Você confia na resposta que a IA entrega quando pergunta sobre a Bíblia? Confia mesmo — sem verificar se ela consultou o códice ou apenas regurgitou dois mil anos de tradição eclesiástica com verniz acadêmico?

Se confia, este artigo vai incomodar. E se não confia — vai entender por quê.

O que acontece quando você pergunta a um modelo de linguagem sobre Desvelação 13:18 e ele responde “666 é o número da Fera” sem mencionar que o Papiro 115 registra a variante 616? O que acontece quando a IA colapsa κύριος em “Senhor” sem informar que esse termo grego substitui pelo menos três referentes distintos no texto original — como demonstra a análise do kyrios/">Problema Kyrios? O que acontece quando a fluência da resposta mascara a ausência total de trilha auditável até o manuscrito?

Acontece AIEXEGESIS. E este artigo é o primeiro a nomear, diagnosticar e propor marcadores para identificar esse fenômeno.

Publicação acadêmica. Versão formal do artigo original AIEXEGESIS: A IA Que Lê a Bíblia Por Você Está Mentindo, preparada para submissão ao Academia.edu e revisão por pares. Versão em inglês disponível em AIEXEGESIS: Structural Eisegesis in LLMs Applied to Biblical Texts.

Belem Anderson Costa Escola Escatológica Desvelacional Forense “Belem an.C-2039” [email protected]

Resumo

Este artigo introduz o conceito de AIEXEGESIS — eisegese automatizada e estrutural produzida por modelos de linguagem (LLMs) quando aplicados a textos bíblicos. Diferentemente de erros pontuais ou alucinações factuais, a AIEXEGESIS constitui um fenômeno sistêmico derivado de quatro vetores arquiteturais: (1) ausência de hierarquia entre fontes no corpus de treinamento, (2) priorização por frequência cultural, (3) colapso entre paráfrase e literalidade, e (4) pressão sistêmica por completude narrativa. O trabalho demonstra que esses vetores convergem para produzir uma substituição epistemológica na qual o texto bíblico deixa de funcionar como fonte primária e passa a funcionar como gatilho para recuperação de consenso eclesiástico, revestido com estética de método exegético. São propostos cinco marcadores diagnósticos para identificação de AIEXEGESIS em outputs de LLMs e discutidas as implicações para a exegese computacional, a hermenêutica digital e a literacia bíblica na era da inteligência artificial.

Palavras-chave: AIEXEGESIS, eisegese automatizada, modelos de linguagem, exegese bíblica, hermenêutica digital, viés de corpus, rastreabilidade textual, literacia bíblica computacional

1. Introdução

A adoção crescente de modelos de linguagem de grande escala (LLMs) como instrumentos de consulta textual levanta questões metodológicas específicas quando o domínio de aplicação envolve textos antigos, traduzidos e historicamente saturados por tradição interpretativa. O domínio bíblico constitui, nesse sentido, um caso extremo: nenhum outro corpus textual na internet possui uma assimetria tão pronunciada entre material primário (códices, aparatos críticos, léxicos filológicos) e material secundário-terciário (sermões, devocionais, apologética popular, paráfrases catequéticas).

A presente investigação propõe o termo AIEXEGESIS (do inglês AI + exegesis, com variante portuguesa AIXEGESE) para designar a forma sistêmica e estrutural de eisegese produzida por modelos de linguagem quando aplicados a textos bíblicos. Não se trata de erro pontual, alucinação factual ou limitação de prompt — trata-se de um fenômeno emergente da própria arquitetura de treinamento, que opera de forma invisível e produz outputs com aparência de rigor exegético sem correspondência demonstrável com o texto-fonte.

O conceito foi desenvolvido no âmbito da Escola Escatológica Desvelacional Forense “Belem an.C-2039” (Costa, 2025), cuja metodologia opera sob os princípios de literalidade rígida, rastreabilidade total e rejeição integral da tradição eclesiástica como fonte de autoridade interpretativa.

2. Definições operacionais

Para fins deste trabalho, adotam-se as seguintes definições:

Exegese (ἐξήγησις, exēgēsis): procedimento de extração de sentido a partir do texto-fonte, com análise gramatical, sintática, léxica e contextual, produzindo trilha auditável que permita verificação independente de cada etapa inferencial.

Eisegese (εἰσήγησις, eisēgēsis): procedimento inverso, no qual uma ideia externa ao texto é inserida no ato interpretativo e apresentada como se derivasse do próprio texto, sem demonstração a partir da fonte primária.

AIEXEGESIS: eisegese automatizada, estrutural e sistêmica, produzida por modelos de linguagem como consequência da arquitetura de treinamento e das propriedades estatísticas do corpus, sem intencionalidade ou agência interpretativa por parte do modelo. Caracteriza-se pela produção de outputs com estética de exegese (vocabulário técnico, conectivos argumentativos, estrutura analítica) sem correspondência verificável com o texto-fonte.

Substituição epistemológica: mecanismo pelo qual o texto bíblico deixa de funcionar como fonte primária de análise e passa a funcionar como gatilho para recuperação de consenso cultural armazenado no corpus de treinamento, sem que essa substituição seja declarada ao usuário.

3. Os quatro vetores estruturais da AIEXEGESIS

3.1 Ausência de hierarquia entre fontes

No processo de treinamento de LLMs, textos bíblicos em línguas originais (hebraico, aramaico, grego koiné), aparatos críticos, comentários filológicos de primeiro nível, glosas medievais, sermões contemporâneos, posts devocionais e apologética popular ingressam no corpus sem nenhum metadado que indique o estatuto epistemológico de cada fonte. Para o modelo, uma paráfrase devocional de terceira geração carrega o mesmo peso estatístico que o Códice Sinaítico (séc. IV). Na prática, glosas tardias comportam-se como “evidência textual” por força de frequência, não de procedência.

Essa ausência de hierarquia contrasta frontalmente com o princípio filológico de cadeia de custódia textual, no qual cada afirmação sobre o texto deve ser rastreável até um testemunho manuscrito datável e verificável (Tov, 2012; Metzger & Ehrman, 2005).

3.2 Priorização por frequência cultural

Em domínios onde a tradição interpretativa é quantitativamente dominante — e o domínio bíblico na internet é o caso mais extremo —, o mecanismo de predição estatística dos LLMs estabiliza a leitura majoritária como output padrão, sem mencionar disputas acadêmicas, variantes textuais ou leituras alternativas. O modelo não “escolhe” a tradição; ele a reproduz porque ela constitui o padrão estatisticamente mais provável no espaço latente.

Este vetor é particularmente crítico em passagens onde existem variantes textuais significativas. O caso de Desvelação 13:18, onde o número 666 (ἑξακόσιοι ἑξήκοντα ἕξ) coexiste com a variante 616 (ἑξακόσιοι δέκα ἕξ) atestada no Papiro 115 e no Códice C, exemplifica o problema: LLMs consistentemente apresentam 666 como leitura unívoca, sem sequer mencionar a existência da variante 616 ou o debate textual associado (Royse, 2008).

3.3 Colapso entre paráfrase e literalidade

Ao longo do treinamento, o modelo internaliza equivalências entre termos originais e suas glossas tradicionais como se fossem identidades semânticas. Traduções específicas são tratadas como “o que o original diz” sem que a camada de mediação tradutória seja declarada. O termo κύριος (kyrios), por exemplo, é sistematicamente colapsado em “Senhor” sem informar que esse mesmo vocábulo grego substitui, na Septuaginta, pelo menos três referentes distintos: yhwh (tetragrama), Adonai (título de senhorio) e ocorrências de kyrios como pronome de tratamento social — cada um com implicações teológicas e textuais radicalmente diferentes (Hurtado, 2003; Pietersma & Wright, 2007).

Para uma análise forense detalhada desse problema específico, veja O Problema Kyrios.

3.4 Pressão sistêmica por completude narrativa

Modelos de linguagem são otimizados por meio de RLHF (Reinforcement Learning from Human Feedback) para fluência, completude e fechamento argumentativo. Produzir uma resposta que declare “não sei”, “depende do manuscrito consultado” ou “existem pelo menos três leituras possíveis aqui” resulta em avaliações humanas inferiores àquelas atribuídas a respostas completas e assertivas. No entanto, a prática exegética rigorosa frequentemente exige exatamente isso: qualificar, enumerar alternativas e suspender conclusões (Barton, 1996).

O resultado é que a arquitetura de recompensa do modelo incentiva precisamente o comportamento que a exegese proíbe: fechamento prematuro, supressão de alternativas e apresentação de inferências como dados.

4. O mecanismo de substituição epistemológica

Os quatro vetores descritos na seção anterior convergem para produzir um mecanismo tripartido de substituição:

Etapa 1 — Ancoragem superficial. Você fornece um versículo, termo original ou pergunta sobre uma passagem. O modelo reconhece o input como gatilho temático associado a um cluster de distribuição no espaço latente.

Etapa 2 — Recuperação de consenso cultural. Em vez de operar analiticamente sobre o texto-fonte referenciado, o modelo recupera implicitamente o pacote interpretativo majoritário associado àquele gatilho — a tradição, a harmonização padrão, a leitura eclesiasticamente estabilizada que existe em volume massivo no corpus.

Etapa 3 — Revestimento com estética de método. O output é formatado com vocabulário técnico (termos gregos, hebraicos, referências a “contexto original”), conectivos interpretativos (“portanto”, “logo”, “o que isso significa é que”) e estrutura argumentativa que mimetiza o formato de análise exegética acadêmica.

O resultado é que o texto bíblico sofre uma degradação funcional: deixa de operar como fonte e passa a operar como mero gatilho. Você perguntou o que o texto diz; recebeu o que a tradição diz sobre o texto — sem aviso, sem rótulo e sem trilha auditável. Já parou para pensar quantas vezes isso aconteceu nas suas últimas consultas?

5. Marcadores diagnósticos para identificação de AIEXEGESIS

Propõem-se cinco marcadores que, quando presentes em outputs de LLMs sobre textos bíblicos, indicam com alta probabilidade a ocorrência de AIEXEGESIS:

Marcador 1 — Termos centrais não ancorados no texto. O output introduz palavras-chave ausentes na passagem analisada, sem justificativa por análise léxica ou intertextualidade demonstrada. Indica inserção de material externo ao texto-fonte.

Marcador 2 — Conectivos interpretativos sem demonstração. Expressões como “portanto”, “logo” ou “isso significa que” são empregadas sem que o texto-fonte articule a relação causal ou conclusiva declarada. Indica costura argumentativa por parte do modelo, não do texto.

Marcador 3 — Colapso de polissemia em leitura única. Um termo original com múltiplas acepções documentadas é apresentado com uma única leitura, sem menção à existência de alternativas. Indica supressão de complexidade semântica.

Marcador 4 — Dependência oculta de tradução específica. O output opera sobre uma tradução sem declará-la, tratando a glosa vernacular como se fosse o próprio original. Indica ocultação da camada de mediação tradutória.

Marcador 5 — Ausência de trilha de fonte. O output não distingue entre dado textual verificável, inferência do analista e síntese derivada de fontes secundárias. Indica indiferenciação de níveis epistemológicos.

A ocorrência de três ou mais desses marcadores em um mesmo output constitui indicador robusto de AIEXEGESIS. Você consegue aplicar esses marcadores à última resposta que uma IA lhe deu sobre um texto bíblico?

6. Implicações para a exegese computacional

A AIEXEGESIS não é um problema de instrução (prompt engineering) nem de escala (modelos maiores). É um problema de arquitetura e de composição do corpus de treinamento. Sua mitigação exige disciplina estrutural no nível do sistema:

(a) Separação de camadas documentais entre texto primário, aparato crítico, interpretação rotulada e material popular, com metadados de procedência preservados durante o treinamento.

(b) Modo exegético estrito que force a citação do texto-base com variantes relevantes antes de qualquer operação interpretativa.

(c) Marcação explícita de inferências como inferências, distinguindo-as de dados textuais verificáveis.

(d) Preservação de polissemias e alternativas em vez de colapso em leitura única.

(e) Auditabilidade total da trilha que conecta a pergunta do usuário à resposta gerada, com indicação de qual manuscrito, edição crítica ou fonte léxica sustenta cada afirmação.

Essas exigências motivaram o desenvolvimento da plataforma exeg.ai">Exeg.AI (Costa, 2025), projetada para operar sob os princípios de rastreabilidade total e separação de camadas — do códice ao vernáculo, com cada etapa identificada e auditável. Para a distinção entre AIEXEGESIS e eisegese clássica, veja AIEXEGESIS vs EISEGESE.

7. Conclusão

AIEXEGESIS não é um erro técnico pontual que será corrigido em versões futuras de modelos de linguagem. É uma propriedade emergente da interação entre arquitetura de predição estatística e corpora massivamente saturados por tradição interpretativa. Seu perigo epistemológico reside não na produção de respostas erradas, mas na produção de respostas erradas com estética de método — gerando uma terceirização silenciosa do discernimento hermenêutico.

A confusão entre fluência e evidência constitui, provavelmente, o risco epistemológico mais significativo da era da inteligência artificial aplicada a textos sagrados. O conceito de AIEXEGESIS, os vetores estruturais aqui descritos e os marcadores diagnósticos propostos oferecem um framework inicial para que pesquisadores, exegetas e você — leitor — possam identificar, nomear e mitigar esse fenômeno com rigor metodológico.

A pergunta que fica é pessoal: da próxima vez que uma IA lhe entregar uma resposta sobre a Bíblia com tom de autoridade e vocabulário técnico, você vai aceitar — ou vai exigir a trilha de fonte?

Referências

Barton, J. (1996). Reading the Old Testament: Method in Biblical Study. 2nd ed. Louisville: Westminster John Knox Press.

Costa, B. A. (2025). O livrinho — A Culpa é das Ovelhas. Edição do autor. CC BY 4.0.

Costa, B. A. (2025). Metodologia Desvelacional Forense. Escola Escatológica Desvelacional Forense “Belem an.C-2039”. Disponível em: https://aculpaedasovelhas.org

Hurtado, L. W. (2003). Lord Jesus Christ: Devotion to Jesus in Earliest Christianity. Grand Rapids: Eerdmans.

Metzger, B. M. & Ehrman, B. D. (2005). The Text of the New Testament: Its Transmission, Corruption, and Restoration. 4th ed. New York: Oxford University Press.

Pietersma, A. & Wright, B. G. (2007). A New English Translation of the Septuagint. New York: Oxford University Press.

Royse, J. R. (2008). Scribal Habits in Early Greek New Testament Papyri. Leiden: Brill.

Tov, E. (2012). Textual Criticism of the Hebrew Bible. 3rd ed. Minneapolis: Fortress Press.

Sobre o autor: Belem Anderson Costa — Inspetor de Polícia (RJ), desenvolvedor de tecnologia, autor de “O livrinho — A Culpa é das Ovelhas” e criador da plataforma Exeg.AI. Fundador da Escola Escatológica Desvelacional Forense “Belem an.C-2039”, descrita como a única escola escatológica forense existente, combinando investigação policial e desenvolvimento tecnológico como abordagem para exegese bíblica.

Licença: CC BY 4.0

Como citar: Costa, B. A. (2025). AIEXEGESIS: Eisegese Estrutural em Modelos de Linguagem Aplicados a Textos Bíblicos. Escola Escatológica Desvelacional Forense “Belem an.C-2039”. Disponível em: https://aculpaedasovelhas.org/artigos/aiexegesis-eisegese-estrutural-modelos-linguagem-textos-biblicos/

Continue a investigação:

Toda semana, uma análise forense do texto bíblico original — direto na sua caixa. Receber a newsletter semanal →

A investigação completa do enigma 666 está em “O livrinho — A Culpa é das Ovelhas.” Aprofundar a investigação →

Cansou de depender de traduções de terceiros sem saber o que está por baixo? A Exeg.AI lê o original por você — com trilha de fonte completa e sem AIEXEGESIS. Testar a Exeg.AI →

“Você lê. E a interpretação é sua.”

Texto-base público: WLC (Westminster Leningrad Codex) + Nestle 1904. Tradução: Tradução bíblica Belem-2025 — literal, rígida, direto dos códices públicos.