Du kan det här vid det här laget: någon pingar i Slack och frågar ”vad är status på Acme?” och plötsligt jonglerar du flikar, söker i Sheets och tvekar på om länken du hittat verkligen är den ”senaste”.
Säljleads känner av det här först. Men driftsansvariga som fastnar i att städa CRM-anteckningar och byråteam som svarar på kundfrågor dras in de också. Den här Slack Sheets CRM-automationen gör de där avbrotten till snabba, korrekta svar – utan någon kalkylblads-skattjakt.
Du får se hur det här flödet lyssnar efter en fråga, slår upp riktiga poster i Google Sheets, svarar i chatten och loggar varje konversation för QA.
Så här fungerar automatiseringen
Här är hela arbetsflödet du kommer att sätta upp:
n8n Workflow Template: Slack + Google Sheets: CRM-svar direkt i chatten
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:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n2@{ icon: "mdi:database", form: "rounded", label: "outreachSheet", pos: "b", h: 48 }
n3@{ icon: "mdi:database", form: "rounded", label: "opportunitySheet", pos: "b", h: 48 }
n4@{ icon: "mdi:robot", form: "rounded", label: "AI Sales CRM Router", pos: "b", h: 48 }
n5@{ icon: "mdi:memory", form: "rounded", label: "Conversation Memory Buffer", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Validate AI Output Payload", pos: "b", h: 48 }
n7@{ icon: "mdi:database", form: "rounded", label: "Log Invalid Chat Records to ..", pos: "b", h: 48 }
n8@{ icon: "mdi:database", form: "rounded", label: "Write Chat Memory to Google ..", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "Send Chat Response", pos: "b", h: 48 }
n2 -.-> n4
n3 -.-> n4
n1 -.-> n4
n4 --> n6
n5 -.-> n4
n6 --> n8
n6 --> n7
n0 --> n4
n8 --> n9
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 n4,n9 ai
class n1 aiModel
class n5 ai
class n6 decision
class n2,n3,n7,n8 database
Varför det här spelar roll: CRM-svar försvinner i röran
”Snabb fråga”-meddelanden i Slack förblir inte snabba när svaret ligger i ett kalkylblad (eller två) med inkonsekventa namn, halvt uppdaterade fält och tre olika offertlänkar som flyter runt. Kostnaden är inte bara tiden det tar att leta upp saker. Det är den mentala belastningen av att växla kontext, risken att svara med fel post och den obekväma uppföljningen när någon inser att statusen du delade var från förra veckans rad. På en månad blir det här timmar av rent adminarbete som dina bästa personer inte ska behöva göra.
Det går fort att det byggs på. Här är var det faller isär i riktiga team.
- Folk klistrar in ”CRM-länken” i Slack, men det är fel sheet, fel flik eller en gammal filtrerad vy.
- Uppdateringar sker efter samtal, så ditt kalkylblad är ”mest korrekt” – vilket är ett annat sätt att säga opålitligt.
- Manuellt inskrivna svar skapar fel som sprids, eftersom alla behandlar Slack som sanningskällan.
- Ingen loggar frågan och svaret, så du kan varken granska vad som sagts eller förbättra systemet senare.
Det du bygger: en Slack-CRM-chattassistent som slår upp riktiga poster
Det här flödet ger dig en AI-driven CRM-hjälpreda som svarar på frågor i chatten med live-data från Google Sheets. En användare ställer en fråga (leadstatus, offertlänk, pipeline-steg, kontaktmejl), assistenten listar ut vad den behöver och gör sedan en faktisk uppslagning i rätt sheet innan den svarar. Regeln ”slå upp innan du svarar” är hela poängen: boten gissar inte och hittar inte på en status när posten saknas. Om frågan är vag ber den om den detalj som saknas. Varje konversation läggs till i ett dedikerat chat memory-sheet, och ogiltiga svar loggas separat så att du kan se mönster och fixa promptar eller dataproblem.
Flödet startar med ett inkommande chattmeddelande och skickar det vidare genom en AI-agent som kör GPT-4o-mini. Agenten anropar ett av två Google Sheets-verktyg (Outreach Automation Sheet eller GHL Opportunity Database), validerar resultatet, skickar slutsvaret och loggar interaktionen.
Det du bygger
| Vad som automatiseras | Vad du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att ditt team ställer 20 CRM-frågor per dag i Slack. Manuellt tar även en ”snabb” uppslagning kanske 5 minuter (öppna rätt sheet, sök, bekräfta status, klistra in länken), så det är runt 100 minuter per dag. Med det här flödet frågar säljaren i chatten, assistenten slår upp och svarar, och du väntar oftast under en minut på svaret. Det ger ungefär en timme tillbaka varje dag, och dina svar blir mer konsekventa eftersom de hämtas från riktiga rader.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Självhostningsalternativ om du föredrar det (Hostinger fungerar bra)
- Slack för att ställa frågor där jobbet redan händer
- Google Sheets för att lagra outreach- och opportunity-poster
- OpenAI API-nyckel (hämta den i din OpenAI-dashboard)
Svårighetsgrad: Mellan. Du kopplar konton, mappar ett par fält och testar riktiga frågor mot dina sheets.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
Ett Slack-meddelande drar i gång det. En användare ställer en CRM-fråga i chatten. Flödet fångar meddelandetexten plus en sessionsidentifierare, så uppföljningar kan hanteras som en vanlig konversation.
AI:n listar ut vad som ska slås upp. GPT-4o-mini driver en agent som klassar intentionen (leadstatus vs opportunity-steg, offertlänk vs kontaktuppgifter). Sedan planerar den ett verktygsanrop enligt reglerna du sätter, inklusive den viktiga: ingen uppslagning, inget svar.
Google Sheets blir sanningskällan. Agenten frågar antingen Outreach Automation Sheet eller GHL Opportunity Database-sheetet. När frågan saknar en nyckeldetalj (företagsnamn, mejl, pipeline) ber den om förtydligande i stället för att gissa.
Svar och loggar sker automatiskt. Flödet validerar resultatet, skriver hela interaktionen till ett chat_memory-sheet och skickar slutsvaret tillbaka till Slack. Om något kommer tillbaka felaktigt formaterat eller tomt hamnar det i en fellogg så att du kan åtgärda det snabbt.
Du kan enkelt ändra vilket sheet som frågas och vilka fält assistenten ska returnera utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera chatt-triggern
Konfigurera arbetsflödet så att det startar varje gång ett nytt chattmeddelande tas emot.
- Lägg till noden Incoming Chat Trigger som er workflow-trigger.
- Öppna Incoming Chat Trigger och låt Options → Response Mode vara inställt på
responseNodes. - Koppla Incoming Chat Trigger till Sales CRM AI Router för att börja bearbeta inkommande chatt.
Steg 2: anslut Google Sheets
Dessa noder gör CRM-uppslag och lagrar chattminne, så de måste vara anslutna till Google Sheets.
- I Outreach Sheet Lookup väljer ni ert målkalkylark och blad. Ställ in Document ID på
[YOUR_ID](ersätt detta) och Sheet Name på listposten föroutreach automation. - I Opportunity Sheet Lookup väljer ni samma kalkylark och ställer in Sheet Name på
ghl database. - I Append Chat Memory ställer ni in Document ID på
[YOUR_ID]och Sheet Name påchat_memory. - I Record Invalid Chats väljer ni ett giltigt kalkylark och blad där ogiltiga AI-utdata ska läggas till.
- Inloggningsuppgifter krävs: Anslut era
googleSheetsOAuth2Api-inloggningsuppgifter till Outreach Sheet Lookup, Opportunity Sheet Lookup, Record Invalid Chats och Append Chat Memory.
[YOUR_ID]. Ersätt det med ert faktiska Google Sheet-ID och säkerställ att Record Invalid Chats har ett blad valt, annars misslyckas tilläggningen.Steg 3: konfigurera AI-routern och minnet
Konfigurera AI-agenten, dess minnesfönster och språkmodellen för att generera svar som är förankrade i data.
- I Sales CRM AI Router ställer ni in Prompt Type på
defineoch behåller hela Text-prompten, inklusive uttrycket för användarfrågan{{ $json.chatInput }}. - I Sales CRM AI Router behåller ni reglerna i System Message som tvingar fram verktygsanvändning och JSON-format för verktygsanrop.
- Anslut OpenAI Dialogue Model som språkmodell för Sales CRM AI Router. Inloggningsuppgifter krävs: Anslut era
openAiApi-inloggningsuppgifter i OpenAI Dialogue Model. - Anslut Chat Context Buffer som minne för Sales CRM AI Router och ställ in Context Window Length på
7. - Koppla Outreach Sheet Lookup och Opportunity Sheet Lookup som AI-verktyg i Sales CRM AI Router. Dessa verktyg använder Google Sheets-inloggningsuppgifterna ni lade till i steg 2 (lägg till inloggningsuppgifter på verktygen, inte på agenten).
Steg 4: konfigurera utdata-routing och svar
Validera AI-utdata, lagra chatthistorik och skicka det slutliga svaret tillbaka till användaren.
- I Verify AI Output bekräftar ni att villkoret kontrollerar Left Value som
{{ $json.output }}med Operator inställd pånotEmpty. - Säkerställ att Verify AI Output skickar vidare till Append Chat Memory när utdata är giltiga, och till Record Invalid Chats när de är tomma.
- I Append Chat Memory behåller ni kolumnmappningarna: SessionID =
{{ $('Incoming Chat Trigger').item.json.sessionId }}, Timestamp ={{ new Date().toISOString() }}, UserMessage ={{ $('Incoming Chat Trigger').item.json.chatInput }}och AssistantResponse ={{ $json.output }}. - I Deliver Chat Reply ställer ni in Message på
=={{ $("Sales CRM AI Router").item.json.output }}och låter Wait User Reply varafalse.
Steg 5: testa och aktivera ert arbetsflöde
Validera chattresponsen och datauppdateringarna end-to-end innan ni aktiverar arbetsflödet för produktionsbruk.
- Klicka på Execute Workflow och skicka ett testmeddelande via Incoming Chat Trigger.
- Bekräfta att Sales CRM AI Router producerar ett svar och att Verify AI Output routar det korrekt.
- Kontrollera ert Google Sheet för att säkerställa att Append Chat Memory lade till sessionsdetaljerna och svaret.
- Verifiera att Deliver Chat Reply returnerar AI-svaret till chattgränssnittet.
- När allt är bekräftat växlar ni arbetsflödet till Active så att det körs kontinuerligt.
Felsökningstips
- Google Sheets-autentisering kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först Google-kopplingen i n8n:s Credentials-sida och bekräfta sedan att sheetet är delat med det anslutna kontot.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardpromptar i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera outputs för alltid.
Snabba svar
Cirka 30 minuter om dina sheets redan är organiserade.
Nej. Du kopplar Slack, Google Sheets och OpenAI och justerar sedan promptarna och sheet-mappningarna.
Ja. n8n har ett gratis alternativ för självhosting och en gratis testperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för OpenAI API, som vanligtvis är några cent för många chattar.
Två alternativ: n8n Cloud (hanterat, enklast att komma i gång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och klarar n8n bra. Självhosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du. Du kan byta verktyget ”Outreach Sheet Lookup” eller ”Opportunity Sheet Lookup” så att det pekar mot ett annat kalkylblad och sedan uppdatera instruktionerna i ”Sales CRM AI Router” så att de returnerar de fält du bryr dig om (ägare, nästa steg, senast kontaktad och så vidare). Många team ändrar också loggkolumnerna i ”Append Chat Memory” för att inkludera saker som kanalnamn, säljarens namn eller en enkel flagga för ”löst/olöst”.
Oftast handlar det om utgången OAuth-åtkomst eller att sheetet inte är delat med kontot du anslöt i n8n. Anslut Google Sheets på nytt i n8n Credentials, öppna sedan sheetet och bekräfta att samma konto kan se det. Om sheetet nyligen kopierades, dubbelkolla även fliknamnen, eftersom uppslagningar kan misslyckas utan att det märks när ett kalkylbladsnamn ändras. Begränsning av anropsfrekvens är ovanligt vid små volymer, men kan dyka upp om du skickar många uppslagningar samtidigt.
I de flesta upplägg klarar det hundratals frågor per dag utan drama, och självhosting tar bort körningsbegränsningar.
Ofta, ja, eftersom det här inte är en enkel ”om X så Y”-zap. Du använder en agent som kan hantera flerstegschatt (de senaste 7 meddelandena), välja mellan två datakällor och upprätthålla regler som ”svara aldrig utan en uppslagning”, vilket är svårt att återskapa snyggt i enklare automationsbyggare. n8n ger dig också förgreningar och valideringssteg utan prispåslag för varje extra filter. Zapier eller Make kan fortfarande funka om dina behov är små, som att posta ett standardsvar när en rad matchar. Om du är osäker, prata med en automationsexpert och beskriv din faktiska volym och ditt use case.
När detta är live slutar CRM-frågor att vara avbrott och blir i stället omedelbara svar du kan lita på. Flödet tar hand om repetitiv kontroll och loggning, så att teamet kan hålla uppe tempot.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.