Att hålla ett Google-ark korrekt låter enkelt tills uppdateringar kommer i fem olika chattar och du lägger hela eftermiddagen på att leta upp rätt rad. Ett stavfel. Ett missat meddelande. Och plötsligt är din ”single source of truth” bara … en gissning.
Driftchefer märker det direkt när beställningar och lager börjar glida isär. Marknadskoordinatorer stöter på det i lead-trackers. Och småföretagare får ofta göra upprensningen själva. Den här WhatsApp Sheets-automationen gör att du kan uppdatera och fråga ditt kalkylark direkt i chatten, så att summeringar och svar kommer tillbaka på några sekunder.
Det här arbetsflödet kopplar ihop WhatsApp, Google Sheets och en AI-agent i n8n. Du får se vad det gör, vad det ersätter och hur team använder det för att slippa ”jaga i kalkylark” en gång för alla.
Så fungerar den här automatiseringen
Hela n8n-arbetsflödet, från trigger till slutlig output:
n8n Workflow Template: WhatsApp + Google Sheets: summeringar och uppdateringar
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: "AI Agent", pos: "b", h: 48 }
n2@{ icon: "mdi:memory", form: "rounded", label: "Simple Memory", pos: "b", h: 48 }
n3@{ icon: "mdi:database", form: "rounded", label: "Update", pos: "b", h: 48 }
n4@{ icon: "mdi:database", form: "rounded", label: "Create", pos: "b", h: 48 }
n5@{ icon: "mdi:database", form: "rounded", label: "Read", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: "Delete", pos: "b", h: 48 }
n7@{ icon: "mdi:wrench", form: "rounded", label: "Calculator", pos: "b", h: 48 }
n8@{ icon: "mdi:brain", form: "rounded", label: "Model", pos: "b", h: 48 }
n5 -.-> n1
n8 -.-> n1
n4 -.-> n1
n6 -.-> n1
n3 -.-> n1
n7 -.-> n1
n2 -.-> n1
n0 --> 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 n8 aiModel
class n7 ai
class n2 ai
class n3,n4,n5,n6 database
Problemet: Google Sheets uppdaterar inte sig självt
Om verksamheten bygger på ett tracker-ark känner du redan igen fällan. Uppdateringar kommer som meddelanden (“lägg till 3 till”, “avboka order 1042”, “vad är totalen idag?”), men arket behöver strukturerade rader, konsekventa fält och någon som översätter intentionen. Så du kopierar och klistrar in. Du filtrerar. Du letar efter dubbletter. Sedan frågar någon efter en totalsumma, och du fastnar med att räkna medan du försöker att inte skapa fel i arket med en dålig formel.
Det går fort. Friktionen byggs på.
- En snabb “kan du uppdatera det här?” blir 10 minuter av att hitta rätt rad och dubbelkolla kolumner.
- Totaler och medelvärden räknas fram i stunden, vilket gör att fel smyger sig in när du har bråttom.
- Flera personer som uppdaterar samma tracker skapar motstridiga poster och obekväma “vem ändrade det här?”-ögonblick.
- Du börjar undvika arket till senare, så beslut fattas på gamla siffror.
Lösningen: WhatsApp-chatt som läser och uppdaterar ditt ark
Det här n8n-arbetsflödet gör WhatsApp till en ingång till Google Sheets. Ett meddelande kommer in i WhatsApp och en AI-agent tolkar vad du menade på vanlig svenska. Om du ber om information hämtar den relevanta rader och sammanfattar dem. Om du ber den ändra något kan den lägga till en ny rad, ändra en befintlig eller ta bort en rad helt. Och när du behöver snabb matte (totaler, medelvärden, enkla jämförelser) kör den beräkningen och svarar i samma chatt så att du inte behöver öppna kalkylarket alls.
Arbetsflödet startar med ett inkommande WhatsApp-meddelande. AI-agenten använder ditt ark som datakälla, hämtar kontext från det senaste konversationsminnet och väljer sedan rätt Sheets-åtgärd (hämta, lägg till, ändra eller ta bort). Till sist skickar den tillbaka ett strukturerat svar i chatten, inklusive beräknade totaler när det behövs.
Det här får du: automation vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du spårar beställningar i Google Sheets och får uppdateringar via WhatsApp hela dagen. Om du hanterar 20 meddelanden per dag och varje tar kanske 5 minuter för att hitta raden, uppdatera den och rimlighetskontrollera totaler, är det runt 100 minuter per dag. Med det här arbetsflödet skickar du meddelandet (“lägg till order 1042 för $85” eller “vad är dagens total?”) och arket uppdateras automatiskt. Oftast tar det under en minut av din tid, plus en kort väntan på bearbetning, så du får tillbaka ungefär 1,5 timme varje dag.
Det du behöver
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- WhatsApp Business Cloud för att ta emot och svara på meddelanden.
- Google Sheets som din tracker-databas.
- OpenAI API-nyckel (hämta den i din OpenAI-instrumentpanel).
Svårighetsnivå: Medel. Du kopplar konton, mappar arkkolumner och testar några riktiga chattprompter.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett WhatsApp-meddelande startar allt. När någon skickar en chattförfrågan triggas arbetsflödet direkt och skickar texten till AI-agenten.
Konversationskontext hämtas in. En enkel minnesbuffert håller den senaste delen av konversationen tillgänglig, vilket hjälper när någon skriver “gör det 6 i stället” utan att upprepa hela beställningen.
Agenten väljer rätt Sheets-åtgärd. Beroende på intent hämtar den rader, lägger till en ny post, ändrar en befintlig rad eller tar bort felaktiga poster med Google Sheets-verktyg.
Totaler och snabb matte sker automatiskt. När förfrågan innehåller beräkningar hanterar det inbyggda kalkylatorverktyget det, och arbetsflödet skickar slutsvaret tillbaka till WhatsApp på vanlig svenska.
Du kan enkelt ändra arktfälten så att de matchar din tracker och justera AI:ns ton för att passa ditt varumärke. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera triggern för inkommande chatt
Konfigurera startpunkten så att inkommande chattar kan starta automatiseringen och lämna över kontrollen till AI-agenten.
- Lägg till noden Incoming Chat Trigger i ert workflow.
- Behåll standardalternativen i Incoming Chat Trigger (inga ytterligare parametrar krävs).
- Anslut Incoming Chat Trigger till Dialogue Orchestrator för att följa exekveringsflödet.
Steg 2: Anslut Google Sheets
Konfigurera alla verktygsnoder för Google Sheets så att agenten kan läsa och skriva till ert kalkylark.
- Öppna Append Sheet Entry och ställ in Operation på
append. - Ställ in Document ID på
[YOUR_ID]och Sheet Name pågid=0(Sheet1) i Append Sheet Entry. - I Append Sheet Entry, mappa ID till
{{ `${Math.random()}`.replace('0.', '') }}och Name till{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Name', ``, 'string') }}. - Öppna Retrieve Sheet Rows och ställ in Document ID på
[YOUR_ID]och Sheet Name pågid=0. - Öppna Modify Sheet Row och ställ in Operation på
update, och ställ sedan in Document ID på[YOUR_ID]och Sheet Name pågid=0. - I Modify Sheet Row, ställ in ID på
{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('ID__using_to_match_', ``, 'string') }}och Name på{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Name', ``, 'string') }}. - Öppna Remove Sheet Rows och ställ in Operation på
delete, Document ID på[YOUR_ID]och Sheet Name pågid=0. - I Remove Sheet Rows, ställ in Start Index på
{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Start_Row_Number', ``, 'number') }}och Number To Delete på{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Number_of_Rows_to_Delete', ``, 'number') }}. - Credential Required: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Append Sheet Entry, Retrieve Sheet Rows, Modify Sheet Row och Remove Sheet Rows.
[YOUR_ID] med ert faktiska dokument-id för Google Sheets i alla fyra noderna, annars kan verktygen inte komma åt arket.Steg 3: Konfigurera Dialogue Orchestrator och AI-komponenter
Konfigurera AI-agenten som tolkar chattinmatning och routar operationer till verktyg och minne.
- Öppna Dialogue Orchestrator och behåll standardalternativen.
- Koppla Chat Model Engine till Dialogue Orchestrator som språkmodell; ställ in Model på
gpt-4.1-mini. - Koppla Context Memory Buffer till Dialogue Orchestrator som AI-minne för att bevara kontexten i konversationen.
- Koppla Compute Tool, Append Sheet Entry, Retrieve Sheet Rows, Modify Sheet Row och Remove Sheet Rows till Dialogue Orchestrator som AI-verktyg.
- Credential Required: Anslut era openAiApi-inloggningsuppgifter i Chat Model Engine.
Steg 4: Konfigurera utdata och verktygsbeteenden
Säkerställ att verktygen beter sig korrekt när agenten väljer dem för en uppgift.
- Verifiera att Append Sheet Entry använder
appendför att lägga till nya rader med det AI-angivna Name och det genererade ID. - Verifiera att Modify Sheet Row matchar på ID och uppdaterar kolumnen Name med hjälp av AI-inmatningen.
- Verifiera att Retrieve Sheet Rows läser från
Sheet1(gid=0) i det angivna dokumentet. - Verifiera att Remove Sheet Rows använder AI-inmatning för att ställa in både Start Index och Number To Delete.
Steg 5: Testa och aktivera ert workflow
Validera workflowet från början till slut och aktivera det sedan för produktionsanvändning.
- Klicka på Execute Workflow och skicka ett testmeddelande till Incoming Chat Trigger.
- Bekräfta att Dialogue Orchestrator svarar och väljer rätt verktyg (t.ex. append, update, read eller delete) baserat på chattens avsikt.
- Kontrollera ert Google Sheet för att verifiera att rader lades till, uppdaterades, hämtades eller togs bort som förväntat.
- När resultaten är korrekta, slå om workflowet till Active för att aktivera produktionsanvändning.
Vanliga fallgropar
- Google Sheets-inloggningar kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först status för dina n8n-inloggningar och arkets delningsbehörigheter.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om noder längre ned i flödet misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera outputs för alltid.
Vanliga frågor
Cirka 30–60 minuter när dina WhatsApp- och Google-konton är redo.
Nej. Du kopplar främst inloggningar och matchar arkets kolumner med det som agenten ska redigera.
Ja. n8n har ett gratisalternativ för egen hosting och en gratis provperiod på n8n Cloud. Molnplaner börjar på $20/månad för högre volym. Du behöver också räkna in OpenAI API-användning, vilket vanligtvis är några cent per dag vid låg chattvolym.
Två alternativ: n8n Cloud (hanterat, enklast att sätta upp) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och klarar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du. Uppdatera Google Sheets-verktygen (lägg till, ändra, hämta, ta bort) så att de matchar dina kolumnnamn och den unika identifierare du använder (t.ex. order-id eller e-post). Justera sedan agentens prompt så att den vet vilka fält som är tillåtna och vad “ta bort” ska betyda i din process. Vanliga justeringar är att lägga till valideringsregler, tvinga datumformat och begränsa ändringar till vissa kolumner.
Oftast är det ett token- eller behörighetsproblem. Kontrollera dina appinställningar för WhatsApp Business Cloud, bekräfta att webhooken fortfarande är giltig och säkerställ att telefonnumret är kopplat till rätt företagskonto. Om meddelanden kommer in men svar misslyckas kan det bero på en mall eller sändningsbegränsning på WhatsApp-sidan. Det är också värt att kontrollera rate limits om du plötsligt hanterar många chattar samtidigt.
På en typisk n8n Cloud-plan kan den hantera hundratals chattar per dag för de flesta små team, och vid egen hosting beror det främst på din serverstorlek.
Det beror på vad du menar med “bättre”, ärligt talat. Om du vill ha naturligt språk (“lägg till två artiklar, uppdatera order 1042, vad är totalen?”) plus minne och grenlogik, är n8n oftast en mer träffsäker lösning eftersom AI-agenten kan avgöra vilken åtgärd som ska köras utan att du bygger ett massivt regelträd. n8n har också ett starkt alternativ för egen hosting, vilket är viktigt när meddelandevolymen växer och prissättning per körning blir irriterande. Zapier eller Make kan fortfarande vinna för väldigt enkla tvåstegsflöden, eller om teamet vägrar röra något som ser tekniskt ut. Prata med en automationsexpert om du är osäker på vad som passar.
När det här väl rullar slutar ditt ark vara en plats du “uppdaterar senare” och börjar fungera som ett live-system. Sätt upp det en gång, och gå sedan tillbaka till jobbet som faktiskt behöver dig.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.