공공 부문에서의 인공지능 (AI) 연구는 종종 "AI"를 단일 범주로 취급하며, 서로 다른 AI 시스템 간의 기술적 차이를 간과하곤 합니다. 그러나 이러한 차이는 책임성 (accountability), 절차적 정의 (procedural justice), 비차별 (non-discrimination)과 같은 핵심적인 공공 가치에 각 시스템이 미치는 영향에 변화를 줍니다. 본 논문은 공공 행정 연구가 "AI"에 대해 더 정밀한 기술적 정의를 갖출 때 이득을 얻을 것이라고 주장하며, 이를 위해 세 가지 기여를 합니다. 첫째, 우리는 다섯 가지 범주의 AI 시스템 유형학을 도입합니다: 핸드 코딩 (hand-coded), 글래스 박스 (glass-box), 블랙 박스 (black-box), 범용 (general-purpose), 그리고 에이전틱 (agentic) 시스템입니다. 우리는 각 시스템 유형이 공공 가치에 미치는 독특한 함의에 따라 그룹화함으로써 이 유형학을 공공 행정에 맞게 조정합니다. 둘째, 우리는 우리의 유형학을 사용하여 높은 인용수를 기록한 91편의 논문 (2019-2025)을 코딩함으로써, 최근 AI에 관한 공공 행정 연구의 기술적 정밀도를 평가합니다. 우리는 광범위한 부정확성을 발견했습니다: 대부분의 논문 (55%)은 연구 대상 시스템을 불분명하게 정의하였고, 31%는 연구 대상과는 다른 시스템을 근거로 연구를 진행했으며, 41%는 연구 대상 시스템이 뒷받침하는 범위보다 더 일반적인 결론을 내렸습니다. 마지막으로, 우리는 향후 연구를 위한 실질적인 권고 사항을 제시합니다. 우리는 피해야 할 흔한 함정들을 강조하며, 연구자들이 최소한 연구 대상 시스템을 우리의 유형학 내에서 위치시킬 수 있을 만큼 충분한 기술적 세부 정보를 제공해야 한다고 제안합니다. 이를 위해, 우리는 전문적인 기술 지식 없이도 공공 정보를 통해 답변할 수 있는 일련의 짧은 진단 질문들로 구성된 실질적인 가이드를 제공합니다.