Din WhatsApp-supporttråd rullar snabbt, men din dokumentation gör det inte. Meddelanden besvaras i all hast, detaljer tappas bort och senare försöker du pussla ihop vad som hände utifrån skärmdumpar och halvt ihågkommen kontext.
Den här WhatsApp Sheets-automationen träffar supportansvariga först, men driftschefer och småföretagare märker effekten lika mycket. Du får felfria loggar, snabbare svar och färre ”vänta, vad sa de igår?”-ögonblick.
Det här arbetsflödet routar WhatsApp-texter och röstmeddelanden, analyserar intention och sentiment, flaggar känslig information, loggar allt till Google Sheets och eskalerar specialfall till Gmail med en handlingsklar sammanfattning.
Så här fungerar automationen
Hela n8n-flödet, från trigger till slutresultat:
n8n Workflow Template: WhatsApp + Google Sheets: strukturerade supportloggar
flowchart LR
subgraph sg0["WhatsApp Flow"]
direction LR
n0@{ icon: "mdi:robot", form: "rounded", label: "Transcribe1", pos: "b", h: 48 }
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/merge.svg' width='40' height='40' /></div><br/>Merge3"]
n2@{ icon: "mdi:cog", form: "rounded", label: "Aggregate3", pos: "b", h: 48 }
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/merge.svg' width='40' height='40' /></div><br/>Merge4"]
n4@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model8", pos: "b", h: 48 }
n5@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model10", pos: "b", h: 48 }
n6@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model11", pos: "b", h: 48 }
n7@{ icon: "mdi:wrench", form: "rounded", label: "Think1", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Voice or Text", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n10@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser1", pos: "b", h: 48 }
n11@{ icon: "mdi:memory", form: "rounded", label: "Postgres Chat Memory", pos: "b", h: 48 }
n12@{ icon: "mdi:robot", form: "rounded", label: "sentiment classifier", pos: "b", h: 48 }
n13@{ icon: "mdi:robot", form: "rounded", label: "intent classifier", pos: "b", h: 48 }
n14@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser2", pos: "b", h: 48 }
n15@{ icon: "mdi:robot", form: "rounded", label: "privacy classifier", pos: "b", h: 48 }
n16@{ icon: "mdi:cog", form: "rounded", label: "Knowledge base", pos: "b", h: 48 }
n17@{ icon: "mdi:database", form: "rounded", label: "orders database", pos: "b", h: 48 }
n18@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n19@{ icon: "mdi:database", form: "rounded", label: "Historial Chat and feedback", pos: "b", h: 48 }
n20@{ icon: "mdi:swap-vertical", form: "rounded", label: "Text", pos: "b", h: 48 }
n21@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n22@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model1", pos: "b", h: 48 }
n23@{ icon: "mdi:cog", form: "rounded", label: "Normal path / success", pos: "b", h: 48 }
n24@{ icon: "mdi:message-outline", form: "rounded", label: "Owner escalation", pos: "b", h: 48 }
n25@{ icon: "mdi:message-outline", form: "rounded", label: "Critical complaint.", pos: "b", h: 48 }
n26@{ icon: "mdi:message-outline", form: "rounded", label: "Human request.", pos: "b", h: 48 }
n27["<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/merge.svg' width='40' height='40' /></div><br/>Merge"]
n28@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model2", pos: "b", h: 48 }
n29@{ icon: "mdi:swap-vertical", form: "rounded", label: "Supabase1", pos: "b", h: 48 }
n30@{ icon: "mdi:robot", form: "rounded", label: "Human intervention", pos: "b", h: 48 }
n31["<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/supabase.svg' width='40' height='40' /></div><br/>Aliment context for next mes.."]
n32@{ icon: "mdi:robot", form: "rounded", label: "Generate conv context", pos: "b", h: 48 }
n33@{ icon: "mdi:robot", form: "rounded", label: "Customer service AGENT", pos: "b", h: 48 }
n34["<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/>WhatsApp Trigger"]
n35["<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/>Download media"]
n36["<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/>Send message"]
n20 --> n27
n27 --> n13
n27 --> n12
n27 --> n15
n27 --> n3
n27 --> n32
n27 --> n1
n1 --> n2
n3 --> n21
n7 -.-> n33
n21 --> n30
n29 -.-> n32
n2 --> n33
n0 --> n27
n8 --> n35
n8 --> n20
n35 --> n0
n16 -.-> n33
n17 -.-> n33
n34 --> n8
n18 -.-> n33
n13 --> n3
n13 --> n1
n30 --> n24
n30 --> n26
n30 --> n25
n30 --> n23
n22 -.-> n30
n28 -.-> n32
n4 -.-> n15
n15 --> n1
n5 -.-> n13
n6 -.-> n12
n11 -.-> n33
n12 --> n1
n12 --> n3
n32 --> n3
n33 --> n19
n33 --> n31
n33 --> n36
n9 -.-> n13
n10 -.-> n12
n14 -.-> n15
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 n34 trigger
class n0,n9,n10,n12,n13,n14,n15,n30,n32,n33 ai
class n4,n5,n6,n18,n22,n28 aiModel
class n7 ai
class n11 ai
class n8 decision
class n17,n19 database
classDef customIcon fill:none,stroke:none
class n1,n3,n27,n31,n34,n35,n36 customIcon
Problemet: WhatsApp-support blir ett osökbart kaos
WhatsApp är toppen för snabba kunddialoger. Men det är en tuff miljö att driva support i. Ett röstmeddelande innehåller det verkliga problemet, ett uppföljande meddelande innehåller ordernumret, och tre dagar senare ber någon om en återbetalning i samma tråd. Om du inte fångar historien medan den är färsk kommer du lägga veckan på att skrolla, gissa och be om ursäkt för förseningar. Värst är den mentala belastningen. Teamet kan inte lämna över ett ärende med trygghet, eftersom det inte finns ett konsekvent spår av vad som sagts, hur kunden kände och vad ni redan har provat.
Det eskalerar snabbt. Här är var det fallerar i verkligheten.
- Röstmeddelanden saktar ner allt eftersom någon måste lyssna, sammanfatta och sedan svara.
- Supportloggar blir ofullständiga, så uppföljningar blir en 10-minutersövning i att ”återskapa tidslinjen”.
- Allvarliga klagomål sticker inte ut i tid, vilket gör att du hittar branden först när den spridit sig.
- Känslig information slinker in i chattar, och teamet får improvisera hur den ska hanteras.
Lösningen: AI-triage + strukturerad loggning i Google Sheets
Det här arbetsflödet gör varje inkommande WhatsApp-meddelande till en strukturerad supportpost, utan att teamet behöver göra extra administrativt arbete. Det startar i samma ögonblick som ett meddelande kommer in (text eller röst). Röstmeddelanden laddas ner och transkriberas, och slås sedan ihop med textmeddelanden så att allt behandlas på samma sätt. Därefter körs tre AI-kontroller parallellt: integritetsdetektering (för att hitta känslig data), intentionsigenkänning (vad kunden vill) och sentimentanalys (hur upphettad konversationen håller på att bli). Med den kontexten skapar en AI-kundtjänstagent ett lämpligt svar, sparar löpande konversationsminne och loggar interaktionen till en Google Sheets-”konversationslogg” som du faktiskt kan sortera, söka i och rapportera på. Om läget kräver en människa routas ärendet till Gmail med en tydlig sammanfattning så att någon snabbt kan ta över.
Arbetsflödet börjar med en WhatsApp-trigger och normaliserar sedan röst och text till en gemensam indata. AI-klassificerare etiketterar meddelandet, ett svar genereras med hjälp av dina kunskapskällor och resultatet loggas till Google Sheets. När en eskalering upptäcks får Gmail hela kontexten automatiskt.
Det du får: automation vs. resultat
| Det här automatiserar arbetsflödet | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut i praktiken
Säg att du hanterar 30 WhatsApp-konversationer per dag och försöker hålla ett Google Sheet uppdaterat manuellt. Om loggning av varje ärende tar kanske 5 minuter (kopiera meddelandet, sammanfatta, tagga, lägga till en länk) är det cirka 2,5 timmar per dag bara för dokumentation. Med det här arbetsflödet blir den ”manuella” delen nära noll: ett meddelande kommer in, AI-triage körs, svaret utkastas eller skickas, och Google Sheets uppdateras automatiskt. Du granskar främst eskaleringar, inte matar in data.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- WhatsApp för att ta emot meddelanden och skicka svar.
- Google Sheets för en sökbar konversationslogg.
- Gmail för att ta emot eskaleringar efter allvarlighetsgrad.
- OpenAI API-nyckel (hämta den i din OpenAI-dashboard)
- Supabase för att lagra och hämta konversationskontext.
Kunskapsnivå: Medel. Du kopplar konton, klistrar in API-nycklar och gör lätt testning med riktiga meddelanden.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (kostnadsfri 15-minuters konsultation).
Så fungerar det
Ett WhatsApp-meddelande triggar arbetsflödet. Automationen lyssnar på inkommande WhatsApp-meddelanden och routar sedan direkt indatan beroende på om det är text eller ett röstmeddelande.
Röstmeddelanden blir text. Om media är bifogat laddar n8n ner ljudet och kör transkribering så att teamet slipper spela upp långa röstmeddelanden för att förstå ärendet.
AI-triage körs parallellt. Klassificerare för intention, sentiment och integritet utvärderar meddelandet, och arbetsflödet hämtar även in relevant kunskap (som dina dokument och orderdata) för att undvika självsäkra men felaktiga svar.
Ett svar genereras, loggas och eskaleras vid behov. Rutinförfrågningar kan hanteras automatiskt, medan situationer som kräver mänsklig insats triggar Gmail-varningar. Oavsett vilket skrivs den slutliga posten till Google Sheets och konversationskontexten uppdateras till nästa gång.
Du kan enkelt justera eskaleringströsklarna så att de matchar din risknivå utifrån dina behov. Se hela implementationsguiden nedan för alternativ för anpassning.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera WhatsApp-triggern
Börja med att sätta upp den inkommande WhatsApp-webhooken som initierar arbetsflödet och dirigerar meddelanden till röst- eller texthantering.
- Lägg till och konfigurera WhatsApp Incoming Trigger för att fånga inkommande meddelanden.
- Credential Required: Anslut era WhatsApp-credentials.
- Koppla WhatsApp Incoming Trigger till Route Voice or Text för att förgrena mellan media och text.
Steg 2: Anslut WhatsApp media- och textinmatningar
Konfigurera både ljud- och textvägen så att all användarinmatning sammanförs till en enhetlig ström.
- I Route Voice or Text definierar ni switch-regler för media kontra textinmatningar.
- För röst, koppla Route Voice or Text → Download WhatsApp Media → Audio Transcription.
- Credential Required: Anslut era WhatsApp-credentials i Download WhatsApp Media.
- Credential Required: Anslut era OpenAI-credentials i Audio Transcription.
- För text, koppla Route Voice or Text → Set Text Input → Unify Inputs.
Steg 3: Sätt upp AI-klassificering och kontextgenerering
Det här arbetsflödet kör flera AI-klassificerare parallellt för att avgöra intention, sentiment och integritet, samtidigt som det bygger upp kontext för konversationen.
- Säkerställ att Unify Inputs skickar output till Intent Classifier, Sentiment Classifier, Privacy Classifier, Generate Conversation Context, Combine Stream A och Combine Stream B parallellt.
- Unify Inputs skickar output till både Intent Classifier och Sentiment Classifier parallellt, samt även till Privacy Classifier och Generate Conversation Context samtidigt.
- Koppla Chat Model Intent, Chat Model Sentiment och Chat Model Privacy som språkmodeller för respektive klassificerare.
- Credential Required: Anslut era OpenAI-credentials i alla lmChatOpenAi-noder (6 noder hanterar intention, sentiment, integritet, kontext, grundsvar och eskalering).
- Koppla Parse Intent Output, Parse Sentiment Output och Parse Privacy Output som output-parsers för varje klassificerare.
- I Generate Conversation Context kopplar ni Supabase Context Tool och Chat Model Context som verktyg och modell.
Steg 4: Konfigurera parallell sammanfattning och routing
Slå ihop klassificeringsresultat i två strömmar, sammanfatta och avgör om en människa ska ingripa.
- Koppla Intent Classifier till både Combine Stream A och Combine Stream B parallellt.
- Koppla Sentiment Classifier till både Combine Stream A och Combine Stream B parallellt.
- Koppla Privacy Classifier till Combine Stream A.
- Koppla Combine Stream A → Summarize Batch A och Combine Stream B → Summarize Batch B.
- Koppla Summarize Batch B → Human Intervention Check.
- Koppla Chat Model Escalation som språkmodell för Human Intervention Check.
Steg 5: Konfigurera agentsvar och kunskapsverktyg
Generera kundsvar med en AI-agent och använd verktyg för resonemang, kunskapsuppslag och orderdata.
- Koppla Summarize Batch A → Customer Service Agent.
- Koppla Chat Model Core som språkmodell för Customer Service Agent.
- Koppla Reasoning Tool, Knowledge Library och Orders Dataset som AI-verktyg på Customer Service Agent.
- Koppla Postgres Conversation Memory som minne för Customer Service Agent.
- Credential Required: Anslut era Google-credentials för Knowledge Library och Orders Dataset på föräldranoden Customer Service Agent.
- Credential Required: Anslut era Postgres-credentials på Postgres Conversation Memory via Customer Service Agent.
Steg 6: Konfigurera utdata och eskaleringar
Skicka svar, logga konversationer, uppdatera kontext och avisera människor när eskalering krävs.
- Customer Service Agent skickar output till Conversation Log Sheet, Update Context Store och Send WhatsApp Reply parallellt.
- Credential Required: Anslut era Google Sheets-credentials för Conversation Log Sheet.
- Credential Required: Anslut era Supabase-credentials för Update Context Store.
- Credential Required: Anslut era WhatsApp-credentials för Send WhatsApp Reply.
- Från Human Intervention Check bekräftar ni output till Owner Escalation Email, Human Request Email, Critical Complaint Email och Standard Success Path.
- Credential Required: Anslut era Gmail-credentials i alla Gmail-noder (Owner Escalation Email, Human Request Email, Critical Complaint Email).
Steg 7: Testa och aktivera ert arbetsflöde
Verifiera varje väg med exempel på WhatsApp-text och röstmeddelanden innan ni aktiverar körning i produktion.
- Använd Execute Workflow och skicka en WhatsApp-text för att trigga WhatsApp Incoming Trigger och verifiera att den når Send WhatsApp Reply.
- Skicka ett röstmeddelande för att bekräfta att Download WhatsApp Media och Audio Transcription flödar in i Unify Inputs.
- Kontrollera att Customer Service Agent skriver till Conversation Log Sheet och uppdaterar Update Context Store.
- Trigga ett meddelande som ska eskalera och verifiera ett e-postmeddelande från Owner Escalation Email eller Critical Complaint Email.
- När allt fungerar, slå på arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- WhatsApp-inloggningsuppgifter kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först inställningarna hos din WhatsApp-leverantör och webhook-status.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in ert tonalitet/varumärkesröst tidigt, annars kommer du redigera utdata för alltid.
Vanliga frågor
Cirka 1–2 timmar om dina WhatsApp- och Google-konton är redo.
Nej. Du kopplar konton, lägger till API-nycklar och testar med några riktiga meddelanden.
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 kostnader för OpenAI API-användning, som beror på meddelandevolym och modellval.
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, men gör det med eftertanke. Du kan justera klassificeraren Human Intervention Check så att ”Human Request”, ”Critical Complaint” och ”Owner Escalation” triggar tidigare eller senare. Du kan också byta mottagare för eskaleringar genom att ändra Gmail-e-postnoderna (Owner Escalation Email, Critical Complaint Email, Human Request Email). Vanliga justeringar är striktare integritetshantering, andra sentimenttrösklar och att routa vissa intentioner (som återbetalningar) direkt till en människa.
Oftast beror det på en utgången token, en ändrad webhook-URL eller saknade behörigheter på WhatsApp-sidan. Kontrollera WhatsApp-triggerns konfiguration igen och bekräfta sedan att leverantören fortfarande visar webhooken som ”active”. Om nedladdning av media misslyckas kan det också bero på att bilagans URL snabbt löper ut, så arbetsflödet måste hämta den direkt. Slutligen: om du testar med många meddelanden samtidigt kan du slå i rate limits.
Väldigt många.
För det här användningsfallet: ja, eftersom logiken är mer omfattande än ett enkelt ”nytt meddelande → lägg till rad”. Du gör transkribering, flera AI-klassificeringar, lagring av minne/kontext, villkorlig routing och skickar sedan svar plus loggning. n8n hanterar förgreningar och rikare arbetsflöden utan att tvinga dig till högre nivåer bara för att lägga till fler vägar, och du kan köra egen hosting för mer kontroll. Zapier eller Make kan fortfarande fungera om du bara vill ha grundläggande loggning eller en enskild notifiering. Om du är osäker, prata med en automationsexpert så kvalitetssäkrar vi det enklaste alternativet.
När detta väl rullar slutar din WhatsApp-support att bara leva i folks huvuden och i chattens skrollhistorik. Du får felfria loggar, snabbare svar och eskaleringar som kommer med kontext i stället för panik.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.