Nhóm học Generative AI nội bộ: Hướng dẫn vận hành trong 30 ngày

Một nhóm học Generative AI nội bộ sẽ không tự động trở thành một phần của công việc hằng ngày chỉ nhờ giới thiệu vài prompt hữu ích. Muốn duy trì lâu dài, doanh nghiệp phải kết nối bài toán thực tế, quy định sử dụng, bảo vệ dữ liệu, đánh giá và cải tiến thành một vòng vận hành thống nhất. Bài viết này dành cho các doanh nghiệp tại Thái Lan và Đông Nam Á muốn thiết kế thử nghiệm 30 ngày, sau đó quyết định có cần thuê đơn vị đào tạo hoặc đối tác đồng hành bên ngoài hay không.

OECD cho biết khoảng 40% người sử dụng lao động trong ngành sản xuất và tài chính chưa áp dụng AI coi thiếu kỹ năng là rào cản chính. Hơn một nửa SME chưa dùng Generative AI cũng nêu rào cản kỹ năng. OECD còn ghi nhận người dùng được đào tạo có xu hướng báo cáo kết quả tích cực hơn, trong đó có hiệu quả công việc và điều kiện làm việc. Vì vậy, hoạt động học nội bộ không phải một sự kiện bên lề; đó là một phần của quá trình biến quyền truy cập công cụ thành năng lực kinh doanh an toàn.

Một báo cáo khác của OECD năm 2025 cho thấy 23,6% SME đang sử dụng Generative AI cho biết nhân viên của họ tham gia đào tạo liên quan đến AI; tỷ lệ này là 11,3% tại Nhật Bản và 29,4% tại Canada. Đây là số liệu khảo sát theo quốc gia, không phải mục tiêu tỷ lệ tham gia cho từng doanh nghiệp, nên chỉ nên dùng làm bối cảnh cho thấy việc học liên tục vẫn chưa trở thành thông lệ phổ biến.

Không lấy số người tham gia làm mục tiêu duy nhất

Hãy bắt đầu từ công việc cần cải thiện, không phải số tài khoản đã được mở. Mục tiêu “mọi người đều dùng AI” quá rộng. Mục tiêu tốt cần cụ thể, chẳng hạn giảm công sức tổng hợp việc cần làm sau cuộc họp bán hàng, hỗ trợ rút ý chính từ hồ sơ bảo trì, hoặc tạo bản nháp tài liệu nội bộ bằng tiếng Nhật, Anh và Thái. Với mỗi trường hợp, phải xác định nhiệm vụ, dữ liệu được phép nhập, chủ sở hữu đầu ra và người phê duyệt.

Bản cập nhật năm 2025 của ILO cho thấy một trong bốn lao động trên thế giới làm trong nghề có mức độ tiếp xúc nhất định với GenAI. Do nhiều nhiệm vụ vẫn cần con người cung cấp thông tin và phán đoán, việc chuyển đổi công việc có khả năng xảy ra hơn là thay thế con người. Đào tạo phải dạy cả nơi AI có thể hỗ trợ lẫn điểm mà con người phải giữ quyền quyết định.

Xác định mục tiêu ở ba tầng

Ba tầng phải đi cùng nhau. Chương trình chỉ tập trung vào công việc có thể gây rủi ro dữ liệu. Chỉ nói về quy định có thể khiến không ai dám dùng. Chỉ dạy prompt thì không có cách đo giá trị. Khi kết hợp, nhóm học trở thành một thử nghiệm cải tiến có quản trị.

Phân biệt Adopter, Customizer và Maker trước khi triển khai

Hướng dẫn quản trị Generative AI cho tổ chức của ETDA mô tả ba cách áp dụng: Adopter dùng dịch vụ có sẵn; Customizer điều chỉnh giải pháp cho mục đích riêng của tổ chức, bao gồm Retrieval-Augmented Generation; Maker phát triển Foundation Model mới. Mỗi cách cần nội dung học và kiểm soát khác nhau.

Chương trình 30 ngày thông thường nên bắt đầu ở mức Adopter. Nếu có Customizer hoặc Maker, hãy tách buổi cho người dùng phổ thông khỏi đào tạo cho nhà phát triển và quản trị viên. Dạy kỹ thuật mô hình cho người chỉ dùng chat không giải quyết luồng công việc; ngược lại, chỉ dạy dữ liệu cấm cho nhóm RAG sẽ bỏ sót kiểm soát truy cập và đánh giá.

Phân vai rõ cho chương trình phát triển nhân lực AI

Giao toàn bộ cho một “AI Champion” tạo ra khoảng trống. Chương trình chạm tới nghiệp vụ, công nghệ, thông tin, học tập và quyết định quản lý. Ở doanh nghiệp nhỏ, một người có thể kiêm nhiều vai, nhưng tên và trách nhiệm của từng vai vẫn phải được giữ.

Nếu lập RACI, hãy gồm ít nhất việc duyệt công cụ, duyệt tài liệu, dùng dữ liệu thật, dùng đầu ra đối ngoại, xử lý sự cố và quyết định tiếp tục. Mục tiêu là loại bỏ suy nghĩ “chắc ai đó đã kiểm tra”.

Kế hoạch 30 ngày để đưa Generative AI vào công việc

Kế hoạch sau là ví dụ thiết kế, không phải thời hạn do luật hoặc tiêu chuẩn quy định. Hãy điều chỉnh theo quy mô, chính sách hiện có, tốc độ phê duyệt và rủi ro của nhiệm vụ.

Ngày 1–3: Đồng thuận về mục tiêu, công việc và điều cấm

Sponsor và chủ quy trình chọn hai hoặc ba use case. Không chỉ hỏi nhân viên có muốn dùng AI không; hãy hỏi tài liệu nào lặp lại hằng tuần, điều gì làm chậm quyết định và công việc chứa lớp dữ liệu nào. Song song, phát hành hướng dẫn một trang nêu công cụ được duyệt, cách cấp tài khoản, dữ liệu cấm, phạm vi dùng đầu ra và kênh hỗ trợ.

Use case đầu tiên phù hợp khi chuyên gia có thể phát hiện lỗi, hậu quả thử nghiệm thất bại được giới hạn và quy trình hiện tại có thể đo. Phán quyết pháp lý, đánh giá nhân sự, quyết định giá, điều khiển an toàn hay quyết định y tế không nên là bài tập chung. Các trường hợp tác động cao cần được chuyên gia rà soát như dự án riêng.

Ngày 4–7: Xây nền tảng chung về rủi ro và xác minh

Giải thích rằng mô hình sinh tạo đầu ra có xác suất và câu trả lời trôi chảy vẫn có thể sai. Dữ liệu có thể được chuyển tới dịch vụ bên ngoài; hợp đồng và cài đặt ảnh hưởng cách xử lý. Dạy ba điểm dừng: trước khi nhập, sau khi nhận kết quả và trước khi chia sẻ.

Bài tập chỉ dùng thông tin công khai hoặc dữ liệu tổng hợp. Không biến buổi học thành cuộc thi tạo câu trả lời ấn tượng. Hãy yêu cầu người học tìm tuyên bố thiếu căn cứ, điểm bỏ sót, thiên lệch, chỉ dẫn mơ hồ và rủi ro. Lưu cả ví dụ thất bại và lý do sửa để làm tài liệu.

Ngày 8–14: Thử use case theo phòng ban

Chia nhóm bán hàng, mua hàng, sản xuất, chất lượng, nhân sự hoặc chức năng khác. Với một use case, ghi quy trình hiện tại, thông tin đưa cho AI, định dạng mong muốn, kiểm tra của con người, nơi lưu và điều kiện không dùng. Quản lý prompt như một bước được kiểm soát trong quy trình, không phải câu lệnh đứng riêng.

Người học cần chạy cùng bộ đánh giá nhiều lần để kiểm tra tính lặp lại thay vì ăn mừng một kết quả may mắn. Với tài liệu đa ngôn ngữ, kiểm tra riêng ý nghĩa, tên riêng, đơn vị, ngày tháng, cách xưng hô và thuật ngữ công ty. Với hồ sơ sản xuất, chú ý số lượng, mã thiết bị, lô và loại bất thường.

Ngày 15–21: Kết nối bài học với quy định và công việc chuẩn

Chuyển câu hỏi từ thử nghiệm thành quy tắc thực tế. “Không nhập thông tin mật” là chưa đủ. Cần định nghĩa mật là gì, ẩn danh có đủ không, môi trường được duyệt xử lý gì, sản phẩm được lưu đâu và phải liên hệ ai khi vô tình tiết lộ.

Công việc chuẩn phải nêu có cần công bố việc dùng AI không, ai kiểm tra, bằng chứng nào được giữ, lịch sử sửa đổi ra sao và ai chịu trách nhiệm cuối. Trách nhiệm không chuyển sang mô hình. Người phê duyệt tài liệu đối ngoại hay quyết định kinh doanh cần xem được nội dung và nguồn hỗ trợ.

Ngày 22–27: Thử trong công việc được duyệt và coaching

Chỉ dùng các use case giới hạn đã được phê duyệt. Người hướng dẫn cần quan sát dữ liệu nhập, mức sửa, bước kiểm tra bị bỏ và quyết định dừng, không chỉ trả lời câu hỏi về giao diện. Khi người học gặp khó, hãy phân loại nguyên nhân là tài liệu, cấu hình, chính sách, quy trình hay kỹ năng thay vì quy kết cá nhân.

Kết quả “cách thủ công nhanh hơn”, “không thể xác minh nguồn” hoặc “ẩn danh tốn quá nhiều công sức” đều có giá trị. Khả năng ghi lại quyết định không áp dụng là biểu hiện của phát triển năng lực AI trưởng thành.

Ngày 28–30: Đánh giá và quyết định bước tiếp theo

Buổi tổng kết không nên là sân khấu trình diễn. Với mỗi use case, báo cáo baseline, điều kiện thử, kết quả đo, rủi ro, vấn đề mở và điều kiện tiếp tục. Sponsor chọn mở rộng, tiếp tục giới hạn, kiểm thử thêm hoặc dừng, sau đó ghi lý do và chủ sở hữu tiếp theo.

Thiết kế tài liệu theo bốn tầng

Chuỗi giải thích ngắn, thực hành và phản tư kết nối với công việc tốt hơn một bài giảng dài. Hãy xây bốn tầng:

1. Kiến thức: khả năng, giới hạn, dữ liệu, IP, riêng tư và thiên lệch.
2. Thao tác: đăng nhập được duyệt, lịch sử, chia sẻ, xóa và định dạng đầu ra.
3. Phán đoán: tình huống yêu cầu quyết định nhiệm vụ, dữ liệu, đầu ra và người kiểm tra.
4. Công việc: bài tập đầu-cuối theo cấu trúc quy trình thật, có baseline, kiểm chất lượng và hồ sơ.

Không phát “thư viện prompt hoàn hảo”

Mẫu có ích nhưng prompt thiếu bối cảnh có thể tạo lời hứa sai. Gắn nhiệm vụ, dữ liệu cho phép, dữ liệu cấm, đầu ra, checklist, điều kiện không dùng, chủ sở hữu và ngày sửa vào mỗi mẫu. Mô hình và dịch vụ thay đổi nên phải quản lý phiên bản và đặt ngày đánh giá lại.

Bản địa hóa cho môi trường làm việc tại Thái Lan

Công ty Nhật tại Thái Lan có thể thống nhất chính sách bằng tiếng Nhật, phối hợp bằng tiếng Anh và vận hành bằng tiếng Thái. Bài tập dịch phải kiểm tra mức độ bắt buộc, trách nhiệm, đơn vị, tên và nội dung cấm chứ không chỉ độ tự nhiên. Cung cấp kênh để người học hỏi bằng ngôn ngữ mạnh nhất và duy trì bảng thuật ngữ có kiểm soát.

Đưa quy định cấm mang dữ liệu vào và ẩn danh vào bài tập

Bảo vệ dữ liệu không trở thành hành vi chỉ sau một slide. Người học phải thực hành phân loại trước khi mở ô nhập. Bảng sau là ví dụ, cần điều chỉnh theo pháp luật và chính sách an ninh của công ty.

Xóa tên chưa phải là ẩn danh đầy đủ

Đổi khách hàng thành “Công ty A” vẫn có thể bị nhận diện từ tên dự án, ngày, nhà máy, mã sản phẩm, giá trị và phong cách văn bản. Hãy dạy cách phân biệt định danh trực tiếp, gián tiếp, bí mật kinh doanh và bảo mật theo hợp đồng. Nếu không thể giữ ý nghĩa một cách an toàn, hãy tạo dữ liệu tổng hợp chỉ mô phỏng cấu trúc.

Kiểm soát cũng phải bao gồm tệp đính kèm, ảnh màn hình, tiện ích trình duyệt, liên kết chia sẻ hội thoại và đồng bộ lịch sử. Khi phân vân, hành vi đúng là dừng và hỏi, không phải thử trước rồi báo sau.

Viết quy định chính ngắn và tách phụ lục vận hành

Một chính sách dài đọc một lần sẽ không hướng dẫn công việc. Giữ nguyên tắc và trách nhiệm trong văn bản chính; đưa chi tiết thay đổi nhanh như công cụ được duyệt, use case cho phép, lớp dữ liệu và đầu mối vào phụ lục dễ cập nhật. Tối thiểu phải có:

• người và công cụ thuộc phạm vi;
• use case được phép, bị cấm và tác động cao;
• dữ liệu cấm và điều kiện ẩn danh;
• kiểm tra sự thật, IP, trích dẫn và thiên lệch;
• chia sẻ ngoài và phê duyệt đối ngoại;
• tài khoản, log, lưu giữ và xóa;
• báo cáo sự cố, tạm dừng và ngoại lệ; và
• đánh giá lại khi tài liệu, công cụ hoặc mô hình thay đổi.

NIST Generative AI Profile hỗ trợ tổ chức nhận diện rủi ro riêng của GenAI và chọn hành động quản lý phù hợp mục tiêu, ưu tiên. ISO/IEC 42001 quy định yêu cầu thiết lập, triển khai, duy trì và cải tiến liên tục hệ thống quản lý AI. Chương trình 30 ngày không đồng nghĩa phù hợp hay được chứng nhận, nhưng hai tài liệu củng cố cách tiếp cận kết nối đào tạo, chính sách, trách nhiệm, giám sát và cải tiến.

Dùng một ma trận cho năng lực và rủi ro

Thao tác nhanh không đồng nghĩa an toàn. Đánh giá cả khả năng tạo sản phẩm hữu ích và khả năng dừng việc không an toàn.

Đánh giá hành vi, không chỉ kiến thức

Kết hợp kiểm tra trước/sau với tình huống, rà soát sản phẩm, quan sát và phỏng vấn ngắn. Người vượt bài trắc nghiệm nhưng nhập dữ liệu mật chưa sẵn sàng. Người viết prompt cơ bản nhưng đặt đúng bài toán, phân loại dữ liệu, kiểm kết quả và biết dừng có nền tảng tốt.

Các công thức KPI sau là ví dụ thiết kế; chỉ đặt mục tiêu sau khi đo baseline.

• Tỷ lệ hoàn thành = số người hoàn thành ÷ số người mục tiêu
• Tỷ lệ hành vi an toàn = bài tập đủ bước kiểm tra ÷ bài tập được đánh giá
• Tỷ lệ áp dụng = use case được duyệt và duy trì ÷ use case đã thử
• Tỷ lệ làm lại = đầu ra phải sửa lớn hoặc làm lại ÷ đầu ra có AI hỗ trợ
• Thời gian báo sự cố = thời điểm báo trừ thời điểm phát hiện

Nếu chỉ đo tiết kiệm thời gian, người bỏ qua xác minh có thể được đánh giá cao. Phải xem chất lượng, rủi ro, trải nghiệm nhân viên và thời gian đầu-cuối cùng nhau.

Duy trì nhịp hằng tuần để AI được sử dụng bền vững

Việc sử dụng thường giảm sau tháng đầu vì không có nơi hỏi, tài liệu cũ và kinh nghiệm không được chia sẻ. Hãy giữ nhịp nhẹ:

• clinic hằng tuần ưu tiên khó khăn hơn câu chuyện thành công;
• sổ use case có chủ sở hữu, lớp dữ liệu, phê duyệt và ngày xem lại;
• quản lý phiên bản prompt/quy trình với lý do thay đổi;
• xem xét hằng tháng về sử dụng, chất lượng, sự cố, trường hợp dừng và ưu tiên mới; và
• kiểm tra hằng quý về quy định, công cụ, hợp đồng, cấu hình và thay đổi mô hình.

Định hướng Trust AI 2026 của ETDA nhấn mạnh AI literacy, sử dụng an toàn và đánh giá tác động đạo đức. Áp dụng bền vững đòi hỏi văn hóa nơi nhân viên có thể nêu nghi vấn và cảnh báo sớm, không chỉ gia tăng số lượt sử dụng.

Các kiểu thất bại thường gặp và cách sửa

Thất bại 1: Kết thúc bằng phần giới thiệu tính năng

Nhân viên hiểu tính năng nhưng không biết đặt ở đâu trong quy trình. Bắt đầu từ đầu vào, phán đoán và đầu ra hiện tại, rồi chọn nơi AI có thể hỗ trợ.

Thất bại 2: Người giỏi kỹ thuật nhất trở thành thẩm quyền duy nhất

Chuyên môn kỹ thuật không quyết định thay cho nghiệp vụ, pháp lý và dữ liệu. Chủ quy trình, IT và pháp chế/tuân thủ phải cùng duyệt tài liệu.

Thất bại 3: Dùng dữ liệu thật trước khi có quy định

Cần cải thiện quy định bằng bài học thực tế, nhưng phải có điều cấm ban đầu và môi trường được duyệt trước. Hãy dùng dữ liệu công khai và tổng hợp.

Thất bại 4: Chỉ chia sẻ thành công

Nếu lý do từ chối biến mất, nhóm khác sẽ lặp lại thử nghiệm. Hãy lưu cả use case dừng và không áp dụng cùng tiêu chí.

Thất bại 5: Chỉ đo tốc độ tạo bản nháp

Bản nháp nhanh không giúp gì nếu kiểm và sửa tăng. Đo toàn bộ từ bắt đầu đến duyệt, công sức sửa, chất lượng và sự cố.

Thất bại 6: Mọi người học cùng tài liệu

Quản lý, người dùng, nhà phát triển và quản trị viên có phạm vi quyết định khác nhau. Dùng nền tảng chung rồi tách thực hành theo vai.

Thất bại 7: Coi chứng nhận là áp dụng thành công

Hiểu ngay sau học khác hành vi sau một tháng. Theo dõi use case được duyệt, câu hỏi, sản phẩm và đánh giá lại.

Chọn đối tác đào tạo hoặc đồng hành bằng RFP

Hỗ trợ bên ngoài hữu ích khi doanh nghiệp thiếu thời gian thiết kế tài liệu, hướng dẫn, rà soát an ninh hoặc triển khai đa ngôn ngữ. Đừng chọn chỉ theo danh tiếng giảng viên, số prompt hay điểm hài lòng. Dùng RFP để kiểm tra khả năng kết nối học với công việc và kiểm soát. Xem thêm cách chọn đơn vị đào tạo Generative AI tại Thái Lan.

Yêu cầu nên có trong RFP

Yêu cầu trình diễn theo tình huống

Đề nghị nhà cung cấp chạy một phần ngắn với dữ liệu tổng hợp gần doanh nghiệp. Quan sát xem họ dừng dữ liệu cấm, chất vấn đầu ra nghe hợp lý nhưng sai, hỗ trợ người mới và giữ thuật ngữ công ty hay không.

So sánh tổng chi phí, không chỉ học phí. Gồm khảo sát, phát triển tài liệu, dịch, tài khoản, thiết lập môi trường, coaching, quyền sản phẩm và cập nhật. Nếu lập ví dụ ngân sách, tách đơn giá và số lượng, nêu giả định thuế, tiền tệ, đi lại và công cụ. Bài viết này không ước đoán giá thị trường.

Trách nhiệm vẫn phải ở trong doanh nghiệp

Đối tác không thể sở hữu ưu tiên nghiệp vụ, phân loại dữ liệu, phê duyệt cuối hay xử lý sự cố thay công ty. Hỗ trợ bên ngoài bổ sung chuyên môn và năng lực vận hành, không chuyển trách nhiệm. Hãy tách rõ nhiệm vụ nhà cung cấp và điểm phê duyệt nội bộ trước hợp đồng.

Nếu phạm vi gồm lựa chọn use case, quản trị, tích hợp kỹ thuật và coaching, hãy tham khảo hướng dẫn hỗ trợ áp dụng AI tại Thái Lan.

Checklist cho quyết định ngày 30

• Đã ghi công việc mục tiêu và công việc loại trừ.
• Có công cụ được duyệt và chủ tài khoản.
• Hiểu dữ liệu cấm, ẩn danh và ngoại lệ.
• Có người kiểm và bằng chứng kiểm đầu ra.
• Có cách kiểm chất lượng đa ngôn ngữ và thuật ngữ.
• Kênh báo cáo sự cố và quy trình tạm dừng hoạt động có thể vận hành.
• Mỗi use case có chủ và ngày xem lại.
• KPI bao gồm thời gian, chất lượng, rủi ro, trải nghiệm.
• Có chủ tài liệu và quy định.
• Có phương án tiếp quản sau hỗ trợ bên ngoài.

Nếu còn khoảng trống quan trọng, tiếp tục ở phạm vi giới hạn thay vì mở toàn công ty. Chỉ mở rộng khi trách nhiệm vận hành và năng lực xác minh tăng, không phải khi số người học tăng.

FAQ về đào tạo và hỗ trợ áp dụng AI

Cần gì để bắt đầu nhóm học Generative AI nội bộ?

Xác định công việc, Sponsor, chủ quy trình, công cụ được duyệt, dữ liệu cấm, cách kiểm đầu ra và kênh hỗ trợ. Dùng dữ liệu công khai hoặc tổng hợp trước; duyệt dữ liệu thật riêng.

Chương trình AI cho doanh nghiệp có nên dạy tất cả cùng lúc?

Có thể dạy nền tảng chung rộng, nhưng thực hành nên tách theo vai và rủi ro dữ liệu. Thử ở công việc hậu quả giới hạn, đo được chất lượng rồi cải tiến trước khi mở rộng.

Phát triển nhân lực AI có nên tập trung vào prompt?

Prompt là một phần. Hãy đánh giá đặt vấn đề, phân loại dữ liệu, xác minh đầu ra, phê duyệt quy trình và báo sự cố. Các kỹ năng phán đoán này bền hơn thay đổi mô hình.

Đo hiệu quả công việc từ Generative AI thế nào?

So sánh thời gian đầu-cuối từ bắt đầu đến phê duyệt, mức sửa, chất lượng, lỗi và gánh kiểm tra trong điều kiện tương đương. Ghi điều kiện và bước kiểm của con người.

Hỗ trợ duy trì sử dụng AI làm gì sau đào tạo?

Duy trì clinic, sổ use case, rà soát sản phẩm, phiên bản tài liệu và kiểm tra chính sách. Ghi cả trường hợp dừng và lý do.

Có thể mang dữ liệu công ty thật vào bài tập không?

Không mặc định. Dữ liệu đã ẩn danh vẫn có thể nhận diện hoặc bị hạn chế theo hợp đồng. Kiểm phân loại, hợp đồng, luật, cài đặt, sự cần thiết và phạm vi tối thiểu trước khi duyệt.

Chọn công ty đào tạo bên ngoài như thế nào?

Dùng RFP so sánh mức gắn với công việc, an toàn, ngôn ngữ, đánh giá, theo dõi, dữ liệu, IP và bàn giao. Xác minh bằng tình huống và sản phẩm mẫu.

Kết luận: Xem nhóm học như một hệ thống quản lý nhỏ

Chìa khóa của nhóm học Generative AI nội bộ không phải một bài giảng hấp dẫn. Đó là vòng lặp bắt đầu bằng nhiệm vụ rõ, tiếp tục qua phân loại dữ liệu, xác minh đầu ra, phê duyệt, ứng phó sự cố và cải tiến. Ba mươi ngày dùng để tạo nền học an toàn, kể cả khả năng quyết định không dùng AI, chứ không phải hoàn tất chuyển đổi.

TOMAS TECH có thể hỗ trợ doanh nghiệp tại Thái Lan từ bước lập kế hoạch, tài liệu, quy định sử dụng, bài tập theo phòng ban, đánh giá tới coaching sau đào tạo. Quý doanh nghiệp có thể liên hệ với chúng tôi ngay từ giai đoạn ý tưởng, kể cả khi chỉ cần rà soát thiết kế do đội nội bộ tự triển khai.

Tài liệu tham khảo

• OECD, AI and skills: https://www.oecd.org/en/publications/ai-and-skills_f843b352-en/full-report.html
• OECD, Generative AI and the SME Workforce: https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en/full-report/component-6.html
• ILO, Generative AI and jobs: A 2025 update: https://www.ilo.org/publications/generative-ai-and-jobs-2025-update
• ETDA, Generative AI Governance Guideline for Organizations: https://www.etda.or.th/getattachment/6050a4b7-defd-4dba-8cbc-ff6a444a3d08/20240910_GenerativeAIGovernanceGuideline_Vol1_AIGC.pdf.aspx
• ETDA, Driving Trust AI Governance 2026: https://www.etda.or.th/th/pr-news/aigc_Driving-Trust_AI_Governance.aspx
• NIST, AI Risk Management Framework and Generative AI Profile: https://www.nist.gov/itl/ai-risk-management-framework
• ISO, ISO/IEC 42001 AI management systems: https://www.iso.org/standard/42001