Quản trị GenAI trong khu vực công: Khung chính sách và mô hình kiểm soát rủi ro

Nguyễn Thành Hưng

Trường Đại học Thái Bình Dương

Email: [email protected]

Tóm tắt

Nghiên cứu này nhằm phân tích yêu cầu quản trị trí tuệ nhân tạo tạo sinh (GenAI) trong khu vực công, nhấn mạnh nhu cầu cân bằng giữa đổi mới và trách nhiệm giải trình. Trên cơ sở phân tích chính sách và tổng hợp khái niệm, nghiên cứu hệ thống hóa các nhóm rủi ro trọng yếu khi triển khai GenAI trong cơ quan nhà nước, gồm rủi ro dữ liệu và quyền riêng tư, thiên lệch và công bằng, sai thông tin do mô hình tạo sinh, an ninh mạng, tuân thủ pháp lý, đạo đức và rủi ro vận hành. Từ đó, nghiên cứu đề xuất khung chính sách quản trị theo vòng đời và mô hình kiểm soát rủi ro áp dụng cho khu vực công, tích hợp đánh giá tác động, phân tầng rủi ro, giám sát con người, truy vết, kiểm toán và quản trị nhà cung cấp.

Từ khóa: An ninh mạng, GenAI, khu vực công, quản trị rủi ro, trách nhiệm giải trình

Summary

The study analyzes the governance requirements for generative artificial intelligence (GenAI) in the public sector, emphasizing the need to balance innovation with accountability. Based on policy analysis and conceptual synthesis, the study identifies and systematizes the major risk categories associated with the deployment of GenAI in government agencies, including risks related to data and privacy, bias and fairness, misinformation generated by models, cybersecurity, legal compliance, ethics, and operational risks. Accordingly, the study proposes a lifecycle-based governance policy framework and a risk control model for the public sector, integrating impact assessment, risk classification, human oversight, traceability, auditing, and vendor governance.

Keywords: Cybersecurity, enAI, Public sector, risk governance, accountability

ĐẶT VẤN ĐỀ

Trí tuệ nhân tạo tạo sinh (GenAI) đang mở ra khả năng nâng cao hiệu quả hoạt động của khu vực công thông qua hỗ trợ xử lý văn bản, tóm tắt hồ sơ, tự động hóa trả lời câu hỏi của người dân và hỗ trợ cán bộ trong các tác vụ nghiệp vụ thường nhật. Tuy nhiên, khác với môi trường doanh nghiệp, việc triển khai GenAI trong cơ quan nhà nước chịu ràng buộc mạnh về tính hợp pháp, trách nhiệm giải trình, minh bạch, công bằng và niềm tin công chúng. Bằng chứng thực nghiệm cho thấy, công dân đặc biệt lo ngại về năng lực của hệ thống, mức độ giám sát của con người, tính “mờ” của quy trình ra quyết định dựa trên thuật toán và hiệu lực cơ chế chịu trách nhiệm/khắc phục khi hệ thống gây sai sót (Feng và Chandra, 2025). Điều này đặt ra yêu cầu phải thiết kế quản trị GenAI như một cấu phần của quản trị công hiện đại, thay vì coi đây chỉ là một công cụ kỹ thuật.

Từ góc độ quản trị, thách thức trung tâm nằm ở việc “dịch” các nguyên tắc quản trị AI ở tầm định hướng thành các yêu cầu vận hành có thể kiểm chứng trong toàn bộ vòng đời hệ thống: từ lựa chọn giải pháp, tích hợp dữ liệu, kiểm thử, đưa vào vận hành, đến giám sát và kiểm toán. Thực tế, nhiều khuyến nghị hiện nay vẫn dừng ở cấp độ nguyên tắc, trong khi khu vực công cần một cấu trúc chính sách đủ rõ để quy định vai trò, trách nhiệm, phân tầng rủi ro, kiểm soát theo vòng đời và cơ chế truy vết, kiểm toán. Theo hướng tiếp cận quản trị AI có thể vận hành hóa thông qua nhóm thực hành cấu trúc, quan hệ và thủ tục, nghiên cứu đề xuất khung chính sách và mô hình kiểm soát rủi ro nhằm giúp các cơ quan nhà nước vừa tận dụng lợi ích của GenAI, vừa bảo đảm tuân thủ và trách nhiệm giải trình.

CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU

Cơ sở lý thuyết

Khái niệm GenAI

GenAI là nhóm hệ thống AI có khả năng tạo mới nội dung (văn bản, hình ảnh, mã, âm thanh) dựa trên mô hình học từ dữ liệu quy mô lớn. Hiện nay, GenAI thường được triển khai dưới dạng các mô hình nền tảng (foundation models) có thể thích ứng cho nhiều tác vụ và bối cảnh sử dụng khác nhau (Bommasani và cộng sự, 2021).

Do đặc tính tạo sinh và phụ thuộc mạnh vào dữ liệu huấn luyện/ngữ cảnh, GenAI kéo theo các rủi ro đặc thù như sai thông tin do mô hình tạo ra, tái tạo thiên lệch và khó truy nguyên nguồn gốc tri thức đầu ra. Các cảnh báo học thuật nhấn mạnh nguy cơ “khuếch đại dữ liệu kém chất lượng” và hệ quả xã hội nếu triển khai thiếu kiểm soát (Bender và cộng sự, 2021).

Từ góc độ quản trị rủi ro, việc nhận diện rủi ro GenAI cần đi theo cách tiếp cận hệ thống, trong đó rủi ro không chỉ là lỗi kỹ thuật mà còn là rủi ro tác động tới quyền lợi con người, sự công bằng và tính chính danh của quyết định công (Weidinger và cộng sự, 2022).

Khung phân tích quản trị rủi ro trong khu vực công

Trong khu vực công, quản trị GenAI cần đặt trọng tâm vào trách nhiệm giải trình do các quyết định/khuyến nghị có thể ảnh hưởng trực tiếp đến quyền và lợi ích của công dân. Cách tiếp cận phù hợp là xây dựng khung phân tích liên kết giữa rủi ro → cơ chế kiểm soát → trách nhiệm tổ chức, nhằm bảo đảm mọi khâu từ lựa chọn giải pháp, vận hành đến giám sát đều có chủ thể chịu trách nhiệm và có thể kiểm chứng (Busuioc, 2021). Để vận hành hóa các yêu cầu này, nghiên cứu sử dụng Khung quản trị rủi ro theo vòng đời dựa trên nguyên tắc “quản trị - đo lường - kiểm soát”: thiết lập cơ chế quản trị, nhận diện và đánh giá rủi ro và triển khai biện pháp kiểm soát/giám sát phù hợp mức rủi ro của từng ứng dụng GenAI trong cung ứng dịch vụ công (National Institute of Standards and Technology - NIST, 2023). Trên cơ sở đó, khung phân tích của nghiên cứu tập trung vào 3 lớp nội dung: (i) Rủi ro theo miền (dữ liệu/riêng tư, thiên lệch, sai thông tin, an ninh, tuân thủ); (ii) Kiểm soát theo vòng đời (trước triển khai - khi vận hành - sau triển khai); (iii) Cơ chế giải trình/kiểm toán (truy vết, hồ sơ quyết định, giám sát liên tục).

Rủi ro khi triển khai GenAI trong khu vực công

Việc triển khai GenAI trong khu vực công làm gia tăng rủi ro ở cả tầng nội dung lẫn tầng hệ thống - tổ chức.

Ở tầng nội dung, GenAI có thể tạo ra thông tin sai nhưng trình bày thuyết phục, trộn lẫn đúng - sai hoặc suy diễn vượt quá dữ liệu đầu vào. Trong bối cảnh cung ứng dịch vụ công, những sai lệch này có thể dẫn tới hướng dẫn không chuẩn, diễn giải sai quy định, ảnh hưởng quyền lợi công dân và làm suy giảm niềm tin vào cơ quan nhà nước (Bender và cộng sự, 2021; Weidinger và cộng sự, 2022). Đồng thời, mô hình có thể tái tạo và khuếch đại thiên lệch từ dữ liệu huấn luyện, làm phát sinh rủi ro về công bằng, phân biệt đối xử hoặc bất lợi cho nhóm yếu thế nếu GenAI được dùng để hỗ trợ phân loại, ưu tiên xử lý hoặc truyền thông chính sách (Weidinger và cộng sự, 2022).

Ở tầng hệ thống và tổ chức, rủi ro nổi bật là trách nhiệm giải trình: khi GenAI tham gia vào quy trình nghiệp vụ, việc xác định ai chịu trách nhiệm cho đầu ra, bằng chứng nào để kiểm chứng và cơ chế sửa sai/kháng nghị ra sao trở thành yêu cầu trung tâm của quản trị công (Busuioc, 2021). Cùng với đó, GenAI tích hợp vào ứng dụng thực tế mở ra rủi ro an ninh mới, đặc biệt là tiêm nhanh (prompt injection) - tấn công bằng cách “cài” chỉ dẫn độc hại vào dữ liệu/đầu vào khiến hệ thống làm sai lệch mục tiêu, rò rỉ thông tin hoặc thực hiện hành vi ngoài ý định. Các nghiên cứu thực nghiệm trên ứng dụng tích hợp LLM cho thấy, tiêm nhanh có thể dẫn đến hậu quả nghiêm trọng như lộ lời nhắc (prompt) hệ thống, lạm dụng tài nguyên và vượt kiểm soát hành vi của ứng dụng (Liu và cộng sự, 2023). Các rủi ro này thường liên kết chặt chẽ: một lỗ hổng kỹ thuật có thể kéo theo vi phạm dữ liệu, khủng hoảng uy tín và hệ quả pháp lý. Vì vậy, khu vực công cần cách tiếp cận quản trị dựa trên phân tầng rủi ro, kiểm soát theo vòng đời và cơ chế truy vết, kiểm toán để bảo đảm GenAI được sử dụng an toàn và có thể chịu trách nhiệm.

Tổng quan nghiên cứu

Nghiên cứu về ứng dụng AI trong khu vực công trước khi GenAI bùng nổ đã xác lập nền tảng quan trọng về miền ứng dụng, rào cản triển khai và yêu cầu quản trị. Ở cấp tổng quan, Wirtz và cộng sự (2019) hệ thống hóa các lĩnh vực ứng dụng AI trong khu vực công và chỉ ra những nhóm thách thức điển hình liên quan tới dữ liệu, năng lực tổ chức, khuôn khổ pháp lý, đạo đức và chấp nhận xã hội.

Theo hướng thực nghiệm theo ngành, Sun và Medaglia (2019) cho thấy, các bên liên quan (cơ quan quản lý, đơn vị cung ứng dịch vụ, doanh nghiệp công nghệ) nhận diện rủi ro và rào cản khác nhau, hàm ý quản trị AI trong khu vực công mang tính xã hội, kỹ thuật, không thể giản lược thành vấn đề kỹ thuật thuần túy.

Ở cấp tổng quan hệ thống, Zuiderwijk và cộng sự (2021) đã nhấn mạnh nhu cầu nghiên cứu sâu về quản trị rủi ro, cơ chế giải trình và đo lường hiệu quả khi AI đi vào vận hành trong quản trị công.

Sự xuất hiện của GenAI/LLM (mô hình ngôn ngữ lớn) làm dịch chuyển trọng tâm nghiên cứu từ “AI nói chung” sang các rủi ro đặc thù của mô hình tạo sinh và mô hình nền tảng (foundation models). Các công trình nền tảng về mô hình ngôn ngữ nhấn mạnh rủi ro từ dữ liệu và quy mô mô hình, bao gồm: thiên lệch, tác động môi trường, thiếu minh bạch về dữ liệu và hệ quả xã hội khi triển khai thiếu kiểm soát (Bender và cộng sự, 2021). Ở góc độ kiến trúc nền, báo cáo về foundation models cho thấy tính “dùng lại” và khả năng thích ứng đa nhiệm tạo lợi thế lan tỏa, nhưng cũng khiến lỗi/rủi ro của mô hình nền tảng có thể được kế thừa sang nhiều ứng dụng hạ nguồn, làm phức tạp trách nhiệm và kiểm soát (Bommasani và cộng sự, 2021). Đặc biệt, các nghiên cứu về rủi ro đã phát triển phân loại rủi ro xã hội, kỹ thuật (ví dụ: phân biệt đối xử, nguy hại thông tin, sai thông tin, lạm dụng) giúp chuyển hóa tranh luận đạo đức thành “danh mục rủi ro” phục vụ thiết kế kiểm soát (Weidinger và cộng sự, 2022). Đồng thời, khi GenAI được tích hợp vào ứng dụng thực tế, an ninh mới nổi như prompt injection trở thành điểm nóng nghiên cứu, với bằng chứng thực nghiệm cho thấy các tấn công kiểu này có thể dẫn tới rò rỉ chỉ dẫn hệ thống, chiếm quyền hành vi ứng dụng hoặc lạm dụng tài nguyên, nhấn mạnh nhu cầu kiểm soát bảo mật theo vòng đời (Liu và cộng sự, 2023).

Song song với học thuật, các tài liệu chính sách/chuẩn mực gần đây củng cố xu hướng chuyển từ nguyên tắc sang quản trị có thể vận hành và kiểm chứng. NIST AI RMF 1.0 cung cấp khung quản trị rủi ro theo vòng đời theo logic “Govern-Map-Measure-Manage”, nhấn mạnh đo lường, giám sát và cải tiến liên tục cho rủi ro AI (NIST, 2023). Ở bình diện tiêu chuẩn hóa, ISO/IEC 23894:2023 đưa hướng dẫn quản lý rủi ro dành riêng cho AI, hỗ trợ tích hợp quản trị rủi ro vào hoạt động phát triển và sử dụng AI (ISO, 2023a), trong khi ISO/IEC 42001:2023 định hình hệ thống quản lý AI để tổ chức hóa vai trò, trách nhiệm và kiểm soát xuyên suốt vòng đời (ISO, 2023b).

Về pháp lý, EU AI Act chính thức hóa tiếp cận dựa trên rủi ro với nghĩa vụ khác nhau theo mức rủi ro của hệ thống AI, tạo áp lực tuân thủ và yêu cầu minh bạch/giám sát cao hơn cho các trường hợp tác động lớn (European Union, 2024).

Ở cấp hoạch định chính sách cho khu vực công, OECD tổng hợp xu hướng và thách thức khi chính phủ “governing with AI”, nhấn mạnh vừa khai thác lợi ích hiệu quả, năng suất vừa giảm thiểu rủi ro và củng cố niềm tin công chúng (OECD, 2024). Đáng chú ý, các tài liệu định hướng về GenAI cũng đề xuất các cấu phần quản trị đa trụ cột và liên ngành cho bối cảnh chính phủ (World Economic Forum, 2024).

Từ tổng quan này có thể nhận diện khoảng trống nghiên cứu thực hành: cần mô hình tích hợp phân tầng rủi ro với kiểm soát theo vòng đời, cơ chế giải trình/kiểm toán và quản trị nhà cung cấp được xây dựng thành cấu trúc chính sách và kiểm soát vận hành phù hợp đặc thù khu vực công.

ĐỀ XUẤT KHUNG CHÍNH SÁCH QUẢN TRỊ GENAI VÀ MÔ HÌNH KIỂM SOÁT RỦI RO ÁP DỤNG CHO KHU VỰC CÔNG

Khung chính sách đề xuất đặt mục tiêu kép: thúc đẩy đổi mới có kiểm soát và bảo đảm trách nhiệm giải trình trong cung ứng dịch vụ công. Về nguyên tắc, chính sách cần bám các giá trị của AI đáng tin cậy như tôn trọng quyền con người, minh bạch, an toàn và trách nhiệm (OECD, 2019), đồng thời chuyển hóa thành yêu cầu vận hành theo cách tiếp cận quản trị rủi ro theo vòng đời và bối cảnh sử dụng. Theo đó, nghiên cứu đề xuất 7 trụ cột chính sách tối thiểu: (i) Quản trị và phân quyền trách nhiệm (ai phê duyệt, ai vận hành, ai kiểm soát/kiểm toán); (ii) Quản trị dữ liệu (phân loại dữ liệu; dữ liệu nhạy cảm; lưu vết; chia sẻ với nhà cung cấp); (iii) Quản trị mô hình và chất lượng đầu ra (tiêu chuẩn kiểm thử, ngưỡng chấp nhận, quy tắc chống sai thông tin, quản trị thay đổi phiên bản); (iv) Giám sát con người và giới hạn sử dụng (human-in-the-loop - cho tác vụ rủi ro cao, quy định trường hợp cấm/không khuyến nghị); (v) Minh bạch và hồ sơ quyết định (thông báo cho người dân khi có hỗ trợ bởi GenAI; lưu hồ sơ để truy vết, giải trình); (vi) An toàn thông tin và an ninh hệ thống (kiểm soát truy cập, bảo vệ ngữ cảnh/prompt, giám sát sự cố); (vii) Mua sắm - quản trị nhà cung cấp (điều khoản dữ liệu, SLA, quyền kiểm toán, quản trị phụ thuộc).

Bảng: Khung chính sách quản trị GenAI trong khu vực công

Nguồn: Đề xuất của tác giả

Trên nền chính sách đó, mô hình kiểm soát rủi ro được đề xuất theo logic quản trị - phân loại - kiểm soát - bảo đảm.

Một là, áp dụng chu trình quản trị rủi ro theo hướng dẫn chung của ISO 31000 (thiết lập bối cảnh, nhận diện - phân tích - đánh giá - xử lý rủi ro, giám sát và truyền thông) để chuẩn hóa quy trình trong cơ quan nhà nước (International Organization for Standardization, 2018).

Hai là, phân loại ứng dụng GenAI theo tầng rủi ro dựa trên mức độ nhạy cảm dữ liệu và mức độ hệ quả đối với quyền lợi công dân; đi kèm là yêu cầu đánh giá tác động trước triển khai cho các trường hợp rủi ro cao.

Ba là, thiết kế kiểm soát theo vòng đời và bối cảnh sử dụng, tham chiếu cách tiếp cận “Govern-Map-Measure-Manage” của AI RMF để bảo đảm kiểm soát được vận hành liên tục thay vì kiểm tra một lần (National Institute of Standards and Technology, 2023).

Bốn là, củng cố bảo đảm trách nhiệm giải trình bằng mô hình 3 tuyến phòng thủ: tuyến 1 (đơn vị vận hành/“product owner” chịu trách nhiệm chất lượng đầu ra và tuân thủ quy trình); tuyến 2 (đầu mối quản trị rủi ro - pháp chế - an toàn thông tin xây dựng chính sách, thẩm định và giám sát); tuyến 3 (kiểm toán/kiểm tra độc lập đánh giá tuân thủ, truy vết và hiệu lực kiểm soát). Cấu trúc này phù hợp với yêu cầu “ai chịu trách nhiệm cho thuật toán” trong quản trị công, giúp làm rõ trách nhiệm khi xảy ra sai sót và tạo nền tảng cho cơ chế khắc phục (Busuioc, 2021).

KẾT LUẬN

Nghiên cứu cho thấy, GenAI có tiềm năng nâng cao hiệu quả và chất lượng cung ứng dịch vụ công, đặc biệt trong các tác vụ xử lý ngôn ngữ và hỗ trợ nghiệp vụ. Tuy nhiên, do đặc tính tạo sinh, phụ thuộc ngữ cảnh và khó truy nguyên, GenAI đồng thời làm gia tăng các rủi ro trọng yếu về dữ liệu và quyền riêng tư, thiên lệch và công bằng, sai thông tin, an ninh mạng, tuân thủ pháp lý, đạo đức và rủi ro vận hành, trong đó yêu cầu trách nhiệm giải trình trở thành điểm trung tâm. Vì vậy, GenAI trong khu vực công cần được quản trị như một cấu phần của quản trị công hiện đại, với kiểm soát theo vòng đời và khả năng kiểm chứng trong vận hành.

Trên cơ sở hệ thống hóa các miền rủi ro và yêu cầu kiểm soát, nghiên cứu đề xuất tiếp cận quản trị dựa trên vòng đời nhằm chuyển hóa nguyên tắc thành cơ chế vận hành, nhấn mạnh phân quyền trách nhiệm, quản trị dữ liệu, kiểm thử chất lượng đầu ra, giám sát con người theo mức rủi ro, truy vết, kiểm toán và quản trị nhà cung cấp. Đóng góp cốt lõi của nghiên cứu là làm rõ “điểm rơi vận hành” của quản trị GenAI - tức cách biến các yêu cầu minh bạch, an toàn và công bằng thành quy trình và bằng chứng có thể kiểm tra trong thực tế. Cách tiếp cận này hỗ trợ thu hẹp khoảng cách giữa định hướng chính sách và triển khai kỹ thuật, đồng thời tạo nền tảng cho chuẩn hóa nội bộ trong cơ quan nhà nước.

Trong giai đoạn tiếp theo, tác giả sẽ tập trung vào 3 hướng nghiên cứu chính sau:

Thứ nhất, kiểm định thực nghiệm khung đề xuất thông qua nghiên cứu trường hợp và so sánh theo loại dịch vụ công, nhằm đánh giá tính khả thi và điều kiện triển khai.

Thứ hai, phát triển bộ chỉ báo/tiêu chí đo lường cho chất lượng đầu ra và hiệu lực kiểm soát (ví dụ mức độ phù hợp quy định, khả năng truy vết, mức can thiệp của con người, tỷ lệ sai thông tin và sự cố).

Thứ ba, đào sâu an ninh cho ứng dụng tích hợp LLM trong khu vực công (mô hình hóa mối đe dọa, đánh giá biện pháp giảm prompt injection và rò rỉ dữ liệu), đồng thời xem xét tác động đến niềm tin công chúng và cơ chế khắc phục khi xảy ra sai sót. Kết quả các hướng này kỳ vọng sẽ hoàn thiện khung đề xuất theo hướng vừa chặt chẽ về quản trị, vừa linh hoạt theo bối cảnh sử dụng, qua đó nâng cao khả năng áp dụng và giá trị tham chiếu cho các cơ quan nhà nước.

Tài liệu tham khảo:

1. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21), 610-623. Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922

2. Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Liang, P. (2021). On the opportunities and risks of foundation models. https://arxiv.org/abs/2108.07258

3. Busuioc, M. (2021). Accountable artificial intelligence: Holding algorithms to account. Public Administration Review, 81(5), 825-836. https://doi.org/10.1111/puar.13293

4. European Union (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng

5. Feng, N., & Chandra, Y. (2025). Accountability in government use of AI: Citizen concerns and preferences. Public Administration, 1-22. https://doi.org/10.1111/padm.70030

6. International Organization for Standardization (2018). ISO 31000:2018 Risk management-Guidelines. ISO.

7. International Organization for Standardization (2023a). ISO/IEC 23894:2023 Information technology-Artificial intelligence-Guidance on risk management. ISO.

8. International Organization for Standardization (2023b). ISO/IEC 42001:2023 Information technology-Artificial intelligence-Management systems. ISO.

9. Liu, Y., Deng, G., Li, Y., Wang, K., Wang, Z., Wang, X., Zhang, T., Liu, Y., Wang, H., Zheng, Y., & Liu, Y. (2023). Prompt injection attack against LLM-integrated applications. https://arxiv.org/abs/2306.05499

10. National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1

11. OECD (2019). Recommendation of the Council on Artificial Intelligence (OECD/LEGAL/0449). https://legalinstruments.oecd.org/en/instruments/oecd-legal-0449

12. OECD (2024). Governing with artificial intelligence. https://www.oecd.org/en/publications/governing-with-artificial-intelligence_26324bc2-en.html

13. Sun, T. Q., & Medaglia, R. (2019). Mapping the challenges of artificial intelligence in the public sector: Evidence from public healthcare. Government Information Quarterly, 36(2), 368-383. https://doi.org/10.1016/j.giq.2018.09.008

14. Weidinger, L., Uesato, J., Rauh, M., Griffin, C., Mellor, J., Huang, P.-S., … Gabriel, I. (2022). Taxonomy of risks posed by language models. In Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’22), 214-229. Association for Computing Machinery. https://doi.org/10.1145/3531146.3533088

15. Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial intelligence and the public sector-Applications and challenges. International Journal of Public Administration, 42(7), 596-615. https://doi.org/10.1080/01900692.2018.1498103

16. World Economic Forum (2024). Governance in the age of generative AI: A 360° approach. https://www.weforum.org/publications/governance-in-the-age-of-generative-ai/

17. Zuiderwijk, A., Chen, Y.-C., & Salem, F. (2021). Implications of the use of artificial intelligence in public governance: A systematic literature review and a research agenda. Government Information Quarterly, 38(2), 101577. https://doi.org/10.1016/j.giq.2021.101577