前置き
私がアジャイルに必須と感じている、以下の複数の思考や原則たち。
・TOC（制約理論）＆ ECRS原則
・仮説行動（マップ・ループ・リープ）
・各種推論（帰納・演繹・アブダクション）
・そして思考法（クリティカル・ラテラルシンキング）
これらをすべて統合した、「学習駆動型TOCアジャイルスプリント」 フレームワークをまとめます。
このフレームワークは、事実（メトリクス）に基づき推論を駆使して制約を特定・改善し、思考法を用いて前提すらも疑い、継続的に学習していくサイクルを回すことを目指します。
フェーズ⓪：戦略的マップの維持 (Ongoing Map Maintenance) 🗺️
目的
現在の理解（ビジネス目標、システム構造、既知の制約、市場環境）を 常に最新の「マップ」 として可視化・共有する。
市場環境とは、たとえば5フォースモデルや3Cモデルなどを指します。
活動
継続的な情報収集、ステークホルダーとの対話を通じてマップを更新。
フェーズ①：スプリント計画 (Sprint Planning)
目的
マップに基づき、今スプリントで検証・改善すべき「最重要仮説（＝制約）」を定義し、具体的なアクションプランを立てる。
ステップ1.1：前提の再検証 (Lateral Thinking) 🤔
活動
前回のレトロスペクティブで特定された「次の制約候補」や、
マップ上の既知の制約に対し、
ラテラルシンキング（水平思考）を用いて「本当にそれが今の制約か？」「別の見方はないか？」
と意図的に前提を疑う。
例
「リードタイムの制約は本当にテスト時間か？ もしかしたら承認プロセスではないか？」
ステップ1.2：制約仮説の定義 (TOC Step 1 - Deduction/Induction)
活動
・演繹法 (Deduction)
マップと現状のメトリクスから論理的に
「今、最も全体の流れを阻害しているのは、このプロセスXである可能性が高い」
という制約仮説を導き出す。
・帰納法 (Induction)
過去のスプリントの傾向（「最近、デプロイ失敗が多いのはYが原因のことが多い」）から、制約仮説を補強する。
成果物
「今スプリントで検証・改善すべき制約はプロセスXである」というチームの合意仮説。
ステップ1.3：改善計画の立案 (TOC Step 2 & 3 - ECRS Planning via Deduction) 📝
活動
制約仮説Xに対し、ECRS原則を用いて具体的な改善アクション（ループ改善か、リープ的な実験か）を演繹的に導き出す。
例 (ループ改善)
制約が「テスト時間」なら、「(E)不要テスト削除」「(R)並列化」タスクを計画。
例 (リープ実験)
制約が「古い決済基盤」なら、「新しい決済SaaSの技術検証(PoC)」タスクを計画。
成果物
スプリントゴール（例：「テスト時間を30%削減する仮説を検証する」）と、ECRSに基づいたスプリントバックログ。
フェーズ②：スプリント実行 (Sprint Execution)
目的
計画された改善アクション（ループまたはリープ）を実行し、データを収集する。
ステップ2.1：アクションの実行 (Loop / Leap Execution) 🔄🚀
スプリントバックログに従い、ECRSタスクやリープ実験を実行する。
ステップ2.2：メトリクスの計測 (Measurement) 📊
Four Keys、パイプライン実行時間、エラーレートなど、制約仮説の検証に必要な定量データを計測・収集する。
フェーズ③：スプリントレビュー & レトロスペクティブ (Sprint Review / Retrospective)
目的
実行結果と事実（メトリクス）に基づき、仮説を検証し、学習し、次の制約を特定する。
ステップ3.1：結果の客観的評価 (Critical Thinking) 🧐
スプリントゴールに対する達成度を、収集した メトリクス（事実データ） に基づき、
クリティカルシンキング（批判的思考） を用いて「計画通りに進んだか？」「結果はどうか？」を客観的に評価する。
ステップ3.2：仮説検証と学習 (Abduction) 💡
アブダクション（メトリクスを用いて使用）がここでは活躍します。
活動
観測された結果（メトリクス） に対し、
アブダクション（仮説形成推論）を用いて「この結果を最もよく説明する仮説は何か？」
を推論します。
例1
「テスト時間は短縮したが、リードタイム全体は変わらなかった。この結果を最もよく説明するのは、実は承認プロセスが真の制約だった、という仮説だ」
例2
「新しい決済SaaS(PoC)の性能は目標を達成した。この結果は、決済基盤の移行（リープ）が有効である、という仮説を支持する」
成果物
検証された（あるいは棄却された）仮説と、そこから得られた学習（Learning）。
ここで得た学習は、必ず 情報 だけで済ますのではなく、帰納法を使って 知恵 に昇華してください。（知恵は揮発性が高いので）
ステップ3.3：マップの更新と次の制約の特定 (TOC Step 5) 🗺️➡️🎯
活動
学習に基づき、仮説マップを更新する。
そして、アブダクションの結果や更新されたマップに基づき、
「次のスプリントで検証すべき、最も可能性の高い制約は何か？」
を特定する。
成果物
次のスプリント計画（フェーズ①）へのインプットとなる、新しい（あるいは継続する）制約仮説。
まとめ
このループ（フェーズ⓪〜③）を繰り返すことで、チームは
・事実と推論に基づき、
・制約を継続的に特定・解消し、
・学習し、
・時には前提すらも疑いながら
システムとプロセスを進化させていきます。
これこそが、わたしがカオス実験案件などを通して行きついた、仮説検証型アジャイルの現代版の進行プロセスです。