GUIDA QUANTITATIVA ALL'AI ACT. Perché la valutazione d'impatto sui diritti fondamentali (FRIA) è un problema di Data Science.

Compliance with the European Artificial Intelligence Act (Regulation (EU) 2024/1689, as amended by Regulation (EU) 2026/1744) is often treated as a documentary exercise entrusted to legal experts. This paper argues that, for systems built on statistical learning, the Fundamental Rights Impact Assessment (FRIA) required by Article 27, together with the provider's risk-management and post-market monitoring duties, cannot be carried out credibly without reproducible quantitative evidence. We formalise the main group-fairness criteria (independence, separation, sufficiency) and recall the impossibility results that constrain them; we discuss attribution methods (SHAP, LIME) as aids to human oversight rather than causal explanations; and we specify drift-detection procedures (Kolmogorov–Smirnov, Kullback–Leibler, Population Stability Index) with their statistical assumptions. A cross-mapping between quantitative tools and AI Act requirements, a human-oversight checklist, a taxonomy of assessment roles and a scalability matrix for SMEs and public administrations are proposed. Two simulated case studies (CV screening; welfare-fraud detection) show how statistical signals should be estimated with their uncertainty and kept distinct from the legal qualification of discrimination. The analysis also covers the Italian framework (Law No. 132/2025; Legislative Decrees No. 160/2026 and No. 179/2026) and the revised application timeline, and outlines the profile of the Quantitative AI Auditor. La conformità al Regolamento europeo sull'intelligenza artificiale viene spesso ridotta a un adempimento documentale affidato ai giuristi. Il contributo sostiene che, per i sistemi basati sull'apprendimento statistico, la valutazione d'impatto sui diritti fondamentali (FRIA) prevista dall'articolo 27, insieme alla gestione del rischio e al monitoraggio successivo all'immissione sul mercato, richiede evidenze quantitative riproducibili. Si formalizzano i principali criteri di equità di gruppo e i teoremi di incompatibilità che li vincolano, si discutono i metodi di attribuzione (SHAP, LIME) come supporto alla sorveglianza umana e si specificano le procedure di rilevazione del drift con le relative ipotesi statistiche. Vengono proposti una matrice di corrispondenza tra strumenti quantitativi e requisiti normativi, una checklist per la sorveglianza umana, una tassonomia dei ruoli di valutazione e una matrice di scalabilità per PMI e pubbliche amministrazioni. Due casi studio simulati mostrano come stimare i segnali statistici con la loro incertezza, tenendoli distinti dalla qualificazione giuridica della discriminazione. L'analisi tiene conto del quadro italiano (legge n. 132/2025, d.lgs. n. 160/2026 e n. 179/2026) e del calendario di applicazione modificato dal regolamento (UE) 2026/1744.