Din supportinkorg ska inte kännas som en skattjakt. Men när Telegram-DM:ar ligger på ett ställe, WhatsApp-chattar på ett annat och “kundkontext” bara finns i någons minne blir svaren långsammare och mindre konsekventa.
Supportansvariga märker det först. Sedan ägaren som dras in i “snabba frågor”, och marknadschefen som bara vill att leads hanteras snabbt. Den här Telegram- och WhatsApp-supportautomationen håller ett gemensamt kundminne i Google Sheets, så att dina svar håller sig till varumärket och du slipper ställa samma frågor om och om igen.
Du får se hur workflowet samlar inkommande meddelanden, bygger kontext från Google Sheets, svarar med GPT-4 Turbo, loggar allt och eskalerar knepiga ärenden till Slack.
Så fungerar den här automatiseringen
Hela n8n-workflowet, från trigger till slutligt output:
n8n Workflow Template: Telegram + WhatsApp-support med Google Sheets-minne
flowchart LR
subgraph sg0["Flow 1"]
direction LR
n12@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Escalation", pos: "b", h: 48 }
end
subgraph sg1["Flow 2"]
direction LR
n13["<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/httprequest.dark.svg' width='40' height='40' /></div><br/>Notify Support Team"]
end
subgraph sg2["Telegram Bot 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/telegram.svg' width='40' height='40' /></div><br/>Telegram Bot"]
end
subgraph sg3["Flow 4"]
direction LR
n8["<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/telegram.svg' width='40' height='40' /></div><br/>Send Telegram Message"]
end
subgraph sg4["Flow 5"]
direction LR
n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Normalize Message Data", pos: "b", h: 48 }
end
subgraph sg5["Flow 6"]
direction LR
n3@{ icon: "mdi:database", form: "rounded", label: "Get Customer History", pos: "b", h: 48 }
end
subgraph sg6["Flow 7"]
direction LR
n4["<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/code.svg' width='40' height='40' /></div><br/>Build AI Context"]
end
subgraph sg7["Flow 8"]
direction LR
n5["<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/openAi.dark.svg' width='40' height='40' /></div><br/>AI Business Assistant"]
end
subgraph sg8["Flow 9"]
direction LR
n6["<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/code.svg' width='40' height='40' /></div><br/>Process AI Response"]
end
subgraph sg9["Flow 10"]
direction LR
n7@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Platform Router", pos: "b", h: 48 }
end
subgraph sg10["Flow 11"]
direction LR
n10@{ icon: "mdi:database", form: "rounded", label: "Log Conversation", pos: "b", h: 48 }
end
subgraph sg11["Flow 12"]
direction LR
n11@{ icon: "mdi:database", form: "rounded", label: "Update Customer Record", pos: "b", h: 48 }
end
subgraph sg12["Flow 13"]
direction LR
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/webhook.dark.svg' width='40' height='40' /></div><br/>WhatsApp Webhook"]
end
subgraph sg13["Flow 14"]
direction LR
n9["<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/httprequest.dark.svg' width='40' height='40' /></div><br/>Send WhatsApp Message"]
end
subgraph sg14["Flow 15"]
direction LR
n14["<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 Response"]
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 n12,n7 decision
class n3,n10,n11 database
class n13,n1,n9,n14 api
class n4,n6 code
classDef customIcon fill:none,stroke:none
class n13,n0,n8,n4,n5,n6,n1,n9,n14 customIcon
Problemet: två chattkanaler, noll delat minne
När kunder skriver till dig på Telegram och WhatsApp förväntar de sig samma upplevelse. Snabbt svar. Korrekt svar. Och inget “Kan du upprepa ditt ordernummer?” för tredje gången. I verkligheten splittras konversationer per kanal, olika teammedlemmar svarar på olika sätt och viktiga detaljer (tidigare beställningar, preferenser, senaste ärendet) begravs i chatthistoriken. Det skapar fördröjningar, misstag och klumpiga överlämningar. Ärligt talat gör det också supporten svårare än den behöver vara.
Friktionen byggs på. Den märks i små saker som händer hela dagen.
- Någon måste söka i gamla trådar och pussla ihop kontext innan de svarar, vilket stjäl minuter per meddelande.
- Telegram-formatering och WhatsApp-formatering skiljer sig, så att kopiera och klistra in ett svar från det ena till det andra kan förstöra länkar och läsbarhet.
- Utan en samlad konversationslogg kan du inte enkelt se återkommande problem, vanligaste frågor eller vilka order som behöver uppföljning.
- Eskaleringar sker sent eftersom “det här känns komplext” inte fångas upp och routas snabbt till en människa.
Lösningen: en AI-supporthjärna för både Telegram och WhatsApp
Det här workflowet gör Telegram och WhatsApp till två dörrar in till samma supportdesk. Ett meddelande kommer in från någon av plattformarna och n8n standardiserar det direkt till ett och samma korrekt formaterade format (vem användaren är, vad de sa, var de sa det och när). Därefter hämtas kundens historik från Google Sheets och slås ihop med det nya meddelandet så att AI:n inte svarar “blint”. GPT-4 Turbo tar sedan fram ett svar med kontext, och workflowet tolkar AI-output för att upptäcka intention (order, bokningar) och avgöra om en människa ska ta över. Till sist skickas svaret tillbaka via rätt kanal, formateras korrekt och hela interaktionen loggas för framtida referens.
Workflowet startar antingen med en Telegram Bot Trigger eller en WhatsApp-webhook. Sedan står Google Sheets för “minnet”, och OpenAI genererar svaret med den kontexten. Efter att svaret routats till Telegram eller WhatsApp lägger n8n till konversationen i en logg och uppdaterar kundprofilen så att nästa svar blir smartare.
Det du får: automatisering vs. resultat
| Det här workflowet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut i praktiken
Säg att du får 30 supportmeddelanden per dag, uppdelade mellan Telegram och WhatsApp. Manuell hantering innebär ofta att du lägger cirka 5 minuter på att läsa historik, hitta kunddetaljer och sedan svara, vilket blir ungefär 2,5 timmar per dag. Med det här workflowet lägger du kanske 30 sekunder på att skumma AI-utkastet och trycka skicka, medan n8n sköter uppslag, formatering, loggning och uppdateringar i bakgrunden. Det är runt 2 timmar tillbaka de flesta dagar, plus färre “jag ska kolla och återkomma”-meddelanden.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Google Sheets för kundminne och konversationsloggar
- OpenAI API för att generera supportsvar med kontext
- Telegram-bot för att ta emot och skicka Telegram-meddelanden
- WhatsApp Business API för att ta emot webhooks och skicka svar
- Slack Incoming Webhook för eskaleringsnotiser till teamet
- API-nycklar och ID:n (från OpenAI, Telegram BotFather, Meta WhatsApp, Google service account och Slack)
Kunskapsnivå: Medel. Du kommer klistra in autentiseringsuppgifter, sätta workflow-variabler och verifiera att kolumnnamnen i Google Sheets matchar.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett Telegram-meddelande eller en WhatsApp-webhook kommer in. Telegram använder en bot-trigger, medan WhatsApp träffar en webhook-endpoint. Oavsett vilket hämtar workflowet texten, avsändardetaljer och tidsstämpel.
Meddelandet standardiseras. n8n mappar båda plattformarna till en konsekvent struktur (användar-ID, namn, meddelandetext, plattform, chatt-ID, tidsstämpel). Det gör resten av automatiseringen förutsägbar, vilket är precis vad du vill ha.
Google Sheets blir kundens “minne”. Workflowet läser arket “customers” för att hämta historik som previousOrders, preferences och konversationsutdrag och slår sedan ihop det med det nya meddelandet innan det skickas till AI:n.
GPT skriver ett svar och workflowet avgör nästa steg. När OpenAI har returnerat ett svar tolkar workflowet det, flaggar intentioner (order, bokningar) och sätter en eskaleringsmarkör för komplexa ärenden.
Svar skickas ut och allt loggas. Telegram får HTML-vänlig formatering, WhatsApp får ren text via en HTTP-förfrågan och båda spåren lägger till i arket “conversations” och uppdaterar kundposten.
Du kan enkelt justera eskaleringsreglerna så att de matchar teamet, till exempel att bara larma Slack vid återbetalningar eller VIP-kunder. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera Telegram-triggern
Konfigurera intagstriggers som startar arbetsflödet för både Telegram- och WhatsApp-meddelanden.
- Lägg till och öppna Telegram Intake Trigger och koppla den till Standardize Message Payload.
- Öppna WhatsApp Incoming Hook och koppla den till Standardize Message Payload.
- Säkerställ att båda triggers är aktiverade så att endera inkommande kanal kan starta arbetsflödet.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter i Telegram Intake Trigger (den här noden kräver inloggningsuppgifter men inga är konfigurerade).
Inloggningsuppgifter krävs: Lägg till eventuell nödvändig autentisering i WhatsApp Incoming Hook (den här webhooken behöver sannolikt verifiering eller signering på leverantörssidan).
Steg 2: Anslut Google Sheets
Konfigurera alla steg för datalagring och uppslag som är beroende av Google Sheets.
- Öppna Fetch Client History och välj kalkylarket som lagrar tidigare interaktioner.
- Öppna Record Conversation Log och peka den mot loggbladet där nya konversationer ska läggas till.
- Öppna Modify Customer Record och välj bladet där kundposter uppdateras.
Inloggningsuppgifter krävs: Anslut era Google Sheets-inloggningsuppgifter i Fetch Client History, Record Conversation Log och Modify Customer Record (de här noderna kräver inloggningsuppgifter men inga är konfigurerade).
Steg 3: Sätt upp bearbetning och AI-svar
Normalisera inkommande payloads, bygg kontext och generera AI-svaret.
- I Standardize Message Payload mappar ni inkommande meddelandefält till en konsekvent struktur för båda kanalerna.
- Använd Fetch Client History → Assemble AI Context för att bygga en komplett konversationsprompt.
- Konfigurera AI Service Assistant för att generera svar baserat på den sammanställda kontexten.
- Använd Parse AI Output för att extrahera svarstext och eskaleringsflaggor.
Inloggningsuppgifter krävs: Anslut era OpenAI-inloggningsuppgifter i AI Service Assistant (den här noden kräver inloggningsuppgifter men inga är konfigurerade).
⚠️ Vanlig fallgrop: Säkerställ att Standardize Message Payload skickar ut samma fältnamn för Telegram och WhatsApp; fält som inte matchar gör att efterföljande logik och AI-prompter fallerar.
Steg 4: Konfigurera routing och notifieringar
Routa AI-svaret till rätt kanal och hantera eskalering parallellt.
- Verifiera att Parse AI Output skickar utdata till både Channel Route Check och Escalation Decision parallellt.
- I Channel Route Check konfigurerar ni villkor som avgör mellan Telegram Reply Dispatch och WhatsApp Reply Dispatch.
- I Escalation Decision ställer ni in villkoret som triggar Alert Support Team när eskalering behövs.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter i Telegram Reply Dispatch (den här noden kräver inloggningsuppgifter men inga är konfigurerade).
Inloggningsuppgifter krävs: Lägg till lämpliga autentiseringsheaders eller inloggningsuppgifter i WhatsApp Reply Dispatch och Alert Support Team (dessa HTTP-förfrågningar kräver inloggningsuppgifter men inga är konfigurerade).
Steg 5: Logga och uppdatera poster
Lagra svar, uppdatera kundposter och skicka webhook-svaret.
- Bekräfta Telegram Reply Dispatch → Record Conversation Log och WhatsApp Reply Dispatch → Record Conversation Log för att logga svar från båda kanalerna.
- Säkerställ att Record Conversation Log skickar data till Modify Customer Record för statusuppdateringar.
- Verifiera att Modify Customer Record är kopplad till Return Webhook Reply så att webhook-anropare får ett svar.
Steg 6: Testa och aktivera ert arbetsflöde
Kör end-to-end-tester för både Telegram och WhatsApp för att validera routing, AI-svar och loggning.
- Klicka på Execute Workflow och skicka ett testmeddelande till Telegram-botten och WhatsApp-webhooken.
- Bekräfta att AI Service Assistant genererar ett svar och att Parse AI Output routar till både Channel Route Check och Escalation Decision parallellt.
- Verifiera att svaret levereras via Telegram Reply Dispatch eller WhatsApp Reply Dispatch, och att Record Conversation Log och Modify Customer Record uppdateras korrekt.
- När testerna lyckas, växla arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- Google Sheets-autentisering kan gå ut eller sakna redigeringsbehörighet. Om loggningen misslyckas, kontrollera panelen Credentials i n8n och bekräfta att servicekontot har åtkomst till det sheet-ID du har satt.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera output för alltid.
Vanliga frågor
Räkna med cirka 60 minuter när du har alla autentiseringsuppgifter redo.
Nej. Du kommer främst koppla konton, klistra in nycklar och matcha kolumnerna i Google Sheets. Om du vill ha egna intent-regler eller en striktare varumärkeston hjälper små justeringar, men det är valfritt.
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 OpenAI API-användning (ofta några dollar i månaden för små team, mer om ni har hög chattvolym).
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 obegränsat antal körningar men kräver grundläggande serveradministration.
Ja, och det bör du. De flesta team justerar logiken i “Parse AI Output” och kontrollen “Escalation Decision” så att bara vissa intentioner (återbetalningar, avbokningar, arga meddelanden, VIP-kunder) pingar Slack. Du kan också justera AI-prompten så att den alltid ber om ett ordernummer när den upptäcker ett orderproblem. Om du vill ha olika formatering per kanal är noderna Telegram Reply Dispatch och WhatsApp Reply Dispatch rätt ställen att göra det på.
Oftast beror det på bot-token eller chattbehörigheter. Skapa en ny Telegram Bot-token i BotFather, uppdatera sedan Telegram-autentiseringen i n8n och bekräfta att boten får skicka meddelanden till chatten du testar. Om det fungerar i Telegram men inte i workflowet, dubbelkolla att logiken i Channel Route Check korrekt detekterar “telegram” som plattformsvärde.
På self-hosted n8n beror det på din server och API:ernas rate limits, inte på ett tak för antal körningar.
Ofta ja, om du bryr dig om förgreningslogik, loggning och att hålla kontext på ett ställe. Det här workflowet gör flera “riktiga workflow”-saker: normaliserar payloads, slår upp minne i Google Sheets, genererar AI-output, routar per plattform och loggar samt upsertar poster. Zapier och Make kan göra delar av det, men det blir rörigt (och dyrt) när du lägger till villkorsstyrd routing, parsing och databasliknande uppdateringar. n8n ger dig också möjligheten till self-hosting, vilket spelar roll om meddelandevolymen plötsligt ökar. Om du bara ska skicka ett enkelt autosvar kan Zapier eller Make vara snabbare att starta med. Prata med en automationsexpert om du vill ha hjälp att välja.
När din chattsupport delar ett och samma minne blir hela upplevelsen tajtare. Sätt upp det en gång och låt workflowet hantera de repetitiva delarna, medan teamet fokuserar på ärendena som faktiskt behöver en människa.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.