopplar konton och redigerar några prompts och fält i n8n.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis testperiod på n8n Cloud. Molnplaner börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-kostnader, som vanligtvis är några cent per förfrågan beroende på längd och modell.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och klarar n8n bra. Self-hosting ger dig obegränsat antal körningar, men kräver grundläggande serverhantering.
Ja, men gör det med avsikt. Du kan justera CHRO-agentens instruktioner så att den alltid levererar i din föredragna struktur (till exempel: syfte, omfattning, definitioner, policytext och chefskommentarer). Vanliga anpassningar är att tvinga en specifik tonalitet, kräva ”antaganden + öppna frågor” högst upp och routa vissa ämnen (som kompensation) till en striktare godkännandeprocess. Om du senare byter slutdestination kan du behålla samma utkasttext och bara ändra var den skrivs (Google Docs, en kunskapsbas eller till och med ett ärendehanteringsverktyg).
Oftast beror det på en ogiltig eller utgången API-nyckel, eller att ditt OpenAI-projekt har faktureringsgränser som stoppar förfrågningar. Uppdatera behörigheten i n8n och kontrollera sedan användning och hastighetsgränser i din OpenAI-dashboard. Om det bara misslyckas på långa förfrågningar, minska önskad utdata eller dela upp leveransen i mindre delar så att modellen inte hinner time-outa.
För de flesta små team klarar den hundratals förfrågningar per månad utan problem.
Ofta ja, eftersom det här inte är en enkel ”skicka meddelande, skapa dokument”-zap. n8n hanterar multi-agent-routing, grenlogik och mer avancerad promptstyrning i ett och samma flöde. Du får också ett self-hosting-alternativ om du vill skala utan att betala per task. Zapier eller Make kan fortfarande vara helt okej om du bara behöver en grundläggande tvåstegsautomation och inte bryr dig om specialistagenter. Prata med en automationsexpert om du vill ha hjälp att välja.
När detta är på plats slutar HR-förfrågningar att spåra ur din dag. Du får felfria utkast, snabbare godkännanden och en process som teamet faktiskt kan hålla sig till.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.