---
title: "The Knowledge Architecture: l'infrastruttura che abilita agenti AI efficaci e affidabili"
description: Perché costruire un Knowledge Graph aziendale non è più un esercizio di stile o una pratica accademica, ma una necessità strutturale nell'era degli agenti AI
image: https://newsroom.kireygroup.com/hubfs/Data_Governanc_V2.jpg
---

[kireygroup.com](https://www.kireygroup.com/)

[![](https://newsroom.kireygroup.com/hubfs/item-2020-dicembre/logo-Blog-v2.svg)](https://newsroom.kireygroup.com/news)

- Ita
- [Eng](https://newsroom.kireygroup.com/en/news/the-knowledge-architecture-the-infrastructure-enabling-effective-and-reliable-ai-agents?hsLang=en)
- [Esp](https://newsroom.kireygroup.com/es/news/the-knowledge-architecture-la-infraestructura-que-hace-posibles-agentes-de-ia-eficaces-y-confiables?hsLang=es)

[Kireygroup.com](https://www.kireygroup.com/)

# Get your daily dose of tech!

## We Shape Your Knowledge

# [Previdenza complementare: dalla compliance alla competitività, la sfida dei fondi passa per servizi digitali e tecnologie modulari](https://newsroom.kireygroup.com/news/previdenza-complementare-la-sfida-dei-fondi-passa-per-servizi-digitali-e-tecnologie-modulari?hsLang=it)

A cura di Michela Sertorio, Business Line Manager BU Pension Funds di Kirey.

[Leggi tutto](https://newsroom.kireygroup.com/news/previdenza-complementare-la-sfida-dei-fondi-passa-per-servizi-digitali-e-tecnologie-modulari?hsLang=it)

 9 MIN READ

26 ottobre 2026

### Latest News

- [Previdenza complementare: dalla compliance alla competitività, la sfida dei fondi passa per servizi digitali e tecnologie modulari](https://newsroom.kireygroup.com/news/previdenza-complementare-la-sfida-dei-fondi-passa-per-servizi-digitali-e-tecnologie-modulari?hsLang=it)
- [Inference cost: come impedire agli agenti AI di aumentare esponenzialmente i costi](https://newsroom.kireygroup.com/news/inference-cost-come-impedire-agli-agenti-ai-di-aumentare-esponenzialmente-i-costi?hsLang=it)
- [Kirey Advisory al workshop ABI Lab su Processi, Operations e Organizzazione](https://newsroom.kireygroup.com/news/kirey-advisory-al-workshop-abi-lab-su-processi-operations-e-organizzazione?hsLang=it)
- [Kirey amplia il presidio SAP: Mind The Value ottiene lo status di reselling partner](https://newsroom.kireygroup.com/news/kirey-amplia-il-presidio-sap-mind-the-value-ottiene-lo-status-di-reselling-partner?hsLang=it)
- [Il lato oscuro del multicloud: come evitare che il workload placement generi debito tecnico](https://newsroom.kireygroup.com/news/il-lato-oscuro-del-multicloud-come-evitare-che-il-workload-placement-generi-debito-tecnico?hsLang=it)
- [Shadow AI: 4 dipendenti su 5 usano strumenti non governati dall’azienda](https://newsroom.kireygroup.com/news/shadow-ai-4-dipendenti-su-5-usano-strumenti-non-governati-dall-azienda?hsLang=it)

- [Advisory](https://newsroom.kireygroup.com/news/tag/advisory) /

# The Knowledge Architecture: l'infrastruttura che abilita agenti AI efficaci e affidabili

#### Kirey Advisory

[![](https://newsroom.kireygroup.com/hubfs/en.svg)](https://newsroom.kireygroup.com/en/news/the-knowledge-architecture-the-infrastructure-enabling-effective-and-reliable-ai-agents?hsLang=en)    [![](https://newsroom.kireygroup.com/hubfs/ES.svg)](https://newsroom.kireygroup.com/es/news/the-knowledge-architecture-la-infraestructura-que-hace-posibles-agentes-de-ia-eficaces-y-confiables?hsLang=es)

 27 MIN READ

20 maggio 2026

- Share on:
- <https://www.facebook.com/sharer/sharer.php?u=https%3A%2F%2Fnewsroom.kireygroup.com%2Fnews%2Fthe-knowledge-architecture-l-infrastruttura-che-abilita-agenti-ai-efficaci-e-affidabili>
- <https://www.twitter.com/share?url=https%3A%2F%2Fnewsroom.kireygroup.com%2Fnews%2Fthe-knowledge-architecture-l-infrastruttura-che-abilita-agenti-ai-efficaci-e-affidabili>
- <http://www.linkedin.com/shareArticle?mini=true&url=https://newsroom.kireygroup.com/news/the-knowledge-architecture-l-infrastruttura-che-abilita-agenti-ai-efficaci-e-affidabili>

- [All](https://newsroom.kireygroup.com/news)
- Categories + 
    - [Corporate](https://newsroom.kireygroup.com/news/tag/corporate)
    - [Cybersecurity](https://newsroom.kireygroup.com/news/tag/cybersecurity)
    - [Cloud](https://newsroom.kireygroup.com/news/tag/cloud)
    - [Data Value](https://newsroom.kireygroup.com/news/tag/data-value)
    - [Innovation](https://newsroom.kireygroup.com/news/tag/innovation)
    - [Sviluppo Software](https://newsroom.kireygroup.com/news/tag/sviluppo-software)
    - [Intelligenza Artificiale](https://newsroom.kireygroup.com/news/tag/intelligenza-artificiale)
    - [Corporate Social Responsibility](https://newsroom.kireygroup.com/news/tag/corporate-social-responsibility)
    - [Welfare & Previdenza](https://newsroom.kireygroup.com/news/tag/welfare-previdenza)
    - [Advisory](https://newsroom.kireygroup.com/news/tag/advisory)
- [Press & PR](https://newsroom.kireygroup.com/news/tag/press)

Le aziende generano e accumulano dati da decenni su sistemi quali ERP, CRM, fogli Excel, Data Warehouse, log applicativi, e-mail, documenti e file dai formati più disparati. È un patrimonio enorme, distribuito, più o meno accessibile, a volte ridondante. Eppure, se chiedessimo a un analista, a un manager o a un nuovo dipendente qual è il significato di *margine operativo* per l’azienda e come si calcola, otterremmo risposte dubbiose, forse discordanti. Perché, e come risolvere?

**Key Points**

- Senza un’architettura della conoscenza condivisa, gli agenti AI **non possono interpretare correttamente il significato dei dati aziendali**: serve un layer semantico esplicito e governato, capace di trasformare informazioni frammentate in conoscenza affidabile.
- La Knowledge Architecture si costruisce attraverso un percorso evolutivo composto da **diversi livelli progressiv**i: si parte dal Conceptual Data Model fino ad arrivare a Knowledge Graph e Semantic Layer. Ogni fase produce asset informativi strutturati che alimentano quella successiva.
- La governance della Knowledge Architecture è una **necessità architetturale,** perché gli agenti AI basano decisioni e azioni su ciò che comprendono dal layer semantico: definizioni obsolete, relazioni errate o controlli insufficienti rischiano di propagare errori lungo workflow e processi interconnessi.

## **Un problema diffuso: la mancanza di linguaggio comune e comprensione univoca dei dati aziendali**

Il problema appena descritto è noto, ma con l'avvento degli agenti AI, sistemi autonomi che leggono, interrogano, ragionano sui dati aziendali e a volte decidono e agiscono, il problema diventa critico. Il motivo è che un agente AI non riesce facilmente a “intuire dal contesto" cosa intende l'azienda per *cliente attivo*, *prodotto finito* o *ricavo netto*. Ha bisogno di un contratto semantico esplicito, formale e navigabile. **Ha bisogno di un'architettura della conoscenza.**

![Designer-1](https://newsroom.kireygroup.com/hs-fs/hubfs/Designer-1.png?width=550&height=331&name=Designer-1.png)

## Knowledge Architecture: quattro concetti, una sola catena

Prima di approfondire la costruzione di questa *Knowledge Architecture* occorre comprendere bene quattro espressioni diverse che spesso vengono usate impropriamente o in sovrapposizione: Conceptual Data Model, Ontologia, Knowledge Graph e Semantic Layer. Non sono sinonimi, ma strati diversi di un'unica architettura, ognuno con un ruolo ben preciso.

### Conceptual Data Model, la rappresentazione del mondo aziendale (Layer 1)

Il Conceptual Data Model (CDM) è il punto di partenza della Knowledge Architecture. È una rappresentazione concettuale del contesto di business, agnostica rispetto a qualsiasi tecnologia di creazione, acquisizione o gestione dei dati. Serve a **rappresentare le entità più rilevanti per il business** (esempio: cliente, prodotto, fornitore, ordine di vendita, fattura, registrazione contabile, dipendente, ecc.) e come si relazionano tra loro (esempio: un cliente *effettua* ordini, un ordine *contiene* prodotti). In alcuni contesti, se il CDM non fosse troppo complesso o quando lo si ritiene utile, si potrebbe riportare in ogni entità i principali attributi che la caratterizzano, oppure arricchirlo di informazioni quali ad esempio: definizione dell’entità, ente *owner* della definizione, dominio di business, ecc.

Nel CDM non si parla di sistemi informativi, tabelle, database, API, ecc; **il CDM serve a rappresentare il business così come lo concepisce l'azienda**. È scritto in linguaggio naturale, spesso rappresentato con diagrammi ER o UML, deve essere comprensibile tanto dal CTO quanto dal responsabile commerciale o dall’impiegato di contabilità. La sua funzione nell'architettura della conoscenza è fondamentale: fornisce la “materia prima” concettuale da cui si forgeranno le strutture formali dei livelli superiori.

### Ontologia: dal modello concettuale alla conoscenza strutturata (Layer 2)

Il layer ontologico è il livello in cui il modello concettuale (CDM) viene tradotto in una struttura dati processabile dal sistema. Se una descrizione concettuale nel CDM dice che "*un cliente può essere persona fisica o persona giuridica*", l'ontologia lo formalizza come una gerarchia di classi, con assiomi logici precisi: PersonaFisica ⊑ Cliente, PersonaGiuridica ⊑ Cliente, questi due sottoinsiemi sono disgiunti.

Il linguaggio standard per la definizione di ontologie è OWL (*Web Ontology Language*), evoluzione del linguaggio RDFS (Resource Description Framework Schema). Questi formalismi non sono dettagli tecnici: **sono necessari per abilitare un’automazione del *ragionamento*.** Per fare un esempio: un motore di inferenza può dedurre, a partire dagli assiomi dell'ontologia, che un soggetto mai classificato esplicitamente come cliente, ma che ha effettuato un ordine, è implicitamente un cliente. **È un salto enorme rispetto a un semplice schema di database,** che conosce solo ciò che è stato esplicitamente inserito.

Nel contesto della Knowledge Architecture, **l'ontologia formalizza e arricchisce il framework concettuale del CDM**: non solo vengono definite le entità e le loro relazioni nel contesto di business specifico, ma vengono stabilite le regole e i vincoli che governano come i dati si connettono tra loro.

### Il Knowledge Graph: il modello prende vita con i dati reali (Layer 3)

Un *Knowledge Graph* è un modello di dati semantico che organizza le informazioni in entità interconnesse (nodi) e nelle loro relazioni (archi), creando **una rete strutturata comprensibile sia dagli esseri umani che dalle macchine**. Mentre i database tradizionali memorizzano i dati in tabelle “rigide” (gli attributi di ogni record esistono sempre, anche se non sono valorizzati), il *Knowledge Graph* **cattura solo le connessioni reali tra informazioni diverse.**

I Knowledge Graph sono composti da quattro componenti fondamentali:

- **nodi (entità),** che rappresentano gli "oggetti" del dominio (clienti, prodotti, transazioni, sedi, ecc);
- **archi (relazioni),** che definiscono come le entità si connettono tra loro;
- **etichette e proprietà**, che aggiungono ricchezza semantica sia ai nodi che alle relazioni;
- **ontologie**, che forniscono il framework concettuale di riferimento.

La struttura fondamentale di un Knowledge Graph è la “tripla semantica”: Soggetto, Predicato, Oggetto (esempio: *Prodotto\_00347 - haFornitore – Azienda\_Acme*). Nel Knowledge Graph, ogni dato diventa una relazione esplicita, navigabile in modalità multidimensionale, interrogabile con linguaggi come SPARQL. I Knowledge Graph si implementano su Graph Database come ad esempio: Neo4j, Stardog, TigerGraph, FalkorDB. A differenza delle implementazioni su database relazionale, non presuppongono uno schema fisso e rigido: si possono sempre aggiungere nuove relazioni senza dover ricostruire tabelle.

Con l’evoluzione dell’AI generativa e l’avvento dei cosiddetti “agenti”, i Knowledge Graph sono tornati in auge in quanto sono il mezzo con cui gli agenti AI possono ragionare sui dati aziendali: ogni nodo è un'istanza di un'entità, ogni arco è una relazione semanticamente tipizzata, ogni percorso è una sequenza di passi logici che l'agente può seguire e tracciare.

### Knowledge Graph vs. Graph Database: una distinzione importante

È comune confondere questi due concetti, ma è importante coglierne la differenza:

- Knowledge Graph è un modello semantico che cattura il significato di business e le relazioni, definendo cosa rappresentano i dati e come i diversi concetti si relazionano tra loro: **il “cosa” e il “perché” dell'architettura informativa.**
- Graph Database è invece la tecnologia infrastrutturale che memorizza e interroga i dati strutturati a grafo: **il "come" e il "dove" della gestione dei dati.**

Le implementazioni enterprise di maggior successo usano entrambi in combinazione: il Knowledge Graph definisce il layer semantico comprensibile agli utenti di business, mentre il Graph Database fornisce la tecnologia necessaria per permettere query veloci, analytics in tempo reale e applicazioni AI.

### Il Semantic Layer: l'interfaccia condivisa (Layer 4)

Il Semantic Layer è lo strato architetturale più vicino ai *data consumer*, siano essi analisti, dashboard BI o agenti AI. Non è un database, non è un'ontologia: è un *contratto semantico* che espone metriche calcolate, dimensioni di analisi, gerarchie e un glossario di business univoco. È uno strato che estende quello che in alcuni contesti e da alcuni vendor è stato chiamato *metrics layer*.

Il Semantic Layer colma un limite strutturale che il Knowledge Graph da solo non riesce a superare. Infatti, un Knowledge Graph eccelle nel modellare relazioni e significato contestuale: può mappare come un cliente è connesso a un prodotto, quel prodotto a un fornitore, quel fornitore a eventi di rischio a valle. Tuttavia, **non permette di definire KPI condivisi all’interno dell’organizzazione**, versionabili, calcolati con le medesime logiche di aggregazione tra i vari dipartimenti. Un Knowledge Graph non ha modo di assicurare che venga applicato il medesimo calcolo da due team diversi che nella stessa riunione devono presentare i ricavi. Ormai sappiamo per esperienza che **il problema raramente risiede nei dati: è un problema semantico.**

È qui che il Semantic Layer porta il suo contributo decisivo: **definisce metriche calcolate con formule univoche e versionabili**, definisce le dimensioni di analisi utilizzabili con ogni metrica, fornisce un glossario di business “operativo” comprensibile agli analisti. Il grafo mappa ciò che è correlato, il Semantic Layer descrive quali analisi quantitative si possono fare e cosa significano.

Per gli agenti AI, questo layer è il punto di ingresso preferenziale: quando i modelli LLM interrogano i dati attraverso un layer semantico, **la loro accuratezza aumenta in modo significativo.** Il contesto di business descritto nel Semantic Layer e le relazioni strutturate navigabili nel grafo prevengono le allucinazioni e le interpretazioni errate dell’AI che ormai conosciamo.

## Dal Conceptual Data Model al Knowledge Graph: il percorso pratico

La Knowledge Architecture non nasce da un salto improvviso: è una catena di trasformazioni incrementali che parte dal Conceptual Data Model e arriva fino al Knowledge Graph e al Semantic Layer, con input e output precisi a ogni passaggio.

### Concettualizzazione (Fase 1)

Si parte dagli stakeholder: interviste, workshop, analisi della documentazione esistente. L'obiettivo è **produrre un Conceptual Data Model condiviso che catturi le entità del dominio e le relazioni fondamentali.** Attenzione: il CDM deve emergere dal business, non dall'IT. Il rischio maggiore è costruire un modello che rispecchi la struttura dei sistemi esistenti piuttosto che le logiche e la conoscenza del dominio di business.

### Formalizzazione ontologica (Fase 2)

Il CDM viene tradotto in OWL. Le entità diventano classi, le relazioni diventano *object properties*, gli attributi diventano *data properties*. Si aggiungono assiomi quali: disgiunzioni, cardinalità, vincoli di dominio e codominio. Esistono strumenti come Protégé o funzionalità fornite dai tool di data modeling come Erwin Data Modeler che possono supportare in questa fase.

### Mappatura e ingestion (Fase 3)

I dati grezzi dei sistemi sorgente, tra cui tabelle ERP, entità CRM e file strutturati, devono essere mappati sulle classi e proprietà dell'ontologia tramite regole di trasformazione (spesso espresse in R2RML o in linguaggi proprietari degli strumenti ETL). Il risultato è un primo popolamento del Knowledge Graph con le istanze realmente esistenti nei sistemi informativi dell’organizzazione.

### Arricchimento e validazione (Fase 4)

Il Knowledge Graph non è mai completo alla prima iterazione. Serve arricchirlo con **relazioni derivate (inferite dall'ontologia), con dati da fonti esterne, con annotazioni generate da modelli linguistici** che leggono documenti non strutturati e comprendono informazioni aggiuntive. La validazione si fa con SHACL (Shapes Constraint Language): vanno definite le forme attese dei nodi e si verificano le violazioni di integrità riscontrate.

### Esposizione tramite Semantic Layer (Fase 5)

Sopra il Knowledge Graph si costruisce il Semantic Layer: formule delle metriche, termini di business e eventuali alias, politiche di accesso. Questo layer può essere interrogato in linguaggio naturale dagli agenti AI tramite RAG (Retrieval-Augmented Generation) o in modalità tool-use, con l'agente che costruisce query SPARQL o Cypher per interrogare il Knowledge Graph a partire da prompt in linguaggio naturale.

## Knowledge Architecture: perché ora più che mai

La domanda è legittima: perché questa architettura, esistente da decenni nel mondo del web semantico, diventa urgente proprio adesso nel contesto dei dati gestiti dalle organizzazioni?

La risposta è nell’avvento degli agenti AI e nell’opportunità di adottarli in *use case* aziendali per automatizzare task complessi, così da aumentare la produttività e tagliare costi operativi. Un Large Language Model, senza avere una conoscenza strutturata del contesto di business, può interrogare dati aziendali e funzionare come ottimo redattore, ma si rivela un pessimo analista: confabula, interpreta in modo inconsistente, commette errori di interpretazione “banali” per un umano. Al contrario, un agente AI dotato di accesso a un Knowledge Graph ben costruito, con un semantic layer che espone le definizioni operative e le metriche, è in grado di rispondere a domande complesse in modo affidabile, tracciabile e coerente con la realtà aziendale.

Il Knowledge Graph non è solo una fonte di dati per l'agente: è **il suo modello del mondo aziendale**. È ciò che permette di navigare tra entità correlate, di seguire catene causali, di rispettare le regole di business senza doverle riscrivere in ogni prompt.  È ciò che fa la differenza tra un agente che *impara qualcosa* in maniera limitata e un agente che comprende il contesto in cui muoversi.

## Governance della Knowledge Architecture: una componente imprescindibile

Con gli agenti AI che agiscono in modo autonomo sui dati aziendali, la governance del Knowledge Graph e del Semantic Layer smette di essere una best practice e diventa una necessità architetturale. Un agente autonomo agisce sulla base di ciò che comprende dal layer semantico e da cosa estrae dal Knowledge Graph; quindi, è necessaria una governance atta ad assicurare accuratezza di quanto esposto e protezioni adeguate: un agente AI che opera su definizioni obsolete e un grafo con errori **non produce solo output errati, ma li propaga lungo il workflow in cui opera** e potenzialmente anche ad altri processi con cui interagisce.

Una governance efficace di Semantic Layer e Knowledge Graph richiede almeno tre elementi:

1. *ownership* delle definizioni, delle metriche, delle entità / nodi e delle relative relazioni;
2. *version control*: tracciamento delle modifiche nel tempo;
3. *role-based access*: quali sistemi e agenti possono accedere a quali porzioni del layer semantico e del grafo sottostante.

In un tradizionale ambiente BI di reporting e dashboarding, un errore ha generalmente un certo livello di contenimento, in quanto sono presenti analisti che hanno “sensibilità” sui dati estratti e visualizzati e possono individuare il problema, anche se con un certo effort. Con gli agenti AI, venendo a mancare questo controllo, gli errori possono propagarsi velocemente e su scala molto maggiore prima che qualcuno se ne accorga.

In parallelo a questa esigenza, la crescente pressione regolamentare (vedi EU AI Act e DORA nel settore finanziario) richiede tracciabilità ed *explainability* delle decisioni prese dall'AI o assistite dall’AI. Esplicitare la conoscenza aziendale in una architettura come quella descritta in questo articolo è uno dei fondamenti tecnici per assicurare questa “*spiegabilità*”: **ogni risposta di un agente può essere ricondotta ai nodi del grafo** e alle definizioni del Semantic Layer da cui è stata derivata.

## La conoscenza come infrastruttura

Costruire un'architettura della conoscenza aziendale, dal CDM all'ontologia, dal Knowledge Graph al Semantic Layer, non è un progetto IT. **È un investimento strategico sull'intelligibilità dei propri dati**, tanto per le persone che interagiscono con essi quanto per i sistemi AI che sempre di più opereranno sui dati.

Le organizzazioni che ottengono il maggior ritorno dell’investimento e generano il maggior valore dai propri dati lo fanno eseguendo strategie e approcci avanzati che unificano e formalizzano la conoscenza a partire da asset informativi distribuiti. Il vantaggio competitivo non risiede nella quantità di dati posseduti, ma nel *significato* che si riesce ad attribuire loro in modo coerente, governato e accessibile.

In un'epoca in cui gli agenti AI sono destinati a diventare operatori attivi nei processi aziendali, una Knowledge Architecture non è un'opzione, bensì la piattaforma su cui costruire qualsiasi forma di intelligenza operativa affidabile.

Affrontare questo percorso con il giusto approccio fa la differenza tra iniziative isolate e un reale vantaggio competitivo. [Noi siamo al fianco](https://www.kireygroup.com/it/advisory) delle aziende che vogliono costruire un’architettura della conoscenza solida, pronta a sostenere le attuali sfide poste dall’intelligenza artificiale e tutte quelle che verranno.

- [Post precedente](https://newsroom.kireygroup.com/news/anche-quest-anno-kirey-sostiene-la-ricerca-con-fondazione-umberto-veronesi?hsLang=it)
- [Vedi tutti i post](https://newsroom.kireygroup.com/news?hsLang=it)
- [Post successivo](https://newsroom.kireygroup.com/news/architetture-multi-agent-in-cyber-security-il-nuovo-paradigma-di-difesa-per-le-aziende?hsLang=it)

## Post correlati:

#### [Kirey Advisory al workshop ABI Lab su Processi, Op...](https://newsroom.kireygroup.com/news/kirey-advisory-al-workshop-abi-lab-su-processi-operations-e-organizzazione?hsLang=it)

Kirey Advisory parteciperà al workshop “Processi, Operations e Organizzazione: le nuove sfide fra Ru...

[Leggi tutto](https://newsroom.kireygroup.com/news/kirey-advisory-al-workshop-abi-lab-su-processi-operations-e-organizzazione?hsLang=it)

 2 MIN READ

20 maggio 2026

#### [Data Governance nell’era dell’AI: dai modelli trad...](https://newsroom.kireygroup.com/news/data-governance-nell-era-dell-ai-dai-modelli-tradizionali-a-datagovops?hsLang=it)

Per molto tempo, la data governance è stata interpretata come esercizio di presidio: un layer di pol...

[Leggi tutto](https://newsroom.kireygroup.com/news/data-governance-nell-era-dell-ai-dai-modelli-tradizionali-a-datagovops?hsLang=it)

 21 MIN READ

20 maggio 2026

#### Explore

- [Home](https://www.kireygroup.com/it)
- [Competenze](https://www.kireygroup.com/it/competencies)
- [Industrie](https://www.kireygroup.com/it/industries)
- [Chi siamo](https://www.kireygroup.com/it/about-us)
- [Tech & partners](https://www.kireygroup.com/it/tech-partners)
- [Lavora con noi](https://www.kireygroup.com/it/careers)
- [Contatti](https://www.kireygroup.com/it/contact)
- [Corporate Social Responsibility](https://www.kireygroup.com/it/corporate-social-responsibility)
- [Advisory](https://www.kireyadvisory.com/it)

#### Politiche

- [Qualità](https://www.kireygroup.com/oven/media/PKG-COMP-AL14-Politica-per-la-qualita.pdf)
- [Sicurezza](https://www.kireygroup.com/oven/media/PKG-CIS-LG02-Politica-di-Sicurezza.pdf)
- [Parità di Genere](https://www.kireygroup.com/oven/media/PKG-COMP-LG03-Politica-per-la-parita-di-Genere-v2.pdf)
- [Gestione dei Servizi](https://www.kireygroup.com/oven/media/PKG-COMP-AL45-Politica-per-la-gestione-dei-servizi.pdf)
- [Ambiente](https://www.kireygroup.com/oven/media/PKG-COMP-AL44-Politica-Ambientale-Kirey.pdf)
- [Salute, Sicurezza e Benessere](https://www.kireygroup.com/oven/media/PKG-COMP-LG02-Politica-per-la-salute-sicurezza-e-benessere-sul-lavoro.pdf)
- [ESG](https://www.kireygroup.com/oven/media/ESG-Policy-KIREY.pdf)
- [Info on Data Processing](https://www.kireygroup.com/it/information-on-data-processing)

#### Certificazioni

- [ISO 9001:2015](https://www.kireygroup.com/oven/media/KIREY-S-R-L-9001.pdf)
- [ISO/IEC 27001:2022](https://www.kireygroup.com/oven/media/KIREY-S-R-L-27001.pdf)
- [PDR 125](https://www.kireygroup.com/oven/media/PDR-125-2022.pdf)  
  <https://www.kireygroup.com/oven/media/PKG-COMP-AL45-Politica-per-la-gestione-dei-servizi.pdf>
- [ISO/IEC 20000-1:2018](https://www.kireygroup.com/oven/media/ISOIEC-20000-12018-ENG.pdf)
- [ISO 14001:2015](https://www.kireygroup.com/oven/media/ISO-14001-2015-ENG.pdf)
- [ISO 45001:2018](https://www.kireygroup.com/oven/media/CERTIFICATO-ISO-45001-KIREY-ENG.pdf)
- [ISO 22301:2019](https://www.kireygroup.com/oven/media/ISO-22301-2019-ITA.pdf)

#### Info

**Kirey Srl** 

[info@kireygroup.com](mailto:info@kireygroup.com)  
Viale Francesco Restelli, 5  
20124 Milano

[kirey@pec.it](mailto:kirey@pec.it)  
**PI/CF**: 06729880960  
**REA**: MI 1910802  
**Tel**: +39 02 78625200

Capitale sociale 1.089.620,00 

[![Linkedin](https://newsroom.kireygroup.com/hs-fs/hubfs/Linkedin.png?width=20&name=Linkedin.png)](https://www.linkedin.com/company/kireygroup/)<https://open.spotify.com/show/41V5g7d4zccIrVcmNB3ZWd>   <https://www.instagram.com/kireygroup/?igshid=MzRlODBiNWFlZA%3D%3D>

- [Privacy Policy](https://www.kireygroup.com/oven/media/Kirey-Informativa-sito-internet-ex-art-13.pdf)
- [Cookie Policy](https://www.kireygroup.com/oven/media/Kirey-Cookie-Policy-1.pdf)
- [Termini e Condizioni](https://www.kireygroup.com/oven/media/Kirey-termini-e-condizioni-sito-internet-v2.pdf)

[![KIREY\_LOGO\_PAYOFF\_RGB\_POS](https://newsroom.kireygroup.com/hs-fs/hubfs/KIREY_LOGO_PAYOFF_RGB_POS.png?width=200&height=72&name=KIREY_LOGO_PAYOFF_RGB_POS.png)](https://www.kireygroup.com/it)

© Copyright 2026 by Kirey