Bygg din första AI-agent i n8n: ett komplett arbetsflöde för leadkvalificering

Den mest underskattade funktionen i n8n är AI-agentnoden. Den förvandlar ett statiskt arbetsflöde (”när X händer, gör Y”) till något mer flexibelt: ett arbetsflöde där AI-modellen bestämmer vilka åtgärder som ska vidtas utifrån situationen.

I den här artikeln bygger vi en verklig, fungerande agent från början till slut: ett system för leadkvalificering som tar emot nya leads, berikar dem med information, poängsätter dem, skriver utkast till personliga svar och dirigerar dem till rätt plats. När du är klar kommer du att förstå både hur n8n-agenter fungerar och vilka designmönster som skiljer en användbar agent från en bräcklig demo.

Vi utgår från att du har installerat n8n (på en egen server eller via n8n.cloud) och har en fungerande API-nyckel för Claude eller OpenAI. Om n8n är nytt för dig bör du först gå igenom deras grundläggande introduktion.

Låt inte den första versionen skicka svar automatiskt till riktiga leads. Skicka utkasten till mänsklig granskning tills du har loggar, idempotens, poängtrösklar och tillräckligt många granskade körningar för att veta att arbetsflödet hanterar röriga indata korrekt.

Det här ska vi bygga

Arbetsflödet:

1. Ett nytt lead kommer in via en webhook (från ett formulär, ett evenemang, ett CRM-system och så vidare).
2. Agenten berikar leadet med företagsinformation (med hjälp av webbsökning).
3. Den poängsätter leadet utifrån tre dimensioner: lämplighet, avsikt och angelägenhetsgrad.
4. Den skriver ett utkast till ett personligt svar.
5. Beroende på poängen gör den något av följande:
   • Svarar automatiskt och skapar en CRM-post (för leads med hög lämplighet och hög säkerhet),
   • Skriver ett svarsutkast som en människa får granska och skickar en Slack-avisering (för medelprioriterade leads),
   • Eller loggar och aviserar utan att svara (för leads med låg lämplighet).

Det här mönstret kan användas i många sammanhang. Byt ut ”leadkvalificering” mot ”klassificering av supportärenden”, ”urval av kandidater”, ”hantering av pressförfrågningar” eller ”dirigering av kundåterkoppling” – strukturen är densamma.

Det tillhörande JSON-schemat som länkas från den här artikeln definierar indatans nyttolast. Använd det för att validera webhook-indatan innan agentnoden får se den.

Lägg till en valideringsspärr före agenten

Webhooken ska inte skicka godtyckliga formulärdata direkt till agenten. Lägg in ett valideringssteg mellan utlösaren och agenten:

Den här spärren skyddar arbetsflödet mot felaktigt utformade inskick, upprepade webhookförsök och promptinjektioner som döljs i formulärfält. Agenten kan fortfarande läsa meddelandet, men arbetsflödet avgör om posten är tillräckligt giltig för att bearbetas.

Den mentala modellen: agent = LLM + verktyg + loop

Innan vi börjar bygga behöver vi förstå konceptet.

En ”agent” år 2026 är en LLM som kan använda verktyg. I stället för att skapa ett enda svar bestämmer modellen vilka åtgärder (som kallas ”verktyg”) den ska anropa. Efter varje verktygssvar ser modellen resultatet och bestämmer vad den ska göra härnäst – anropa ett nytt verktyg, utföra ett annat steg eller lämna ett slutligt svar.

AI Agent-noden i n8n implementerar den här loopen. Du ger modellen:

• En systemprompt (dess instruktioner och personlighet).
• En användarprompt (indata för den aktuella körningen).
• En uppsättning verktyg (andra n8n-noder eller underarbetsflöden som modellen kan anropa).

Modellen bestämmer vilka verktyg som ska anropas, i vilken ordning och med vilka argument. Efter varje verktygssvar gör modellen en ny bedömning. När den anser att den har gjort tillräckligt lämnar den ett slutligt svar.

Det här skiljer sig i grunden från ett statiskt arbetsflöde eftersom det är modellen, inte du, som bestämmer stegens ordning. Förmågan att utforma agenter handlar om att:

1. Ge modellen rätt verktyg (varken för få eller för många).
2. Skriva en systemprompt som avgränsar dess beteende.
3. Lägga till skyddsräcken så att den inte spårar ur.
4. Utforma utdata så att efterföljande noder kan använda dem på ett tillförlitligt sätt.

Steg 1: Utlösaren

Öppna n8n och skapa ett nytt arbetsflöde. Konfigurera utlösaren så här:

• Nod: Webhook
• HTTP-metod: POST
• Svarsläge: ”När den sista noden är klar”
• Sökväg: exempelvis /lead-triage

Den här webhooken tar emot inskickade leads. n8n ger dig en URL som du kan ange som mål för inskick från formuläret eller för utgående webhooks från CRM-systemet.

För att testa sparar du arbetsflödet en gång så att webhookens URL aktiveras och förbereder en exempelnyttolast. En typisk nyttolast från en webhook för leads kan se ut så här:

{
  "name": "Anna Lehtinen",
  "email": "anna@somecompany.fi",
  "company": "Some Company OÜ",
  "role": "Marknadschef",
  "message": "Vi är intresserade av era AI-konsulttjänster. Vi har ett team på 10 personer och behöver hjälp med utbildning i promptutformning.",
  "source": "website-form",
  "timestamp": "2026-05-15T14:30:00Z"
}

Klicka på ”Testa steg” och skicka in testnyttolasten för att se hur data flödar in.

Steg 2: AI Agent-noden

Lägg till en AI Agent-nod efter webhooken. Konfigurera den så här:

• Agenttyp: Konversationsbaserad (eller ”Tools Agent” i nyare versioner – välj den variant som stöder verktygsanrop).
• Chattmodell: Claude (Anthropic) eller OpenAI. För ett agentarbetsflöde är Claude Sonnet 4.5 eller GPT-5 bra standardval. Resonerande modeller fungerar också, men är långsammare i agentloopar.
• Minne: Inget för tillståndslös leadkvalificering (varje lead är oberoende). Använd en minnesnod för agentsamtal i flera turer.
• Systemmeddelande: Här definieras agentens beteende. Använd mallen nedan.
• Användarmeddelande: Hämta leadinformationen från webhooken.

Systemmeddelandet:

Du är en agent för leadkvalificering hos [Ditt företagsnamn], ett AI-konsultföretag.

Din uppgift är att bearbeta inkommande leads och lämna ett strukturerat kvalificeringsbeslut.

För varje lead måste du:

1. Använda verktyget `enrich_lead` för att samla in bakgrundsinformation om företaget.
2. Poängsätta leadet utifrån tre dimensioner:
   - Lämplighet: motsvarar leadet vår ideala kundprofil?
     - Företag med 10-200 anställda inom B2B, tillverkning eller professionella tjänster.
     - Roller inom marknadsföring, verksamhet, teknisk ledning eller företagsledning.
   - Avsikt: hur seriös är förfrågan?
     - "Bara nyfiken" jämfört med "utvärderar aktivt" och "redo att köpa".
   - Angelägenhetsgrad: finns det en uttalad eller underförstådd tidsplan?
3. Använda verktyget `score_lead` för att registrera poängen.
4. Använda verktyget `draft_response` för att skriva ett personligt svar.
5. Använda verktyget `route_lead` med något av följande värden: "auto_reply", "human_review", "log_only".

Dirigeringsregler:
- "auto_reply" om lämplighet >= 7/10 OCH avsikt >= 7/10. Svaret skickas automatiskt.
- "human_review" om lämplighet >= 5/10 ELLER avsikt >= 5/10. En människa kontrollerar svaret innan det skickas.
- "log_only" om lämplighet < 5/10 OCH avsikt < 5/10. Vi registrerar bara leadet och går vidare.

Hitta aldrig på information. Om något är oklart markerar du [oklart] i motiveringen till poängsättningen.

Avsluta alltid med att returnera ett JSON-objekt med:
{
  "fit_score": <1-10>,
  "intent_score": <1-10>,
  "urgency_score": <1-10>,
  "reasoning": "<2-3 meningar>",
  "drafted_response": "<e-postmeddelandets brödtext>",
  "routing": "<auto_reply|human_review|log_only>"
}

Lägg märke till strukturen. Vi har:

• En tydlig arbetsbeskrivning.
• En explicit process (steg 1–5).
• Explicita poängkriterier.
• Explicit dirigeringslogik.
• Ett obligatoriskt utdataformat.

Agenten kommer inte alltid att följa detta perfekt. Men ju mer konkret systemmeddelandet är, desto mer tillförlitligt utför agenten samma typ av process varje gång.

JSON-objektet räcker inte i sig. Lägg till ett valideringssteg efter agentnoden och avvisa körningar där poäng saknas, dirigeringen ligger utanför tillåtna enum-värden eller svarsutkastet är tomt.

Steg 3: Verktygen

Agenten behöver verktyg att anropa. I n8n konfigureras verktygen under agentnoden och kan vara:

• Underarbetsflöden.
• HTTP-anrop.
• Inbyggda verktygsnoder.

Vi bygger fyra verktyg åt vår agent.

Verktyg 1: enrich_lead

Ett underarbetsflöde som:

1. Tar emot ett företagsnamn och en e-postdomän som indata.
2. Använder en HTTP-nod för att anropa ett API för webbsökning (Perplexity, Serper, Brave Search, Tavily) efter företaget.
3. Returnerar en sammanfattning på 3 meningar: vad företaget gör, dess ungefärliga storlek och eventuella viktiga nyheter på senare tid.

Beskrivningen av verktyget (som agenten läser för att avgöra när det ska anropas):

Berikar ett lead genom att söka information om företaget. Indata: företagets namn och e-postdomän. Utdata: en kort sammanfattning av vad företaget gör, dess ungefärliga storlek och eventuell viktig aktuell information.

Verktyg 2: score_lead

Ett enkelt verktyg som tar emot agentens poäng och skriver dem någonstans. Det kan vara:

• En rad i Google Kalkylark.
• En databaspost.
• Ett anrop till ett CRM-API.

För tester är det enklast att lägga till en rad i Google Kalkylark. Beskrivningen av verktyget:

Registrerar leadets poäng. Indata: fit_score, intent_score, urgency_score, reasoning. Utdata: bekräftelse.

Verktyg 3: draft_response

Ett underarbetsflöde som tar emot informationen om leadet och poängen och skapar ett personligt utkast till e-postmeddelande. Underarbetsflödet anropar internt en annan AI-nod med en specifik prompt för att skriva utkastet:

Skriv ett personligt svar på en B2B-förfrågan. Indata: leadets ursprungliga meddelande, sammanfattningen av den kompletterande företagsinformationen och poängen för lämplighet/avsikt/angelägenhetsgrad.

Ton: varm, direkt och utan företagsklyschor. Bekräfta den specifika förfrågan. Hänvisa till något från den kompletterande företagsinformationen (inte i allmänna ordalag). Avsluta med ett konkret nästa steg (exempelvis ”skulle 15 minuter nästa vecka passa?”).

Längd: 80–120 ord.

Beskrivningen av verktyget:

Skriver ett personligt e-postsvar till leadet. Indata: leadets meddelande, sammanfattningen av den kompletterande informationen och poängen. Utdata: ett utkast till e-postmeddelande.

Verktyg 4: route_lead

Den slutliga dirigeringsåtgärden. Beroende på dirigeringsargumentet gör verktyget något av följande:

• Skickar e-postmeddelandet och skapar en CRM-post (auto_reply).
• Sparar utkastet och skickar en Slack-avisering (human_review).
• Loggar bara och skapar en CRM-post (log_only).

Det här implementeras som ett underarbetsflöde med en switch-nod som dirigerar till tre olika grenar utifrån argumentet.

Beskrivningen av verktyget:

Dirigerar leadet utifrån kvalificeringsbeslutet. Indata: dirigeringsbeslut (“auto_reply”, “human_review”, “log_only”) och svarsutkastet. Utdata: bekräftelse.

Steg 4: Testa agenten

När agenten är konfigurerad och de fyra verktygen är anslutna kör du ett test med exempelnyttolasten.

Det här bör du se i n8n:s körningsvy:

1. Webhook tar emot nyttolasten.
2. AI Agent startar.
3. Agenten anropar enrich_lead – du ser hur verktyget körs och returnerar ett svar.
4. Agenten väljer nästa steg (beroende på modell och inställningar kanske mellanliggande spår visas, kanske inte).
5. Agenten anropar score_lead.
6. Agenten anropar draft_response.
7. Agenten anropar route_lead med ett av de tre dirigeringsalternativen.
8. Agenten returnerar slutlig JSON.

Om något går fel visar n8n:s felsökningspanel meddelandena mellan agenten och dess verktyg. De vanligaste problemen är:

• Verktygsbeskrivningen är inte tillräckligt specifik. Modellen kan inte avgöra när verktyget är lämpligt. Gör beskrivningarna mer konkreta.
• Verktygets schema för indata/utdata stämmer inte. Agenten kan inte skicka rätt argument. Var explicit med schemat.
• Agenten loopar i all oändlighet. Den fortsätter att anropa verktyg utan att slutföra uppgiften. Lägg till en gräns för maximalt antal iterationer och se över systemprompten.

Steg 5: Lägg till skyddsräcken

En agent utan skydd är inte säker i produktion. Lägg till följande fem skyddsräcken innan du anförtror den riktig trafik:

1. Maximalt antal iterationer. Sätt agentens maximala antal iterationer till ett rimligt värde (10–20). Det förhindrar skenande loopar där agenten fortsätter att anropa verktyg utan att bli klar.

2. Godkännandespärr för auto_reply. Även om agenten väljer “auto_reply” bör du under de första veckorna dirigera svaret genom en kö för mänskligt godkännande. Kontrollera att agentens beslut om automatiska svar faktiskt är bra innan du låter svaren gå ut till kunder utan granskning.

3. Tillåtelselista för utgående åtgärder. Konfigurera CRM-verktyget och e-postverktyget så att de endast hanterar poster som matchar det förväntade mönstret. Det förhindrar att agenten skickar e-post till fel adress eller skapar poster för sådant som inte är leads.

4. Loggning. Logga varje agentkörning – indata, alla verktygsanrop och slutliga utdata. Använd n8n:s inbyggda körningsloggar eller skicka informationen till en särskild loggningstjänst. När något går fel använder du loggarna för att felsöka.

5. Kostnadsgränser. Ange en daglig tokenbudget. AI-agenter kan skena – en felkonfigurerad loop kan förbruka $50 i API-anrop under en enda misslyckad körning. n8n cloud har detta inbyggt. Om du driftar n8n själv bör du övervaka användningen av API-nyckeln.

6. Beslutsansvar. Modellen kan rekommendera auto_reply, human_review eller log_only, men arbetsflödet ska verkställa den slutliga regeln. Håll enum-värdena för dirigering, poängtrösklarna och godkännandekraven utanför prompten så att de går att testa och är synliga.

Steg 6: Produktionshärdning

Här är några mönster som förvandlar en fungerande prototyp till något du kan lita på:

Idempotens. Se till att samma lead inte skapar dubblettposter om det bearbetas två gånger (på grund av ett nytt webhookförsök eller en manuell omkörning). Lägg till en kontroll i början av arbetsflödet: ”har detta lead bearbetats tidigare?”

Felhantering. Omge varje verktygsanrop med felhantering. Om API:et för informationsberikning ligger nere ska agenten inte krascha – den ska fortsätta med mindre information och flagga att data saknas.

Observerbarhet. Följ viktiga mätvärden: genomsnittlig körtid, frekvensen för verktygsanrop och den procentandel som dirigeras till varje väg. Avvikelser är signaler.

Granskning av körningar. Granska varenda körning för de första 50 riktiga leadsen mot det ursprungliga leadet. Följ upp felaktig kompletterande företagsinformation, fel poäng, fel dirigering, missade tidsfrister och låg kvalitet på utkasten. Minska inte den mänskliga granskningen förrän de här fellägena är sällsynta och väl förstådda.

Ett ”nödstopp”. Se till att agenten kan stängas av utan en ny driftsättning. Det kan vara en enkel miljövariabel eller en växlingsknapp i arbetsflödet som agenten kontrollerar först. Det är användbart om du upptäcker ett dåligt beslut i produktion och vill pausa agenten.

Det viktigaste designbeslutet: vilka verktyg agenten ska få

Verktygsuppsättningen är det som har störst inverkan på agentens kvalitet. Det finns två typiska fellägen:

För få verktyg. Agenten kan inte utföra sin uppgift. Den försöker kringgå de saknade funktionerna, ofta genom att hallucinera.

För många verktyg. Agenten blir förvirrad, väljer fel verktyg eller slösar iterationer på att utforska. Kvaliteten försämras.

En bra regel är: börja med minsta användbara verktygsuppsättning och lägg bara till verktyg när agenten bevisligen behöver dem.

För leadkvalificering är de fyra verktyg vi valde ungefär lagom. Du kan även lägga till:

• Ett “lookup_existing_customer”-verktyg som kontrollerar om leadet redan är kund.
• Ett “schedule_meeting”-verktyg som integreras med kalendern.
• Ett “translate”-verktyg om leads kommer in på flera språk.

Men varje nytt verktyg innebär ytterligare ett beslut som agenten måste fatta. Varje verktyg måste verkligen förtjäna sin plats.

Mönster som kan generaliseras

Det du byggde för leadkvalificering fungerar i många andra användningsfall:

Klassificering av supportärenden. Byt ut informationsberikningen mot “lookup_customer_history” och dirigeringen mot “auto_solve / escalate / categorise”.

Urval av jobbkandidater. Byt ut informationsberikningen mot “parse_cv”, poängsättningen mot kriterier för hur väl kandidaten passar rollen och dirigeringen mot “interview / reject / flag for human review”.

Hantering av pressförfrågningar. Byt ut informationsberikningen mot “lookup_publication” och dirigeringen mot prioritetsbaserade svar.

Dirigering av kundåterkoppling. Byt ut informationsberikningen mot sentimentanalys och produktkategorisering.

Inköpsförfrågningar. Byt ut informationsberikningen mot leverantörssökningar, poängsättningen mot regelefterlevnad och dirigeringen mot godkännandeflöden.

Det underliggande mönstret är alltid detsamma: en inkommande händelse → berika → poängsätt/klassificera → skriv ett svarsutkast → dirigera. Agenten fattar besluten och verktygen verkställer dem.

När du INTE ska använda en agent

Vissa arbetsflöden har ingen nytta av en agent. Om logiken är helt deterministisk – ”gör alltid A, sedan B och därefter C” – är ett vanligt n8n-arbetsflöde utan agent snabbare, billigare och mer tillförlitligt.

Agenten förtjänar sin plats när:

• Antalet möjliga vägar är stort.
• Rätt väg beror på en bedömning, inte på strikta regler.
• Vissa beslut kräver att information från flera källor vägs samman.

Om beslutsträdet består av några få om-så-annars-satser kan du helt enkelt använda om-så-annars-noder. Spara agenten till fall där om-så-annars-logiken blir ohanterlig.

Bygg den en gång för ett verkligt arbetsflöde

En AI-agent i n8n är ett arbetsflöde där modellen, utifrån en uppsättning verktyg, bestämmer vilka åtgärder som ska vidtas och i vilken ordning. Om den byggs väl kan den hantera den typ av bedömningstungt arbete i flera steg som tidigare krävde en människa i loopen.

Arbetsflödet för leadkvalificering som vi byggde tar omkring två timmar att skapa för den som inte har arbetat med n8n-agenter tidigare, plus några veckors finjustering med riktiga data. Vinsten är att varje inkommande lead berikas med information, poängsätts, får ett svarsutkast och dirigeras inom några minuter, med mänsklig granskning endast där den faktiskt tillför värde.

Bygg det en gång för ett verkligt arbetsflöde som är viktigt för dig. Designmönstret för agenter är en av de färdigheter som ger störst hävstång i AI-arbete år 2026.