자율 에이전트(autonomous agents)가 풀 리퀘스트(pull requests)에 대해 코드 리뷰 의견을 제공하는 에이전트 기반 코드 리뷰(Agentic code review)가 개발 워크플로우에 점점 더 통합되고 있지만, 실제 상황에서 개발자들이 이러한 의견에 어떻게 반응하는지에 대한 실증적 증거는 제한적입니다. 본 논문에서는 CodeRabbit을 사례 연구로 사용하여 에이전트 기반 코드 리뷰에 대한 실증적 연구를 제시합니다. 239개의 GitHub 리포지토리(repositories)에 걸친 10,191개의 풀 리퀘스트(pull requests)에서 추출한 31,073쌍의 코드 리뷰 및 개발자 피드백을 통한 실증적 연구 결과, 에이전트 기반 리뷰는 엇갈린 반응을 얻는 것으로 나타났습니다. 36.4%는 수용되었고 7.3%는 논의를 촉발한 반면, 56.3%는 거부되었습니다. 거부 사유는 주로 거짓 양성(false positives), 중복되거나 범위를 벗어난 잘못된 제안(invalid suggestions), 그리고 개발자의 의도 및 코딩 관행과의 불일치와 관련이 있었습니다. 더 나아가 에이전트 기반 리뷰는 진화 가능성(evolvability) 관련 의견보다 기능적 관심사(functional concerns)에 더 집중하는 경향이 있지만, 유효하지 않을 가능성은 더 높았습니다. 리뷰 관행의 효과를 높이기 위해, 우리는 리뷰 거부를 예측하기 위한 다양한 LLM 기반 접근 방식을 탐구했습니다. 그 결과 경량 학습 기반 방법(lightweight learning-based methods)이 최대 76%의 F1 스코어를 달성함을 확인하였으며, 이는 코드 리뷰와 그에 상응하는 피드백 사이에 학습 가능한 패턴이 존재함을 시사합니다. 우리의 결과는 CodeRabbit의 에이전트 기반 코드 리뷰의 현재 상태를 강조하며, 개선을 위한 기회 격차(opportunity gaps)뿐만 아니라 효과를 저해하는 단점들을 보여줍니다.