AI 코딩 에이전트(AI coding agents)가 인간의 개입을 최소화하며 완전한 Pull Request (PRs)를 제출하는 경우가 점점 늘어나고 있으며, 이는 소프트웨어 개발의 패러다임을 AI 보조 방식에서 자율적 워크플로우(autonomous workflows)로 전환시키고 있습니다. 이러한 에이전트들이 점점 더 보편화됨에 따라, 에이전트가 생성한 코드가 기존 테스트나 에이전트가 직접 작성한 테스트에 의해 적절히 검증되는지 확인하는 것은 회귀(regressions)를 방지하는 데 매우 중요하지만, 에이전트 기반 PR의 테스트에 대해서는 알려진 바가 거의 없습니다. 이러한 공백을 메우기 위해, 우리는 5개의 코딩 에이전트에 의해 생성된 AIDev 데이터셋의 4,882개 에이전트 생성 PR(Java 532개 및 Python 4,350개 PR)을 분석합니다. 우리는 (i) 에이전트가 테스트 변경 사항을 포함하는 빈도와 (ii) 기존 테스트 및 에이전트 작성 테스트에 의해 코드 변경 사항이 얼마나 잘 커버되는지를 연구합니다. 에이전트는 테스트 대상 파일 아래의 코드를 변경하는 PR 중 49.6%에서만 테스트 변경 사항을 포함합니다. 기존 테스트는 불완전한 안전망을 제공합니다. 기존 테스트는 Java에서 에이전트가 변경한 실행 가능한 라인의 61.5%를 커버하며, Python에서는 단 27.0%만을 커버합니다. Python의 경우 PR의 64.8%가 기존 테스트에 의해 실행되는 변경 라인이 전혀 없습니다. 에이전트가 작성한 테스트는 기존 테스트보다 커버리지를 개선하지만, 이는 소수의 PR에서만 나타납니다. Java의 35.9%, Python의 22.5%의 '코드 + 테스트(Code + Tests)' PR에서만 커버리지 이득이 확인되었습니다. 두 언어 모두에서 에러 처리 구문(error-handling constructs, 예: try 및 catch 블록)이 가장 일관되게 테스트되지 않는 부분으로 나타났으며, 미검출률(miss rates)은 Java에서 86.0%, Python에서 81.0%에 달했습니다. 이러한 연구 결과는 커버리지 인지 개발 관행(coverage-aware development practices), 코딩 에이전트를 위한 커버리지 피드백 루프(coverage feedback loops), 그리고 에이전트가 자신의 코드를 더 신뢰성 있게 테스트할 수 있도록 돕는 테스트 품질 측정 평가 벤치마크(evaluation benchmarks)의 필요성을 시사합니다.