Din reception får samma WhatsApp-frågor hela dagen. ”Vad kostar det i natt?” ”Kan jag checka ut sent?” ”Har ni ett deluxe ledigt?” Du svarar, om och om igen, samtidigt som det riktiga jobbet staplas på.
Den här automatiseringen för WhatsApp-gästsvar slår hårdast mot receptionschefer, men driftansvariga och små hotellägare känner av den också. Du får omedelbara, konsekventa svar som hämtar data från samma källor som teamet redan litar på (Sheets och er bokningsdatabas).
Du får lära dig vad det här flödet gör, vad du behöver för att köra det och hur det omvandlar WhatsApp-meddelanden till korrekta svar utan att dra in personalen i ett konstant kopiera-klistra-läge.
Så fungerar automatiseringen
Här är hela arbetsflödet som du kommer att sätta upp:
n8n Workflow Template: WhatsApp + Google Sheets: snabba svar till hotellgäster
flowchart LR
subgraph sg0["Incoming WhatsApp Hook 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/whatsapp.svg' width='40' height='40' /></div><br/>Incoming WhatsApp Hook"]
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/code.svg' width='40' height='40' /></div><br/>Validate Incoming Text"]
n2["<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/redis.svg' width='40' height='40' /></div><br/>Lookup User Record"]
n3["<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/>Select Model Index"]
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/redis.svg' width='40' height='40' /></div><br/>Persist User Model"]
n5@{ icon: "mdi:brain", form: "rounded", label: "Route AI Model", pos: "b", h: 48 }
n6@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model A", pos: "b", h: 48 }
n7@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model B", pos: "b", h: 48 }
n8@{ icon: "mdi:memory", form: "rounded", label: "Conversation Memory", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "AI Reception Agent", pos: "b", h: 48 }
n10["<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/whatsapp.svg' width='40' height='40' /></div><br/>Dispatch WhatsApp Reply"]
n11@{ icon: "mdi:database", form: "rounded", label: "Fetch Pricing Sheet", pos: "b", h: 48 }
n12@{ icon: "mdi:database", form: "rounded", label: "Run MySQL Query", pos: "b", h: 48 }
n11 -.-> n9
n9 --> n10
n5 -.-> n9
n1 --> n2
n3 --> n4
n8 -.-> n9
n0 --> n1
n2 --> n3
n4 --> n9
n6 -.-> n5
n7 -.-> n5
n12 -.-> 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 n9 ai
class n5,n6,n7 aiModel
class n8 ai
class n2,n4,n11,n12 database
class n1,n3 code
classDef customIcon fill:none,stroke:none
class n0,n1,n2,n3,n4,n10 customIcon
Varför det här spelar roll: repetitiva gästfrågor äter upp din dag
De flesta hotell förlorar inte tid på en enda stor uppgift. Det är de små avbrotten. En WhatsApp-signal kommer in medan du checkar in någon. En till kommer under en betalningsstrul. Sen är det ”vad kostar två nätter?” följt av ”några rabatter?” och plötsligt har du spenderat den senaste timmen som en mänsklig FAQ. Än värre: svaren glider isär. En medarbetare anger förra månadens pris, en annan missar en kampanj och gästen tappar förtroendet. Ärligt talat är det utmattande att hålla en vänlig ton när du svarar på samma sak för tionde gången.
Friktionen byggs på. Så här fallerar det i verkligheten.
- Personalen jonglerar WhatsApp, en PMS-export och ett prisark, vilket gör att svaren blir långsammare ju stressigare passet blir.
- Frågor om pris och tillgänglighet leder lätt till misstag eftersom man förlitar sig på minnet eller gamla skärmdumpar.
- Kontext går förlorad när gäster skickar flera meddelanden, så teamet frågar om grunderna igen och gästerna blir irriterade.
- Om ni skalar upp förfrågningar med annonser eller partnerskap hanterar samma team fler chattar och kvaliteten faller snabbt.
Det du bygger: en AI-receptionist i WhatsApp som hämtar riktig data
Det här flödet gör WhatsApp till en självhjälpskanal för gästsupport som fortfarande känns mänsklig. En gäst skickar ett meddelande till ert WhatsApp Business-nummer. n8n fångar texten (och kan även stödja röstinmatning), kontrollerar vem gästen är och behåller ett kort konversationsminne så att svaren håller sig till ämnet. Sedan tolkar en AI-agent vad gästen faktiskt vill, hämtar boknings- och gästinformation från er MySQL-databas med säkra, skrivskyddade frågor och kan vid behov hämta aktuella priser eller kampanjer från Google Sheets. Till sist skickas ett strukturerat, naturligt svar tillbaka i WhatsApp på några sekunder. Personalen kliver bara in vid specialfall, inte vid varje rutinfråga.
Flödet startar med det inkommande WhatsApp-meddelandet. Därifrån tilldelar Redis gästen en av två Gemini-modeller så att trafiken hålls balanserad och svarstiderna förblir snabba. AI-agenten använder MySQL och Google Sheets som sanningskälla och skickar sedan det slutliga svaret tillbaka via WhatsApp.
Det du bygger
| Vad som automatiseras | Vad du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att ert hotell får cirka 40 WhatsApp-frågor per dag, och att varje fråga tar ”bara” 3 minuter när du väl har hittat bokningen eller kontrollerat prisarket. Det blir ungefär 2 timmar personalstid dagligen, och det hamnar ofta mitt i de mest intensiva tidsfönstren. Med det här flödet triggas gästmeddelandet direkt, AI:n gör uppslagningen och skriver ett svar, och ni behöver mest bara övervaka. I praktiken får många team tillbaka de där 2 timmarna, plus färre misstag från att råka ange fel pris.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Självhostningsalternativ om du föredrar det (Hostinger fungerar bra)
- WhatsApp Business Cloud för att ta emot och skicka meddelanden.
- Redis för att lagra modellrouting och sessionsdetaljer.
- MySQL för bokningar, rum och gästregister.
- Google Sheets för att hantera priser, rabatter eller kampanjer.
- Google Gemini API-nyckel (hämta den från Google AI Studio / Google Cloud-konsolen).
Kunskapsnivå: Medel. Du kopplar upp inloggningar och bekräftar dina databastabeller/rättigheter, men du bygger ingen app från grunden.
Vill du att någon bygger detta åt dig? Prata med en automationsspecialist (gratis 15-minuters konsultation).
Steg för steg
Ett gästmeddelande triggar flödet. Triggern för WhatsApp Business Cloud fångar meddelandetexten samt grundläggande kontakt-/sessionsdetaljer så att du kan koppla svaren till rätt person.
Meddelandet struktureras och kontrolleras. Ett valideringssteg säkerställer att du jobbar med användbar input (viktigt om gäster skickar tomma meddelanden, märklig formatering eller röstrelaterade payloads).
Redis tilldelar (och kommer ihåg) AI-modellen. Flödet slår upp ett sparat modellval för den WhatsApp-användaren, och om inget finns tilldelar det en modell och sparar den i cirka en timme. Det här undviker att en modell överbelastas när chattvolymen sticker iväg.
AI-agenten hämtar fakta, inte gissningar. LangChain-agenten tolkar frågan, kör skrivskyddade SELECT-frågor mot MySQL för bokningar/tillgänglighet och kan hämta priser eller kampanjer från Google Sheets innan den skriver ett svar.
Svaret skickas tillbaka till WhatsApp. Gästen får ett tydligt svar i samma kanal som de använde för att fråga, och konversationsminnet hjälper agenten att vara konsekvent genom en kort fram och tillbaka-dialog.
Du kan enkelt justera agentprompten så att den matchar er varumärkeston, lägga till flerspråkiga svar eller ändra vilken datakälla som ska gälla när Sheets och MySQL inte stämmer överens. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera WhatsApp-triggern
Det här arbetsflödet startar när ett nytt WhatsApp-meddelande kommer in. Konfigurera triggern för att ta emot meddelandeuppdateringar och skicka dem vidare in i flödet.
- Lägg till och öppna Incoming WhatsApp Hook.
- Ställ in Updates på
messages. - Inloggningsuppgifter krävs: Anslut era whatsAppTriggerApi-uppgifter.
- Spara noden så att n8n genererar webhook-URL:en som ni ska använda i er WhatsApp-leverantör.
Tips: Om ni inte tar emot meddelanden, kontrollera på nytt er WhatsApp-leverantörs webhook-URL och verifieringsinställningar.
Steg 2: Anslut Redis för användarstatus
Arbetsflödet validerar textinmatning, slår upp en användares tidigare modellval, växlar det och sparar det nya värdet. Exekveringsflödet är Incoming WhatsApp Hook → Validate Incoming Text → Lookup User Record → Select Model Index → Persist User Model.
- Öppna Validate Incoming Text och behåll JavaScript-koden som avslutar tidigt när ingen text finns.
- Öppna Lookup User Record och ställ in Operation på
get. - Ställ in Key till
=llm-user:{{ $json.contacts[0].wa_id }}. - Inloggningsuppgifter krävs: Anslut era redis-uppgifter i Lookup User Record.
- Öppna Select Model Index och behåll JavaScript-koden som växlar
modelIndexmellan 0 och 1. - Öppna Persist User Model och ställ in Key till
=llm-user:{{ $('Incoming WhatsApp Hook').item.json.contacts[0].wa_id }}. - Ställ in Value till
={{ JSON.stringify({ modelIndex: $json.modelIndex }) }}och aktivera Expire med TTL inställt på3600. - Inloggningsuppgifter krävs: Anslut era redis-uppgifter i Persist User Model.
⚠️ Vanlig fallgrop: Om Validate Incoming Text inte returnerar några items kommer nedströmsnoder inte att köras. Säkerställ att er WhatsApp-meddelandepayload innehåller en textkropp.
Steg 3: Sätt upp AI-mottagningsagenten och modellrouting
Modellval och konversationsminne är kopplade till agenten. Route AI Model väljer mellan Gemini Chat Model A och Gemini Chat Model B, medan Conversation Memory behåller sessionskontext per WhatsApp-användare.
- Öppna Route AI Model och behåll reglerna som utvärderar
={{$json.modelIndex}}för0och1. - Öppna Gemini Chat Model A och Gemini Chat Model B.
- Inloggningsuppgifter krävs: Anslut era googlePalmApi-uppgifter till både Gemini Chat Model A och Gemini Chat Model B.
- Öppna Conversation Memory och ställ in Session Key till
={{ $('Incoming WhatsApp Hook').item.json.contacts[0].wa_id }}och Session ID Type tillcustomKey. - Öppna AI Reception Agent och ställ in Text till
={{ $('Incoming WhatsApp Hook').item.json.messages[0].text.body }}. - Låt Prompt Type vara inställt på
defineoch använd det medföljande System Message som instruerar agenten att endast generera SQL-SELECT-frågor.
Tips: Conversation Memory är en AI-subnod; den kopplas till AI Reception Agent via AI-minnesporten, så ni lägger inte till inloggningsuppgifter i minnesnoden i sig.
Steg 4: Konfigurera dataverktyg för agenten
Agenten kan anropa verktyg för att hämta prisdata och köra skrivskyddade databasfrågor. Dessa verktyg är anslutna som AI-verktyg till AI Reception Agent.
- Öppna Fetch Pricing Sheet och ställ in Document ID till
[YOUR_ID]. - Ställ in Sheet Name till
Sheet1(värdegid=0). - Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter (det här verktyget är kopplat till AI Reception Agent).
- Öppna Run MySQL Query och ställ in Query till
{{ $('AI Reception Agent').item.json.query }}. - Ställ in Operation till
executeQuery. - Inloggningsuppgifter krävs: Anslut era mySql-uppgifter (det här verktyget är kopplat till AI Reception Agent).
⚠️ Vanlig fallgrop: Agentens systemmeddelande förbjuder SQL-skrivningar. Säkerställ att er databasanvändares behörigheter också blockerar skrivoperationer.
Steg 5: Konfigurera WhatsApp-svar som utdata
Det slutliga svaret skickas tillbaka till den ursprungliga WhatsApp-avsändaren efter att agenten har genererat ett svar.
- Öppna Dispatch WhatsApp Reply och ställ in Operation till
send. - Ställ in Text Body till
={{ $json.output }}. - Ställ in Recipient Phone Number till
={{ $('Incoming WhatsApp Hook').item.json.messages[0].from }}. - Ersätt Phone Number ID med ert faktiska ID (för närvarande
[YOUR_ID]). - Inloggningsuppgifter krävs: Anslut era whatsAppApi-uppgifter.
⚠️ Vanlig fallgrop: Om Phone Number ID lämnas som [YOUR_ID] kommer WhatsApp-svar att misslyckas.
Steg 6: Testa och aktivera ert arbetsflöde
Kör ett live-test för att verifiera hela flödet, från inkommande WhatsApp-meddelande till AI-svar.
- Klicka på Execute Workflow och skicka ett WhatsApp-meddelande till ert anslutna nummer.
- Verifiera att Validate Incoming Text släpper igenom itemet och att Lookup User Record returnerar (eller skapar) status.
- Bekräfta att AI Reception Agent producerar en output och att Dispatch WhatsApp Reply skickar ett svar.
- När allt fungerar, växla arbetsflödet till Active för att köra i produktion.
Tips för felsökning
- Inloggningar för WhatsApp Business Cloud kan gå ut eller sakna webhook-behörigheter. Om meddelanden inte triggar: kontrollera först din webhook-prenumeration i Meta Developer och tokeninställningarna i n8n-uppgifterna.
- Redis-nycklar och TTL spelar större roll än många tror. Om modellrouting känns slumpmässig: bekräfta att dina llm-user:<whatsapp_id>-nycklar skrivs och att TTL ligger nära 3600 sekunder.
- MySQL-åtkomst ska vara skrivskyddad, men den behöver också rätt tabeller. Om agenten svarar ”kan inte hitta data”: validera tabellnamn (som bookings och rooms) och testa samma SELECT-fråga i ditt databasverktyg.
Snabba svar
Räkna med cirka 60–90 minuter om WhatsApp, MySQL och Sheets redan är åtkomliga.
Nej. Du kopplar konton, lägger in inloggningsuppgifter och justerar några prompts och mappningsfält.
Ja. n8n har ett gratis alternativ för självhosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Gemini API-användning och eventuella kostnader för databasdrift.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och kör n8n stabilt. Självhosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.
Ja, och det bör du sannolikt göra. Du kan justera prompten för AI-receptionsagenten för att stödja flera språk, lägga till formulering för ”överlämning till personal” eller styra mot merförsäljning som frukost och transfer. Om dina priser finns någon annanstans än i Sheets kan du ersätta steget Fetch Pricing Sheet med en HTTP Request till ditt PMS, eller hoppa över det helt och förlita dig på MySQL. Du kan också justera Redis TTL så att återkommande gäster behåller samma modellrouting längre än en timme.
Oftast är det ett webhook- eller tokenproblem. Bekräfta att din Meta-webhook pekar på rätt n8n-URL och att din app prenumererar på message events. Om den triggar ibland men inte alltid: kontrollera att WhatsApp Business-numret är korrekt kopplat till appen och att inloggningen i n8n inte har roterats. Säkerställ också att steget Validate Incoming Text inte kastar payloaden för att den inte är ren text.
På n8n Cloud Starter kan du hantera en måttlig månadsvolym, och högre nivåer hanterar fler körningar. Om du självhostar finns ingen inbyggd gräns för antal körningar; det beror främst på serverstorlek och dina rate limits för WhatsApp/Gemini. Praktiskt är flödet byggt för parallell hantering eftersom det kan routa över två Gemini-modeller och håller sessioner lätta med kort minne. Om du förväntar dig hundratals chattar per dag bör du övervaka kötider och skala n8n-worker samt databasprestanda.
Ofta, ja. Det här flödet bygger på mer än enkel logik av typen ”skicka meddelande → få svar”: det routar mellan modeller, lagrar sessionsdetaljer i Redis, använder konversationsminne och frågar MySQL säkert. n8n passar bättre för den typen av förgrening och datahantering, och du kan självhosta om volymen växer. Zapier eller Make kan fortfarande fungera för enklare automationer, som att logga meddelanden till ett ark eller skicka en notis. Om du är osäker, prata med en automationsspecialist så kartlägger vi det enklaste alternativet för din setup.
När det här väl är igång slutar rutinfrågor på WhatsApp att avbryta teamet varannan minut. Du får mer strukturerade svar, lugnare pass och gäster som känner sig omhändertagna utan att behöva vänta.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.