Comparatif critique : modules OSINT via LLM (témoin SpiderFoot)

ÉTUDE (demande opérateur) : 4 familles d'architecture LLM-OSINT comparées avec SpiderFoot comme témoin — (A) post-traitement : SpiderFoot ORIGINAAL (sfp openai : issue #1730 ouverte depuis 2022 JAMAIS implémentée — la collecte doit rester reproductible) ; (B) structuré : fork « Mirage » v6 (LiteLLM :4000 + 12 schemas Pydantic + 7 agents sur bus Redis :8100) : le pattern gagnant = LLM SORTIES TYPÉES sur bus d'événements, collecte déterministe — c'est le benchmark ; (C) orchestrateur agent/MCP (OhSINT 73 outils, OpenOSINT 21 outils Claude/Ollama) : flexibilité max MAIS injection indirecte via outils web jusqu'à 72 % de réussite sur les pires modèles (arXiv 2510.09093, 28 modèles testés) ; (D) déterministe (Recon-ng, notre socle). CRITIQUE : « hallucination-validation gap » (1 seule mesure empirique dans 74 études — arXiv 2607.03233) ; chaîne de conservation incompatible au non-déterministe (osint.uk) ; OPSEC : une gateway LLM exporte des éléments de dossier hors VPS ; RAM : 23 containers (Mirage) vs pur-python (nous). VERDICT : collecte jamais LLM, corrélation = règles + graphe, synthèse = LLM typé opt-in (notre analyste = ce pattern, coûts tracés), jamais un LMM en preuve sans revue humaine — le garde-fou anti-injection du hub est le prérequis de tout module C. Document : docs/etude-osint-llm-comparatif.md + connaissance hub (provisional).