Texto base público: WLC + Nestle 1904. Traducción: Traducción bíblica Belem-2025.

¿Confía en la respuesta que la IA le entrega cuando pregunta sobre la Biblia? ¿Confía de verdad — sin verificar si consultó el códice o simplemente regurgitó dos mil años de tradición eclesiástica con barniz académico?

Si confía, este artículo le resultará incómodo. Y si no confía — comprenderá por qué.

¿Qué sucede cuando pregunta a un modelo de lenguaje sobre Desvelación 13:18 y él responde “666 es el número de la Bestia” sin mencionar que el Papiro 115 registra la variante 616? ¿Qué sucede cuando la IA colapsa κύριος en “Señor” sin informar que ese término griego sustituye al menos tres referentes distintos en el texto original — como demuestra el análisis del kyrios/">Problema Kyrios? ¿Qué sucede cuando la fluidez de la respuesta enmascara la ausencia total de una cadena auditable hasta el manuscrito?

Sucede AIEXEGESIS. Y este artículo es el primero en nombrar, diagnosticar y proponer marcadores para identificar ese fenómeno.

Publicación académica. Versión formal del artículo original AIEXEGESIS: A IA Que Lê a Bíblia Por Você Está Mentindo, preparada para su presentación en Academia.edu y revisión por pares. Versión en inglés disponible en AIEXEGESIS: Structural Eisegesis in LLMs Applied to Biblical Texts.

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

Resumen

Este artículo introduce el concepto de AIEXEGESIS — eisegesis automatizada y estructural producida por modelos de lenguaje (LLMs) cuando se aplican a textos bíblicos. A diferencia de errores puntuales o alucinaciones factuales, la AIEXEGESIS constituye un fenómeno sistémico derivado de cuatro vectores arquitectónicos: (1) ausencia de jerarquía entre fuentes en el corpus de entrenamiento, (2) priorización por frecuencia cultural, (3) colapso entre paráfrasis y literalidad, y (4) presión sistémica hacia la completitud narrativa. El trabajo demuestra que estos vectores convergen para producir una sustitución epistemológica en la que el texto bíblico deja de funcionar como fuente primaria y pasa a funcionar como disparador para la recuperación del consenso eclesiástico, revestido con la estética del método exegético. Se proponen cinco marcadores diagnósticos para la identificación de AIEXEGESIS en outputs de LLMs y se discuten las implicaciones para la exégesis computacional, la hermenéutica digital y la literacidad bíblica en la era de la inteligencia artificial.

Palabras clave: AIEXEGESIS, eisegesis automatizada, modelos de lenguaje, exégesis bíblica, hermenéutica digital, sesgo de corpus, trazabilidad textual, literacidad bíblica computacional

1. Introducción

La creciente adopción de modelos de lenguaje de gran escala (LLMs) como instrumentos de consulta textual plantea cuestiones metodológicas específicas cuando el dominio de aplicación involucra textos antiguos, traducidos e históricamente saturados por tradición interpretativa. El dominio bíblico constituye, en ese sentido, un caso extremo: ningún otro corpus textual en internet presenta una asimetría tan pronunciada entre material primario (códices, aparatos críticos, léxicos filológicos) y material secundario-terciario (sermones, devocionales, apologética popular, paráfrasis catequéticas).

La presente investigación propone el término AIEXEGESIS (del inglés AI + exegesis) para designar la forma sistémica y estructural de eisegesis producida por modelos de lenguaje cuando se aplican a textos bíblicos. No se trata de un error puntual, de una alucinación factual ni de una limitación de prompt — se trata de un fenómeno emergente de la propia arquitectura de entrenamiento, que opera de forma invisible y produce outputs con apariencia de rigor exegético sin correspondencia demostrable con el texto-fuente.

El concepto fue desarrollado en el marco de la Escuela Escatológica Desvelacional Forense “Belem an.C-2039” (Costa, 2025), cuya metodología opera bajo los principios de literalidad rígida, trazabilidad total y rechazo integral de la tradición eclesiástica como fuente de autoridad interpretativa.

2. Definiciones operacionales

Para los fines de este trabajo, se adoptan las siguientes definiciones:

Exégesis (ἐξήγησις, exēgēsis): procedimiento de extracción de sentido a partir del texto-fuente, con análisis gramatical, sintáctico, léxico y contextual, produciendo una cadena auditable que permita la verificación independiente de cada etapa inferencial.

Eisegesis (εἰσήγησις, eisēgēsis): procedimiento inverso, en el cual una idea externa al texto se inserta en el acto interpretativo y se presenta como si derivara del propio texto, sin demostración a partir de la fuente primaria.

AIEXEGESIS: eisegesis automatizada, estructural y sistémica, producida por modelos de lenguaje como consecuencia de la arquitectura de entrenamiento y las propiedades estadísticas del corpus, sin intencionalidad ni agencia interpretativa por parte del modelo. Se caracteriza por la producción de outputs con estética de exégesis (vocabulario técnico, conectivos argumentativos, estructura analítica) sin correspondencia verificable con el texto-fuente.

Sustitución epistemológica: mecanismo por el cual el texto bíblico deja de funcionar como fuente primaria de análisis y pasa a funcionar como disparador para la recuperación del consenso cultural almacenado en el corpus de entrenamiento, sin que dicha sustitución sea declarada al usuario.

3. Los cuatro vectores estructurales de la AIEXEGESIS

3.1 Ausencia de jerarquía entre fuentes

En el proceso de entrenamiento de LLMs, textos bíblicos en lenguas originales (hebreo, arameo, griego koiné), aparatos críticos, comentarios filológicos de primer nivel, glosas medievales, sermones contemporáneos, posts devocionales y apologética popular ingresan al corpus sin ningún metadato que indique el estatuto epistemológico de cada fuente. Para el modelo, una paráfrasis devocional de tercera generación porta el mismo peso estadístico que el Códice Sinaítico (siglo IV). En la práctica, las glosas tardías se comportan como “evidencia textual” por fuerza de frecuencia, no de procedencia.

Esta ausencia de jerarquía contrasta frontalmente con el principio filológico de cadena de custodia textual, según el cual toda afirmación sobre el texto debe ser trazable hasta un testimonio manuscrito datable y verificable (Tov, 2012; Metzger & Ehrman, 2005).

3.2 Priorización por frecuencia cultural

En dominios donde la tradición interpretativa es cuantitativamente dominante — y el dominio bíblico en internet es el caso más extremo —, el mecanismo de predicción estadística de los LLMs estabiliza la lectura mayoritaria como output por defecto, sin mencionar disputas académicas, variantes textuales o lecturas alternativas. El modelo no “elige” la tradición; la reproduce porque constituye el patrón estadísticamente más probable en el espacio latente.

Este vector es particularmente crítico en pasajes donde existen variantes textuales significativas. El caso de Desvelación 13:18, donde el número 666 (ἑξακόσιοι ἑξήκοντα ἕξ, hexakosioi hexekonta hex) coexiste con la variante 616 (ἑξακόσιοι δέκα ἕξ, hexakosioi deka hex) atestiguada en el Papiro 115 y el Códice C, ejemplifica el problema: los LLMs presentan consistentemente 666 como lectura unívoca, sin siquiera mencionar la existencia de la variante 616 ni el debate textual asociado (Royse, 2008).

3.3 Colapso entre paráfrasis y literalidad

A lo largo del entrenamiento, el modelo internaliza equivalencias entre términos originales y sus glosas tradicionales como si fueran identidades semánticas. Traducciones específicas son tratadas como “lo que dice el original” sin que la capa de mediación traductora sea declarada. El término κύριος (kyrios), por ejemplo, es sistemáticamente colapsado en “Señor” sin informar que ese mismo vocablo griego sustituye, en la Septuaginta, al menos tres referentes distintos: yhwh (el tetragrama), Adonai (título de señorío) y ocurrencias de kyrios como pronombre de tratamiento social — cada uno con implicaciones teológicas y textuales radicalmente diferentes (Hurtado, 2003; Pietersma & Wright, 2007).

Para un análisis forense detallado de ese problema específico, véase El Problema Kyrios.

3.4 Presión sistémica hacia la completitud narrativa

Los modelos de lenguaje son optimizados mediante RLHF (Reinforcement Learning from Human Feedback) para la fluidez, la completitud y el cierre argumentativo. Producir una respuesta que declare “no sé”, “depende del manuscrito consultado” o “existen al menos tres lecturas posibles aquí” resulta en evaluaciones humanas inferiores a las asignadas a respuestas completas y asertivas. Sin embargo, la práctica exegética rigurosa exige precisamente eso con frecuencia: calificar, enumerar alternativas y suspender conclusiones (Barton, 1996).

El resultado es que la arquitectura de recompensa del modelo incentiva precisamente el comportamiento que la exégesis prohíbe: cierre prematuro, supresión de alternativas y presentación de inferencias como datos.

4. El mecanismo de sustitución epistemológica

Los cuatro vectores descritos en la sección anterior convergen para producir un mecanismo tripartito de sustitución:

Etapa 1 — Anclaje superficial. Se proporciona un versículo, un término original o una pregunta sobre una pasaje. El modelo reconoce el input como disparador temático asociado a un clúster de distribución en el espacio latente.

Etapa 2 — Recuperación del consenso cultural. En lugar de operar analíticamente sobre el texto-fuente referenciado, el modelo recupera implícitamente el paquete interpretativo mayoritario asociado a ese disparador — la tradición, la armonización estándar, la lectura eclesiásticamente estabilizada que existe en volumen masivo en el corpus.

Etapa 3 — Revestimiento con estética de método. El output se formatea con vocabulario técnico (términos griegos, hebreos, referencias al “contexto original”), conectivos interpretativos (“por tanto”, “luego”, “lo que esto significa es que”) y estructura argumentativa que mimetiza el formato del análisis exegético académico.

El resultado es que el texto bíblico sufre una degradación funcional: deja de operar como fuente y pasa a operar como mero disparador. Usted preguntó qué dice el texto; recibió lo que la tradición dice sobre el texto — sin aviso, sin etiqueta y sin cadena auditable. ¿Cuántas veces ha ocurrido esto en sus últimas consultas?

5. Marcadores diagnósticos para la identificación de AIEXEGESIS

Se proponen cinco marcadores que, cuando están presentes en outputs de LLMs sobre textos bíblicos, indican con alta probabilidad la ocurrencia de AIEXEGESIS:

Marcador 1 — Términos centrales no anclados en el texto. El output introduce palabras clave ausentes en la pasaje analizada, sin justificación mediante análisis léxico o intertextualidad demostrada. Indica inserción de material externo al texto-fuente.

Marcador 2 — Conectivos interpretativos sin demostración. Expresiones como “por tanto”, “luego” o “esto significa que” se emplean sin que el texto-fuente articule la relación causal o conclusiva declarada. Indica costura argumentativa por parte del modelo, no del texto.

Marcador 3 — Colapso de polisemia en lectura única. Un término original con múltiples acepciones documentadas se presenta con una única lectura, sin mención de la existencia de alternativas. Indica supresión de complejidad semántica.

Marcador 4 — Dependencia oculta de una traducción específica. El output opera sobre una traducción sin declararla, tratando la glosa vernácula como si fuera el propio original. Indica ocultamiento de la capa de mediación traductora.

Marcador 5 — Ausencia de cadena de fuente. El output no distingue entre dato textual verificable, inferencia del analista y síntesis derivada de fuentes secundarias. Indica indiferenciación de niveles epistemológicos.

La ocurrencia de tres o más de estos marcadores en un mismo output constituye un indicador robusto de AIEXEGESIS. ¿Puede aplicar estos marcadores a la última respuesta que una IA le dio sobre un texto bíblico?

6. Implicaciones para la exégesis computacional

La AIEXEGESIS no es un problema de instrucción (prompt engineering) ni de escala (modelos más grandes). Es un problema de arquitectura y de composición del corpus de entrenamiento. Su mitigación exige disciplina estructural a nivel del sistema:

(a) Separación de capas documentales entre texto primario, aparato crítico, interpretación etiquetada y material popular, con metadatos de procedencia preservados durante el entrenamiento.

(b) Modo exegético estricto que obligue a la citación del texto-base con variantes relevantes antes de cualquier operación interpretativa.

(c) Marcación explícita de inferencias como inferencias, distinguiéndolas de datos textuales verificables.

(d) Preservación de polisemias y alternativas en lugar de colapso en lectura única.

(e) Auditabilidad total de la cadena que conecta la pregunta del usuario con la respuesta generada, con indicación de qué manuscrito, edición crítica o fuente léxica sustenta cada afirmación.

Estas exigencias motivaron el desarrollo de la plataforma exeg.ai">Exeg.AI (Costa, 2025), diseñada para operar bajo los principios de trazabilidad total y separación de capas — del códice al vernáculo, con cada etapa identificada y auditable. Para la distinción entre AIEXEGESIS y eisegesis clásica, véase eisegese/">AIEXEGESIS vs EISEGESE.

7. Conclusión

AIEXEGESIS no es un error técnico puntual que será corregido en versiones futuras de modelos de lenguaje. Es una propiedad emergente de la interacción entre arquitectura de predicción estadística y corpora masivamente saturados por tradición interpretativa. Su peligro epistemológico reside no en la producción de respuestas incorrectas, sino en la producción de respuestas incorrectas con estética de método — generando una tercerización silenciosa del discernimiento hermenéutico.

La confusión entre fluidez y evidencia constituye, probablemente, el riesgo epistemológico más significativo de la era de la inteligencia artificial aplicada a textos sagrados. El concepto de AIEXEGESIS, los vectores estructurales aquí descritos y los marcadores diagnósticos propuestos ofrecen un marco inicial para que investigadores, exegetas y usted — lector — puedan identificar, nombrar y mitigar ese fenómeno con rigor metodológico.

La pregunta que queda es personal: la próxima vez que una IA le entregue una respuesta sobre la Biblia con tono de autoridad y vocabulario técnico, ¿la aceptará — o exigirá la cadena de fuente?

Referencias

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

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

Costa, B. A. (2025). Metodología Desvelacional Forense. Escuela Escatológica Desvelacional Forense “Belem an.C-2039”. Disponible en: 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. 4.ª 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. 3.ª ed. Minneapolis: Fortress Press.

Sobre el autor: Belem Anderson Costa — Inspector de Policía (RJ), desarrollador de tecnología, autor de “O livrinho — A Culpa é das Ovelhas” y creador de la plataforma Exeg.AI. Fundador de la Escuela Escatológica Desvelacional Forense “Belem an.C-2039”, descrita como la única escuela escatológica forense existente, que combina investigación policial y desarrollo tecnológico como enfoque para la exégesis bíblica.

Licencia: CC BY 4.0

Cómo citar: Costa, B. A. (2025). AIEXEGESIS: Eisegesis Estructural en Modelos de Lenguaje Aplicados a Textos Bíblicos. Escuela Escatológica Desvelacional Forense “Belem an.C-2039”. Disponible en: https://aculpaedasovelhas.org/artigos/aiexegesis-eisegese-estrutural-modelos-linguagem-textos-biblicos/

Continúe la investigación:

Cada semana, un análisis forense del texto bíblico original — directo a su bandeja de entrada. Recibir la newsletter semanal →

La investigación completa del enigma 666 está en “O livrinho — A Culpa é das Ovelhas.” Profundizar la investigación →

¿Cansado de depender de traducciones de terceros sin saber qué hay debajo? La Exeg.AI lee el original por usted — con cadena de fuente completa y sin AIEXEGESIS. Probar Exeg.AI →

“Usted lee. Y la interpretación es suya.”

Texto base público: WLC (Westminster Leningrad Codex) + Nestle 1904. Traducción: Traducción bíblica Belem-2025 — literal, rígida, directamente de los códices públicos.