Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Exempel: GPT:er anslutna till ett CRM, en kalender och en databas

Lektion 11 av 17 Uppdaterad 5 november 2026 Medelnivå
På denna sida
  1. Från teori till praktik
  2. Fall 1: Fråga ditt CRM på naturligt språk (HubSpot)
  3. Fall 2: Hantera en kalender via chatt (Google Calendar)
  4. Fall 3: Utforska en feedbackdatabas (Airtable)
  5. Vad dessa tre fall har gemensamt
  6. Din tur
  7. Viktiga punkter

Status per den 5 november 2026: GPT:er befinner sig i sina sista veckor. OpenAI avvecklar anpassade GPT:er den 11 december 2026 (den 11 februari 2027 för vissa Enterprise-arbetsytor med undantag). Konton av typen Personal, Free, Go, Plus och Pro kan inte längre skapa eller publicera nya GPT:er; i arbetsmiljöer för Business, Enterprise och Edu beror skapandet på inställningarna, och det upphörde den 26 oktober 2026 i berörda Enterprise-arbetsytor. Befintliga GPT:er förblir användbara och redigerbara om din plan tillåter det fram till avvecklingen; dina konversationer med dem kommer att förbli tillgängliga även efteråt. Migreringen (Migrate to plugin, i Mina GPT:er) omvandlar instruktioner till en färdighet, kunskapsbasen till referensfiler och anslutna applikationer till appar; anpassade åtgärder överförs inte. Denna lektion förklarar hur GPT:er fungerar för att hjälpa dig att underhålla dem, migrera dem och anpassa deras principer till ett plugin (lektion 15–17).

Från teori till praktik

Du vet nu vad en åtgärd (Action) är och hur du säkrar dess autentisering. Det är dags att se hur en ansluten GPT ser ut utanför laboratoriemiljön. Denna lektion bryter ner tre verkliga exempel – ett CRM, en kalender och en databas – och detaljerar det ursprungliga behovet, den valda konfigurationen och vad användaren får i sin vardag. Du kommer att se att bortsett från skillnaderna i verktyg följer alla tre installationerna samma designprinciper, som vi kommer att sammanfatta i slutet av lektionen.

Fall 1: Fråga ditt CRM på naturligt språk (HubSpot)

Föreställ dig en försäljningschef som spenderar sina dagar med att hoppa mellan möten. Varje gång de vill kontrollera statusen för en affärsmöjlighet måste de öppna HubSpot, navigera genom filter och hitta rätt vy. Deras behov är enkelt: ställa frågor som de skulle göra till en mänsklig assistent och få ett svar utan att lämna chatten.

Konfigurationen är avsiktligt minimal: OpenAPI-schemat exponerar endast tre slutpunkter – GET /contacts för att söka efter kontakter efter namn, företag eller status; GET /deals för att lista affärsmöjligheter med filter (belopp, steg, datum); och POST /notes för att lägga till en anteckning till en kontakt. Autentiseringen förlitar sig på åtkomsttoken för en privat HubSpot-app, skickad som en Bearer-token, med behörigheter begränsade till läsning och tillägg av anteckningar. Detta val är inte godtyckligt: även om en illvillig användare manipulerade GPT:n, skulle den inte kunna modifiera en affär eller ändra kontaktuppgifter eftersom API:t självt förbjuder det. GPT:ns instruktioner låser omfattningen en andra gång: de specificerar att det är en försäljningsassistent ansluten till HubSpot CRM, att den måste använda API:t varje gång den tillfrågas om en kontakt eller affärsmöjlighet, att den måste formulera om varje anteckning och be om bekräftelse innan den läggs till, och att den aldrig får modifiera statusen för en affär eller kontaktuppgifter.

I praktiken förändrar resultatet försäljningschefens dagliga rutin. De skriver “Vilka är mina affärer under förhandling över 50 000 €?” och får en formaterad lista. De frågar “Visa mig kontakter från företaget Durand & Fils” eller dikterar “Lägg till en anteckning till kontakten Marie Leroy: samtal den 15 mars, intresserad av Premium-erbjudandet” – GPT:n formulerar om, väntar på grönt ljus och skriver sedan till HubSpot.

Fall 2: Hantera en kalender via chatt (Google Calendar)

Andra scenariot: en executive assistant jonglerar med sin chefs agenda, hanterar skapande av möten, schemaläggning i sista minuten och kontroll av tillgänglighet. Här, till skillnad från CRM:t, är skrivande centralt för behovet – du måste kunna skapa, flytta och avboka händelser. OpenAPI-schemat täcker därför fyra slutpunkter: GET /events för att lista händelser under en period, POST /events för att skapa en händelse, PUT /events/{id} för att modifiera en befintlig händelse och DELETE /events/{id} för att avboka en.

Eftersom GPT:n hanterar personliga Google-data använder autentiseringen OAuth 2.0 med endast omfånget calendar.events: GPT:n kan läsa och skriva händelser men kan inte röra kalenderinställningar. Ju större skrivbehörighet, desto viktigare blir skyddsräcken i instruktionerna. Dessa kräver att GPT:n sammanfattar varje skapande eller modifiering och ber om bekräftelse innan den agerar, kräver dubbel bekräftelse före varje radering och instruerar den att systematiskt kontrollera schemakonflikter innan ett tidslot föreslås.

I praktiken frågar assistenten “Vad har jag imorgon eftermiddag?”, “Boka ett möte med marknadsföringsteamet tisdag klockan 14.00 i 1 timme” eller “Flytta avstämningen med Pierre från 10.00 till 11.00.” GPT:n kontrollerar tillgängligheten, meddelar vad den håller på att göra och utför endast efter validering. Friktionen som bekräftelsen tillför är det blygsamma priset för en agenda som aldrig förstörs av ett missförstånd.

Fall 3: Utforska en feedbackdatabas (Airtable)

Tredje fallet: ett produktteam centraliserar ärenden och kundfeedback i Airtable, men inte alla behärskar filtersyntax. Istället för att utbilda alla i verktyget gör teamet databasen konversationsbar. Två slutpunkter räcker: GET /records för att lista poster med filter och sortering, och POST /records för att skapa en ny post. Autentiseringen använder en personlig åtkomsttoken för Airtable, skickad som en Bearer-token, med åtkomst begränsad till endast basen “Product Feedback” – andra baser i arbetsytan förblir osynliga.

Instruktionerna ger GPT:n rollen som produktassistent ansluten till feedbackdatabasen, berättar för den att fråga basen med lämpliga filter varje gång en fråga gäller kundfeedback och tvingar fram ett svarsformat: en tabell med kolumner för datum, klient, kategori och sammanfattning. Viktigast av allt sätter de en tydlig gräns: GPT:n kan skapa nya ärenden men aldrig modifiera eller radera befintliga. Vilken teammedlem som helst kan sedan fråga “Hur många buggar rapporterades denna månad?”, “Vilka är de senaste feedbackpunkterna om faktureringsfunktionen?” eller diktera “Skapa ett ärende: visningsbugg på betalningssidan, rapporterad av klient Dupont den 28 mars.”

Tre anslutna GPT:er Tre rutor: ett HubSpot CRM som frågas och annoteras, med en privat app-token och läs-/anteckningsrättigheter; en Google Calendar som läses och fylls på, via OAuth med endast omfånget calendar.events; en Airtable-feedbackbas som utforskas, med en personlig token begränsad till en bas. PRAKTISKA FALL Tre anslutna GPT:er 1 HubSpot CRM Fråga kontakter, lägg till anteckningar. Privat app-token Läsning och anteckningar 2 Google Calendar Läs och skapa händelser. OAuth calendar.events 3 Airtable Utforska en feedbackbas. Personlig token Endast en bas Innan du bygger en åtgärd, sök efter en befintlig app i katalogen för Plugins.
Baserat på artikeln "Configuring actions in GPTs" från OpenAI Help Center (november 2026) samt dokumentationen för Airtable och HubSpot.

Vad dessa tre fall har gemensamt

Om vi tar ett steg tillbaka ser vi tre mönster som löper genom dessa olika installationer. Det första är gyllene regeln för anslutna GPT:er: fri läsning, kontrollerad skrivning. Alla tre GPT:er konsulterar sina data utan friktion, men ingen skriver utan uttrycklig användarbekräftelse. Det andra mönstret gäller instruktioner: en GPT gissar inte när den ska utlösa en åtgärd. I alla tre fallen anger instruktionerna uttryckligen “när användaren frågar efter X, använd åtgärd Y” – utan denna direktiv riskerar modellen att svara från minnet istället för att fråga källan. Det tredje mönstret är omfattningens nykterhet: ingen av de tre GPT:erna exponerar hela API:t för sitt verktyg. Endast två till fyra slutpunkter, valda för användningsfallet, inget mer.

För att anpassa detta tillvägagångssätt för dina egna behov, följ den byggnadsordning som dessa tre exempel illustrerar:

  1. Identifiera ett verktyg du använder dagligen som har ett API och definiera två eller tre konkreta användningsfall – de frågor du ställer oftast.
  2. Skapa ett minimalt OpenAPI-schema med endast de nödvändiga slutpunkterna.
  3. Konfigurera lämplig autentisering (API-nyckel eller OAuth).
  4. Lägg till skyddsräcken i instruktionerna för alla skrivoperationer.
  5. Testa med verkliga frågor innan du öppnar åtkomst för andra.

Ett ord om fallgropar som observerats hos nybörjare. Den vanligaste är att ansluta ett API “för säkerhets skull”, utan ett specifikt användningsfall: du hamnar med en GPT som teoretiskt kan göra allt men inget bra i praktiken. Den farligaste är att tillåta skrivande utan bekräftelse – en GPT som skapar eller modifierar data utan validering kan orsaka verklig skada i ett CRM eller en delad kalender. Tänk också på API-fel: om tjänsten inte är tillgänglig eller returnerar ett fel måste din GPT veta vad den ska säga till användaren istället för att hitta på ett svar. Slutligen, stå emot frestelsen att exponera för många slutpunkter: var och en konsumerar kontext, och bortom fem försämras GPT:ns precision.

Din tur

Åtgärd eller app? För ett av de tre fallen, eller för ett verktyg i ditt företag, sök först i ChatGPT:s katalog för Plugins för att se om det redan finns en app för den tjänsten. Om ja, notera vad den tillåter och vad som saknas; om nej, utarbeta en handlingsplan: schemaoperationer, autentiseringsläge, minimala rättigheter och skyddsräcken i instruktionerna. Behåll denna plan: den är grunden för en plugin-integration, eftersom åtgärder inte migreras.

Officiella källor: Configuring actions in GPTs (OpenAI Help Center: autentisering, OpenAPI-schema, testning, gränser) · Plugins in ChatGPT (katalog och appar) · Authentication (Airtable: åtkomsttoken) · Private apps (HubSpot: åtkomsttoken)

Viktiga punkter

  • GPT:er anslutna till verkliga verktyg (CRM, kalender, databas) löser konkreta vardagsproblem
  • Tillämpa den gyllene regeln “fri läsning, kontrollerad skrivning”: be alltid om bekräftelse innan du modifierar
  • Nämn åtgärder (Actions) uttryckligen i instruktionerna så att GPT:n vet när den ska utlösa dem
  • Begränsa slutpunkter till strikt minimum (2 till 5) och planera för hantering av API-fel
  • Börja enkelt – ett verktyg, två slutpunkter – och berika successivt