Cara Menghubungkan n8n dengan OpenAI API

Workflow n8n biasa hanya bisa memproses data yang bentuknya sudah pasti: kolom, angka, status. Begitu diberi akses ke model bahasa, ia mendapat kemampuan baru yang mengubah kelasnya — membaca email pelanggan yang berantakan, menilai mana yang mendesak, menyusun draft jawaban. Tutorial ini menyambungkan n8n ke OpenAI API dengan benar, termasuk bagian yang paling sering dilewati orang: menjaga tagihannya tetap kecil.

Apa yang berubah saat workflow bisa memakai LLM

Aturan praktis yang kami pakai saat merancang untuk klien: node biasa untuk semua yang bisa ditulis aturannya, node AI hanya untuk bagian yang butuh memahami bahasa manusia. Salah kaprah yang mahal adalah kebalikannya — memakai LLM untuk memindahkan data atau menghitung total, pekerjaan yang node biasa kerjakan lebih cepat, gratis, dan tanpa risiko salah. Perbedaan mendasar ini kami bahas di otomasi atau AI: beda nyatanya.

Langkah 1: Buat API key dan pahami biayanya

Daftar di platform.openai.com (akun API terpisah dari langganan ChatGPT), isi saldo, lalu buat key di menu API keys. Dua hal yang wajib dilakukan di hari yang sama:

• Pasang batas pengeluaran bulanan di pengaturan billing. Ini rem darurat kalau ada workflow yang berjalan liar — loop tak sengaja yang memanggil API ribuan kali bukan cerita langka.
• Pahami satuannya: Anda membayar per token (pecahan kata), dihitung dari teks yang masuk dan keluar. Model kecil untuk tugas rutin bisa berkali lipat lebih murah dari model besar; harga per model tercantum di halaman pricing resmi dan berubah dari waktu ke waktu, jadi cek langsung di sana.

Perlakukan API key seperti kunci brankas: simpan di credential n8n, jangan pernah tempel di node, di catatan, atau di screenshot yang dibagikan.

Langkah 2: Pasang credential OpenAI di n8n

Di n8n: Credentials → Add credential → OpenAI, tempel key, simpan. n8n menyimpannya terenkripsi, dan semua workflow cukup menunjuk credential ini tanpa pernah melihat isi key-nya.

Langkah 3: Pakai node OpenAI untuk meringkas teks

Buat workflow: Manual Trigger → node Set berisi field teks dengan satu email pelanggan sungguhan → node OpenAI → Message a model. Pilih model kecil dulu, lalu isi dua pesan:

System: Kamu meringkas email pelanggan untuk tim support.
Keluarkan tepat 3 baris: MASALAH, PERMINTAAN, dan URGENSI
(rendah/sedang/tinggi). Tanpa teks lain. Jawab dari isi
email saja; kalau informasinya tidak ada, tulis "tidak disebut".

User: {{ $json.teks }}

Dua kebiasaan di prompt itu yang membuatnya cocok untuk otomasi: format keluaran dipaku ketat (supaya node berikutnya bisa memilahnya), dan model dilarang mengarang saat informasi tidak ada. Prompt untuk pipeline berbeda dari prompt untuk mengobrol — ia dieksekusi ribuan kali tanpa ada manusia yang mengoreksi.

Jalankan, baca hasilnya, lalu sambungkan ke hilir: hasil URGENSI tinggi diteruskan ke notifikasi Telegram, sisanya dicatat ke spreadsheet.

Langkah 4: Kendalikan biaya dengan batas token

Empat rem yang kami pasang di hampir semua workflow AI produksi:

• Batasi panjang masukan. Potong teks ke beberapa ribu karakter pertama sebelum masuk node AI — email pelanggan jarang menyimpan inti di halaman ketiga.
• Batasi panjang keluaran lewat parameter max tokens; untuk format 3 baris, beberapa ratus token sudah longgar.
• Saring sebelum memanggil. Node IF di depan node AI: hanya item yang benar-benar butuh dipahami yang dikirim. Notifikasi otomatis dan email sistem tidak perlu diringkas AI.
• Pantau dashboard usage mingguan di platform OpenAI, setidaknya di bulan pertama, sampai pola biayanya terbaca.

Kapan model lokal lebih tepat daripada API

API unggul dalam kecerdasan puncak dan kepraktisan; kelemahannya adalah biaya yang menaik bersama volume dan data yang keluar dari infrastruktur Anda. Kalau volume panggilan Anda besar dan tugasnya rutin, atau datanya terlalu sensitif untuk keluar kantor, pertimbangkan memasangkan n8n dengan Ollama — polanya hampir sama, biayanya tetap. Banyak sistem sehat memakai keduanya: lokal untuk volume, API untuk kasus sulit.

Kalau Anda ingin lompat dari eksperimen ke sistem yang dirancang utuh — dari pemilihan model sampai kontrol biayanya — layanan AI automation Clovertechno mengerjakan persisnya itu.