ニューラルドライブ・レトロスペクティブ（Neural Drive Retrospective）は、従来のスクラム開発で中心的に用いられてきたKPT（Keep, Problem, Try）手法を、TFM-Opsフレームワークに合わせて拡張し、学習と実行のサイクルをシームレスに結合させることを目的とした、進化した振り返り様式です。
これは単なる反省会ではなく、「思考の軌跡」と「味見できる餅」を循環させることにより、PoC（概念実証）ラーニングループやVibe Working（即興的な協働）と連携し、短サイクルでの変革を実現する強力な武器として位置づけられています。
従来のKPTはシンプルで効果的ですが、「Try（次に試す改善アクション）」が次スプリントで必ずしも実行される保証が弱く、振り返りから得られた学びが価値創出プロセスと十分に接続されていないという課題を抱えていました。
ニューラルドライブ・レトロスペクティブは、KPTの精神を引き継ぎつつ、この課題を克服するためにTFM-Opsの要素（Thinker, Facilitator, Maker）と統合されています。その最大の意義は、「Try」を「必ず実行される」仕組みへと昇華させ、学びのプロセスそのものを知識資産として残す点にあります。
ニューラルドライブ・レトロスペクティブは、T/F/M/Lという4つの要素で構成されており、TFM-Opsにおける役割、ツール連携、そして目標が明確に定義されています。
- 定義と目的: 意思決定の理由（Why）、仮説の変遷（How）、学びの変遷をNotebookLMに蓄積し、チームの知識資産とします。これにより、仮説の変化や意思決定の根拠が「見える化」され、チームの「思考の筋肉」を鍛える核となります。
- 実践: スプリント終了時に「思考の軌跡アーカイビング」イベントが設けられ、NotebookLMへの記録が義務付けられています。
- 比喩: 冒険の航路図、試合の戦術ボード、レシピノートの味付け調整ログなどとして例えられます。
- 定義と目的: Facilitatorがデイリースクラム（Vibe Sync）やAIボットを活用して設計・進行する、チームが摩擦なく動くための協働プロセスです。Facilitatorは、議論設計、心理的安全性の確保、タスク進行チェックといった「潤滑油」として機能し、チーム全体が「フロー状態」で動くことを目指します。
- AI活用: Discordボットなどを活用して議事録やリマインドを自動化し、Facilitatorは「場の空気」や「対話のデザイン」といった高次な業務に集中します。
- 比喩: 仲間との掛け声、チームのパス回し、厨房のオペレーションなどが該当します。
- 定義と目的: Makerが抽象的な戦略を変換して作り上げる、クライアントが「触れる」「味見できる」MVPやデモ、プロトタイプを指します。MakerはAIを実装の「加速装置」（ブースター）として活用し、プロトタイピングサイクルを劇的に加速させます。
- 実践: スプリントレビューでは必ず「動くプロダクト」（MVP）を提示し、即座にフィードバックを獲得することが求められます。これは、「抽象論に終始する」「戦略が絵に描いた餅で終わる」という従来のコンサルティングの構造的課題を克服し、クライアントに「戦略が実感できる」体験を提供する役割を担います。
- 比喩: ゴールシーン、試食の一口餅、建設中のモデルハウス（住んだらこうなるが体験できる）として表現されます。
- 定義と目的: レトロスペクティブで抽出された改善アクション（Try）をLinear.appでIssue化し、次スプリントで必ず追跡・実行する仕組みです。これにより、「学び→実行」のサイクルが途切れず、継続的な改善サイクルが持続します。
- 実践: KPTや5 Whysを用いて抽出された継続的改善点（Try）は、新しいIssueとしてLinear.appに追加され、進捗・タスク管理の主戦場で確実に追跡されます。レトロスペクティブの結果は、FacilitatorによってNotebookLMの「Learnings」として記録され、知識ベースに組み込まれます。
- 比喩: 次の航海の改善策、練習メニュー、改善レシピなど、次のアクションに確実に反映される要素として表現されます。
ニューラルドライブ・レトロスペクティブを効果的に機能させるには、チーム内に高い心理的安全性と信頼関係が不可欠です。
- 心構え: Facilitatorは冒頭で「Retrospective Prime Directive」（どんな結果であれ、チームの全員が当時取り得る最善を尽くしていたのだ）という原則を引用し、責任追及ではなく改善の場であることを促します。
- 対話のテクニック: 「Xが遅れた」ではなく「機能Aが未完成で不安に感じた」のように、事実と感情を分けて伝える認知と感情の切り分けや、「なぜ遅れた？」ではなく「何が遅れにつながったか、一緒に考えよう」というブレームフリー質問といった、高信頼対話のテクニックが推奨されます。
- 手法: KPT方式に加え、「なぜ？」を繰り返し問い、プロセス上の真因を突き止める**5 Whys（5なぜ分析）**が用いられ、人を責めずプロセスに焦点を当てることが重要視されます。
例えば、保険会社向けのAIチャットボットPoCプロジェクトでは、以下のようにTFM-Opsの要素が活用されます。
この一連のサイクルを通じて、ニューラルドライブ・レトロスペクティブは、抽象的な戦略を具体的な成果物と確実な改善行動へとつなげ、短期間でクライアントに価値提供できる状態を確立します。
1. KPTからの進化と背景2. T/F/M/Lの4要素によるフレームワークT (Trajectory) - 思考の軌跡F (Flow) - 協働プロセスM (Mochi) - 味見できる餅L (Learning Action) - 学びの実行3. 実践における高信頼チームの醸成4. 具体的な活用イメージ要素具体的な活動例T (Trajectory)「FAQの何割を自動化すれば業務負荷が下がるか？」という仮説の変遷（例：「初期は50%、将来的には80%」）をNotebookLMに記録する。F (Flow)Facilitatorがデイリースクラムを回し、DiscordボットでPoC進捗を自動共有する。M (Mochi)MakerがFAQのRAGボットを一晩で試作し、クライアントに「本当に答えられる！」ことを体感させる。L (Learning Action)「専門用語に弱い」というフィードバックをTry化し、Linear.appにIssue登録し、次スプリントで改善を追跡する。
