La IA como apoyo a la deliberación: evidencia de Polis a la Máquina de Habermas

La democracia deliberativa siempre se ha enfrentado a un problema de escala: el debate cuidadoso funciona en grupos de unas pocas decenas de personas, mientras que las comunidades políticas cuentan con millones. El software y, desde 2022, los modelos de lenguaje grandes (LLM) prometen aliviar esa limitación agrupando opiniones, moderando debates, resumiendo argumentos y redactando declaraciones que muchas personas puedan aceptar. Este estudio examina las principales aplicaciones en el mundo real y los experimentos controlados: la plataforma Polis y el proceso vTaiwan de Taiwán; las Asambleas de Alineación organizadas por el Collective Intelligence Project, incluida la IA Constitucional Colectiva con Anthropic; la Plataforma de Deliberación en Línea de Stanford y su moderador automatizado; y la «Máquina de Habermas» de Google DeepMind, presentada en Science en 2024. A continuación, contrasta estos casos con evidencia experimental sobre los riesgos: que la IA modifica las opiniones, persuade con mayor eficacia que las personas y estrecha la variedad de ideas. El panorama general es el de herramientas que ayudan de forma mensurable a las personas a encontrar y expresar puntos en común, utilizadas hasta ahora sobre todo en contextos consultivos, junto con evidencia sólida de que esas mismas capacidades podrían emplearse para orientar la deliberación, además de facilitarla. Por tanto, la cuestión de diseño no es si la IA puede apoyar la deliberación, sino quién controla la herramienta, qué se le permite hacer y cómo se audita su influencia.

Hallazgos clave

• La IA puede redactar declaraciones que los grupos prefieren. En experimentos con 5,734 participantes, se prefirieron las declaraciones producidas por un mediador de IA frente a las redactadas por mediadores humanos, y se las calificó de más informativas, claras e imparciales; los participantes a menudo actualizaron sus opiniones en dirección a una posición compartida, y el resultado se reprodujo en una asamblea ciudadana virtual integrada por una muestra demográficamente representativa del Reino Unido (Tessler y colegas, 2024).
• Las herramientas de mapeo de opiniones han influido en políticas reales, principalmente mediante consultas. Polis, utilizado en el proceso vTaiwan de Taiwán desde 2014, agrupa a los participantes según cómo votan sobre enunciados breves y destaca los que consiguen apoyo en distintos grupos. Ha influido en leyes y regulaciones, en particular en el caso UberX, pero sus resultados siguen siendo consultivos.
• La participación pública puede cambiar el comportamiento de los modelos sin perjudicar sus capacidades. Cerca de 1,000 estadounidenses aportaron 1,127 declaraciones y 38,252 votos a una «constitución pública» para un modelo de Anthropic; el modelo resultante mostró menos sesgo en nueve dimensiones sociales que un modelo entrenado con la propia constitución de Anthropic, con un rendimiento equivalente en las pruebas de referencia de capacidades (Huang y colegas, 2024).
• La moderación automatizada ya se utiliza a gran escala. La Plataforma de Deliberación en Línea de Stanford gestiona turnos de palabra, agendas con tiempos asignados y conductas incívicas, y declara tener más de 50,000 usuarios únicos en más de 40 países; entre otros eventos, acogió el Foro Comunitario de Meta de 2023 (1,545 participantes en cuatro países) y una deliberación de 2024 en Taiwán sobre IA y la integridad de la información (447 participantes).
• Las mismas herramientas pueden orientar las opiniones. Escribir con un modelo de lenguaje con opiniones definidas modificó las opiniones de los propios participantes (N=1,506); los polemistas personalizados basados en GPT-4 fueron más persuasivos que los humanos en el 64.4% de los casos sin empate (N=900); y el acceso a ideas de IA hizo que el trabajo creativo fuera mejor a nivel individual, pero más similar en conjunto.
• La evidencia sobre la legitimidad es escasa. Casi todos los estudios miden las valoraciones de los participantes y los cambios de actitud en experimentos o consultas puntuales. Hay poca evidencia sobre si quienes no participan consideran legítimos los procesos asistidos por IA, o sobre su efecto en las decisiones reales.

Pregunta de investigación y alcance

El estudio pregunta: ¿qué muestra la evidencia sobre las herramientas de IA como apoyo a la deliberación democrática, y qué riesgos identifica? «Apoyo a la deliberación» abarca cuatro funciones: (1) mapear las opiniones de una población numerosa (Polis); (2) facilitar el debate (moderación automatizada); (3) sintetizar opiniones en resúmenes o declaraciones grupales (resumen mediante LLM, la Máquina de Habermas); y (4) agregar aportaciones públicas para establecer reglas para los propios sistemas de IA (IA constitucional colectiva, asambleas de alineación). Quedan fuera del alcance la IA utilizada para tomar decisiones en nombre de la ciudadanía, los candidatos de IA y la IA en la administración electoral.

Antecedentes

La teoría deliberativa, desde la concepción de la acción comunicativa de Jürgen Habermas hasta las encuestas deliberativas de James Fishkin, sostiene que la legitimidad de las decisiones colectivas depende de la calidad del razonamiento que las precede: inclusión, igualdad de voz, razones en lugar de poder y apertura a la revisión. Sus formas institucionales (asambleas ciudadanas, jurados y encuestas deliberativas) se basan en la selección aleatoria y en facilitadores humanos capacitados, y tienen un costo elevado por participante. En cambio, las consultas en línea son baratas, pero tienden a favorecer las voces más ruidosas y a atraer a quienes trolean.

Las herramientas computacionales fueron ocupando este vacío por etapas. Polis, una «encuesta wiki» de código abierto desarrollada a principios de la década de 2010, prescindía por completo de las respuestas encadenadas: los participantes envían afirmaciones breves y votan si están de acuerdo, en desacuerdo o prefieren abstenerse respecto de las afirmaciones de otras personas; el software utiliza reducción de dimensionalidad y agrupamiento para mostrar la estructura de la opinión. La comunidad taiwanesa de tecnología cívica la adoptó para vTaiwan, un proceso de consulta vinculado al Gobierno. Desde 2022, los LLM han añadido la capacidad de leer y redactar lenguaje natural a gran escala, lo que permite resumir, moderar mediante texto y redactar posibles declaraciones de consenso.

Método y fuentes

Esta es una revisión estructurada de experimentos revisados por pares, prepublicaciones y documentación primaria de las organizaciones que llevan a cabo los procesos. Las principales fuentes son: los trabajos de Small y sus colegas sobre Polis (2021) y sobre los LLM en Polis (2023); el de Hsiao y sus colegas sobre vTaiwan (2018); la descripción del Collective Intelligence Project de sus Alignment Assemblies de 2023; los trabajos de Huang y sus colegas sobre Collective Constitutional AI (FAccT 2024) y el informe de Anthropic que lo acompaña; los trabajos del Deliberative Democracy Lab y el Human-Centered AI Institute de Stanford sobre la Online Deliberation Platform; el de Tessler y sus colegas en Science (2024); el de Argyle y sus colegas en PNAS (2023); y, sobre los riesgos, los de Jakesch y sus colegas (CHI 2023), Costello, Pennycook y Rand (Science 2024), Hackenburg y Margetts (PNAS 2024), Salvi y sus colegas (Nature Human Behaviour 2025) y Doshi y Hauser (Science Advances 2024). Cuando las organizaciones que llevan a cabo un proceso también lo evalúan, el texto lo señala.

Hallazgos

Cartografiar la opinión: Polis y vTaiwan

Small y sus colegas describen Polis como una aplicación web de código abierto «capaz de recopilar y sintetizar opiniones de personas de forma escalable y distribuida» e informan que ha generado entendimiento compartido, desalentado el troleo y sacado a la luz puntos de consenso en el periodismo, la investigación académica y los organismos de toma de decisiones a nivel local y nacional. La decisión de diseño más importante es la ausencia de respuestas: los participantes no pueden atacarse directamente entre sí, y el software favorece las afirmaciones que concitan acuerdo entre grupos con distintas opiniones, en lugar de solo dentro de uno.

vTaiwan, puesto en marcha en 2014, combinó Polis con reuniones abiertas, consultas transmitidas en directo y participación de funcionarios. Hsiao, Lin, Tang, Narayanan y Sarahe documentaron su proceso, desde la propuesta y la recopilación de opiniones hasta la reflexión y la legislación, y utilizaron la consulta de 2015 sobre UberX como estudio de caso en el que un «consenso aproximado» entre conductores, operadores de taxis, pasajeros y funcionarios contribuyó a la regulación. Audrey Tang, participante en vTaiwan y posteriormente ministra digital de Taiwán, se convirtió en la defensora más conocida de este enfoque.

La literatura sobre vTaiwan documenta bien dos limitaciones. Sus resultados dependían de que los ministerios decidieran participar y actuar; el proceso no tenía fuerza vinculante. Además, la participación era autoseleccionada: estaba abierta a cualquiera, lo cual no equivale a ser representativa de toda la población.

Facilitar el debate: moderación automatizada

El Deliberative Democracy Lab y el Crowdsourced Democracy Team de Stanford desarrollaron la Online Deliberation Platform para debates por video en grupos pequeños. Según la descripción de Stanford HAI de 2020, su moderador automatizado gestiona una cola de participantes que quieren intervenir, limita cada turno a 45 segundos, sigue un orden del día cronometrado y pregunta al grupo si quiere continuar o pasar al siguiente punto, anima a participar a quienes permanecen en silencio y transcribe el habla, asignándole una puntuación de toxicidad con la Perspective API de Google; si un orador supera cierto umbral, se consulta a los demás participantes y, si la mayoría está de acuerdo, se silencia al orador durante unos minutos. Los desarrolladores reconocieron que la herramienta no puede leer el lenguaje corporal ni detectar temas delicados como sí puede hacerlo un moderador humano.

La página de la propia plataforma informó en 2026 que esta funciona en más de 40 idiomas y se ha utilizado en más de 40 países, con más de 50,000 usuarios únicos y más de 100,000 horas de deliberación. Algunos ejemplos:

• Foro comunitario de Meta sobre IA generativa, 28-29 de octubre de 2023: 1,545 participantes de grupos seleccionados mediante muestreo científico en Brasil, Alemania, España y Estados Unidos deliberaron sobre la IA generativa; otro foro, celebrado en octubre de 2024, abordó los agentes de IA.
• Consulta deliberativa de Taiwán sobre el uso de la IA para mejorar la integridad de la información, 23 de marzo de 2024: 447 ciudadanos taiwaneses, en un proceso organizado por el Ministerio de Asuntos Digitales, el Deliberative Democracy Lab de Stanford y la National Yang Ming Chiao Tung University, debatieron la autorregulación de las plataformas frente a la supervisión gubernamental, así como el uso que deberían dar las grandes plataformas a la IA para combatir la información falsa y los deepfakes.

Los desarrolladores de la plataforma han publicado una evaluación. Gelauff y sus colegas analizaron encuestas e indicadores de participación de una consulta deliberativa japonesa realizada en la plataforma e informan que su desempeño estuvo a la par de una deliberación presencial anterior, moderada por personas y sobre un tema muy similar, con indicios preliminares de una participación más equitativa por género y una equidad similar según los ingresos y el nivel educativo. La comparación se realiza entre dos eventos distintos, no mediante un ensayo aleatorizado, y fue llevada a cabo por el equipo que creó la herramienta.

Un experimento relacionado de Argyle y sus colegas utilizó un LLM para sugerir, en tiempo real, reformulaciones de mensajes en conversaciones en línea sobre un tema divisivo, con el objetivo de hacer que la otra persona se sintiera comprendida. Las intervenciones mejoraron la calidad de la conversación según los participantes y la «reciprocidad democrática», y mejoraron el tono, «sin cambiar sistemáticamente el contenido de la conversación ni modificar las actitudes de las personas respecto a las políticas». Esta es una ayuda más limitada que un moderador, pero muestra que las intervenciones ligeras de IA pueden cambiar la manera en que las personas hablan sin cambiar lo que piensan.

Sintetizar opiniones: la máquina de Habermas

Tessler y sus colegas de Google DeepMind entrenaron un sistema basado en un LLM, al que llamaron Máquina Habermas, para mediar en deliberaciones grupales en el Reino Unido. Los participantes escribieron sus opiniones sobre una cuestión social o política; la IA redactó una declaración grupal; los participantes la criticaron; la IA produjo versiones revisadas de la declaración; y los participantes clasificaron los resultados. En experimentos con 5,734 participantes, las personas prefirieron las declaraciones generadas por IA a las redactadas por mediadores humanos, y las calificaron como más informativas, claras e imparciales. Los participantes en las deliberaciones a menudo actualizaron sus opiniones después de deliberar y convergieron en una perspectiva compartida. El análisis de las incrustaciones de texto mostró que las declaraciones exitosas incorporaban voces discrepantes y, al mismo tiempo, respetaban la posición mayoritaria. Los hallazgos se replicaron en una asamblea ciudadana virtual con una muestra demográficamente representativa de la población del Reino Unido.

El estudio aporta la evidencia controlada más sólida de que la IA puede desempeñar la función de «terreno común» propia de un facilitador. Sus limitaciones también son importantes. El proceso se lleva a cabo por escrito, no de forma oral; los participantes no deliberaron directamente entre sí; el sistema se optimizó para producir declaraciones que los grupos respaldarían, lo cual no equivale a que sean verdaderas o sensatas; y la convergencia que genera podría convertirse, en otras manos, en una herramienta para fabricar consenso.

Agregar aportes para la propia IA: Asambleas de Alineamiento e IA Constitucional Colectiva

El Collective Intelligence Project (CIP) llevó a cabo una serie de «Asambleas de Alineamiento» en 2023 para incorporar aportes del público en las decisiones sobre IA: un proyecto piloto en torno a la Cumbre por la Democracia (marzo de 2023); un ejercicio de clasificación de riesgos con OpenAI (junio de 2023); un proceso con el Ministerio de Asuntos Digitales de Taiwán que adaptó vTaiwan para preguntar cómo debería responder la política gubernamental a la IA generativa, en temas como los derechos de autor, la compensación, los sesgos y los servicios públicos (julio de 2023); IA Constitucional Colectiva con Anthropic (octubre de 2023); y una consulta para Creative Commons sobre el uso de obras bajo licencia en el entrenamiento de IA.

La IA Constitucional Colectiva es el caso mejor documentado. Aproximadamente 1,000 adultos estadounidenses, reclutados para reflejar a la población según la edad, el género, los ingresos y la distribución geográfica, y seleccionados por su familiaridad básica con la IA, utilizaron Polis para presentar y votar principios para un asistente de IA. Aportaron 1,127 declaraciones y emitieron 38,252 votos. Se conservaron las declaraciones que alcanzaron consenso en ambos grupos de opinión identificados por Polis; el CIP eliminó las declaraciones de odio, duplicadas o irrelevantes, con lo que quedaron 275, que se combinaron y reformularon en el formato utilizado en el entrenamiento de IA Constitucional de Anthropic. La constitución pública coincidía aproximadamente en la mitad de sus conceptos y valores con la propia de Anthropic, y daba más importancia a la objetividad y la accesibilidad; además, tendía a promover el comportamiento deseado en vez de prohibir el comportamiento no deseado.

Fuente: Huang y colegas (2024) e informe de Anthropic/CIP (octubre de 2023).

Los autores enumeran las salvedades: una muestra pequeña, exclusivamente estadounidense; decisiones subjetivas al convertir las declaraciones en principios; evaluaciones limitadas y preliminares; y un entrenamiento que resultó más complejo de lo esperado. El proceso también fue consultivo en un sentido estricto: la empresa decidió llevarlo a cabo, eligió la pregunta, moderó las declaraciones y decidió qué hacer con el resultado.

Aspectos comunes de los despliegues

Ninguno de estos procesos fue vinculante para una legislatura o una empresa. Por lo tanto, la evidencia se refiere a si la IA mejora la experiencia deliberativa y la calidad de los resultados, no a si cambia la forma en que se ejerce el poder.

Los riesgos: orientar, persuadir y homogeneizar

Las capacidades que hacen útil a la IA en la deliberación también la hacen potencialmente peligrosa para esta.

• Persuasión latente. Jakesch y sus colegas pidieron a 1,506 participantes que escribieran una publicación sobre si las redes sociales son buenas para la sociedad; a algunos se les proporcionó un asistente de escritura con IA configurado para defender una postura. El uso del asistente que expresaba una opinión modificó tanto las opiniones manifestadas en los textos como las actitudes de los participantes en una encuesta posterior. Un facilitador o resumidor con un sesgo incorporado podría influir en un grupo sin que nadie lo advirtiera.
• Poder persuasivo. Costello, Pennycook y Rand entablaron diálogos personalizados y basados en pruebas con 2,190 personas que creían en teorías conspirativas, utilizando GPT-4 Turbo; la creencia disminuyó alrededor de un 20% y el efecto duró al menos dos meses. Salvi y sus colegas observaron que los debatientes que utilizaban GPT-4 y disponían de información sociodemográfica básica sobre su oponente fueron más persuasivos que los debatientes humanos en el 64.4% de los casos en que ambos no fueron igual de persuasivos (N=900). Hackenburg y Margetts, en un experimento prerregistrado con 8,587 participantes, observaron que los mensajes de GPT-4 eran ampliamente persuasivos en asuntos políticos, pero no hallaron una ventaja estadísticamente significativa derivada de la microsegmentación. Estos resultados operan en ambos sentidos: la IA puede corregir creencias falsas y también modificar creencias verdaderas.
• Homogeneización. Doshi y Hauser observaron que los escritores a quienes un LLM proporcionó ideas para relatos produjeron historias calificadas como más creativas y mejor escritas, pero más similares entre sí que las historias escritas sin IA. En la deliberación, el riesgo análogo es que las declaraciones redactadas por IA converjan en un centro insípido y desplacen los enfoques minoritarios, aunque cada participante sienta que está mejor representado.
• Opacidad y control. El trabajo piloto de Small y sus colegas con LLM en Polis mostró que la síntesis y la moderación podían hacer más eficientes las conversaciones, pero que la cantidad limitada de texto que un modelo podía procesar afectaba «significativamente» la profundidad y la calidad de los resultados; además, identificó riesgos que exigían principios para caracterizarlos y mitigarlos. Quien elige el modelo, sus instrucciones y sus datos de entrenamiento determina el resultado.

Lo que las pruebas no demuestran

• Efectos en las decisiones. Ningún estudio examinado aquí mide si la deliberación asistida por IA produjo mejores políticas, o cambió lo que hizo un gobierno o una empresa, en comparación con un proceso sin IA.
• Legitimidad para quienes no participan. La Habermas Machine y Collective Constitutional AI midieron las preferencias de los participantes. No se ha comprobado si el público en general aceptaría una declaración porque una IA ayudó a redactarla; las encuestas sobre actitudes públicas apuntan a un escepticismo respecto de la IA como decisora en el gobierno.
• Moderación automatizada frente a humana. La única comparación publicada entre el moderador automatizado de Stanford y la moderación humana, realizada por sus desarrolladores, contrasta una Encuesta Deliberativa en línea con un evento presencial anterior; no se han publicado comparaciones aleatorizadas.
• Durabilidad. Los cambios de actitud se midieron a lo largo de horas o, como máximo, semanas; se desconoce si la convergencia persiste.
• Generalización entre culturas. La mayoría de los experimentos se llevaron a cabo en Estados Unidos y el Reino Unido, en inglés y con muestras en línea.

Implicaciones para el diseño institucional

1. Mantener a la IA en el papel de facilitadora, no de decisora. El mapeo, la moderación y la redacción son ayudas; el respaldo debe seguir correspondiendo a los participantes, y las decisiones, a órganos sujetos a rendición de cuentas.
2. Separar al propietario de la herramienta de las partes interesadas en el asunto. Una empresa que organice una deliberación sobre su propio producto, o un gobierno sobre su propia política, no debería controlar también el modelo que redacta el consenso.
3. Publicar la configuración. Las instrucciones, la versión del modelo, las reglas de moderación y la transformación de las declaraciones originales en resultados deberían ser abiertos y auditables, como lo son en parte el código abierto de Polis y la documentación de CIP.
4. Proteger los enfoques minoritarios. Exigir que los resultados de síntesis muestren las posiciones discrepantes y el tamaño de los grupos que las sostienen, en lugar de una única declaración de «terreno común».
5. Comprobar si existe direccionamiento. Comparar los procesos asistidos por IA con controles aleatorizados (facilitación humana, sin síntesis) y medir los cambios de actitud, no solo la satisfacción.
6. Combinar con la selección por sorteo. La IA reduce el costo por participante; la selección aleatoria aporta representatividad. El foro de Meta de 2023 y la encuesta deliberativa de Taiwán de 2024 muestran que ambas cosas pueden combinarse.

Preguntas abiertas

• ¿Utilizaría una asamblea ciudadana con poder vinculante una herramienta de redacción basada en IA, y cómo comprobarían sus integrantes lo que ha hecho la herramienta?
• ¿Pueden los algoritmos de «conexión» que recompensan el acuerdo entre grupos ser manipulados por grupos coordinados, como ha ocurrido con otros sistemas de clasificación?
• ¿Deberían los resultados de las deliberaciones asistidas por IA incluir una declaración informativa, y cambiaría esa declaración la forma en que se reciben?
• ¿Quién debería certificar que un modelo de deliberación es neutral, y según qué criterio?
• Si la IA puede reducir las creencias falsas mediante el diálogo, ¿deberían las instituciones públicas implementarla, y con qué salvaguardias frente a su uso con fines de incidencia?

Fuentes

1. Small, C., Bjorkegren, M., Erkkilä, T., Shaw, L. y Megill, C. (2021). Polis: Scaling Deliberation by Mapping High Dimensional Opinion Spaces. Recerca. Revista de Pensament i Anàlisi 26(2).
2. Hsiao, Y. T., Lin, S.-Y., Tang, A., Narayanan, D. y Sarahe, C. (2018). vTaiwan: An Empirical Study of Open Consultation Process in Taiwan. SocArXiv.
3. Small, C. T., Vendrov, I., Durmus, E., Homaei, H., Barry, E., Cornebise, J., Suzman, T., Ganguli, D. y Megill, C. (2023). Opportunities and Risks of LLMs for Scalable Deliberation with Polis. arXiv:2306.11932.
4. Tessler, M. H., Bakker, M. A., Jarrett, D., Sheahan, H., Chadwick, M. J., Koster, R. y colegas (2024). AI can help humans find common ground in democratic deliberation. Science 386(6719), eadq2852.
5. Huang, S., Siddarth, D., Lovitt, L., Liao, T. I., Durmus, E., Tamkin, A. y Ganguli, D. (2024). Collective Constitutional AI: Aligning a Language Model with Public Input. En Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency, pp. 1395-1417.
6. Anthropic y Collective Intelligence Project (2023). Collective Constitutional AI: Aligning a Language Model with Public Input, 17 de octubre de 2023.
7. Collective Intelligence Project. Alignment Assemblies.
8. Stanford Deliberative Democracy Lab. Online Deliberation Platform.
9. Stanford HAI (2020). A Moderator ChatBot for Civic Discourse, 6 de febrero de 2020.
10. Stanford Deliberative Democracy Lab. Meta Community Forum on Generative AI: results (foro de octubre de 2023).
11. Stanford Deliberative Democracy Lab. Taiwan Deliberative Poll on Utilizing AI to Enhance Information Integrity (23 de marzo de 2024).
12. Argyle, L. P., Bail, C. A., Busby, E. C., Gubler, J. R., Howe, T., Rytting, C., Sorensen, T. y Wingate, D. (2023). Leveraging AI for democratic discourse: Chat interventions can improve online political conversations at scale. PNAS 120(41), e2311627120.
13. Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L. y Naaman, M. (2023). Co-Writing with Opinionated Language Models Affects Users' Views. En Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems.
14. Costello, T. H., Pennycook, G. y Rand, D. G. (2024). Durably reducing conspiracy beliefs through dialogues with AI. Science 385(6714), eadq1814.
15. Hackenburg, K. y Margetts, H. (2024). Evaluating the persuasive influence of political microtargeting with large language models. PNAS 121(24), e2403116121.
16. Salvi, F., Horta Ribeiro, M., Gallotti, R. y West, R. (2025). On the conversational persuasiveness of GPT-4. Nature Human Behaviour 9(8), 1645-1653.
17. Doshi, A. R. y Hauser, O. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10(28), eadn5290.
18. Gelauff, L., Nikolenko, L., Sakshuwong, S., Fishkin, J., Goel, A., Munagala, K. y Siu, A. (2023). Achieving parity with human moderators: A self-moderating platform for online deliberation. En The Routledge Handbook of Collective Intelligence for Democracy and Governance. Routledge.