코드 리뷰(Code review)는 소프트웨어 엔지니어링 개발에서 중요한 품질 보증(quality assurance) 관행이며, AI 코딩 에이전트(AI coding agents)가 풀 리퀘스트(pull requests)에 대해 리뷰 코멘트를 생성하는 사례가 점점 늘어나고 있습니다. 그러나 개발자들이 이러한 에이전트 생성 피드백에 실제로 어떻게 반응하는지에 대해서는 알려진 바가 거의 없습니다. 본 논문에서는 에이전트가 생성한 코드 리뷰 코멘트의 해결(resolution)에 관한 최초의 대규모 실증적 연구를 제시합니다. 우리는 GitHub의 342개 Python 저장소(repositories)에 걸쳐 5개의 널리 사용되는 코딩 에이전트(즉, Copilot, Cursor, Codex, Devin, Claude)가 생성한 54,791개의 코멘트를 분석합니다. 우리는 (1) 에이전트 및 코멘트 유형별 해결률(resolution rates), (2) 개발자 경험(developer experience)의 역할, 그리고 (3) 코멘트 유용성에 영향을 미치는 특성을 조사합니다. 연구 결과, 해결률은 에이전트마다 상당히 차이가 있었으며, Copilot이 해결된 코멘트의 대다수(72.9%)를 차지했습니다. 핵심 개발자(Core developers)는 에이전트 생성 피드백의 대부분, 특히 extit{설계(design)} 및 extit{진화 가능성(evolvability)} 관련 코멘트를 해결하는 반면, 주변부 개발자(peripheral developers)는 extit{기능적 결함(functional defect)} 코멘트를 해결하는 데 더 많이 참여합니다. 470개의 미해결 코멘트 논의에 대한 오픈 카드 소팅(open card sorting)을 통해, 우리는 코멘트가 미해결 상태로 남는 이유를 설명하는 extit{10가지} 논의 패턴을 식별하였으며, extit{잘못된 제안(incorrect suggestions)}과 extit{의도적인 설계 결정(intentional design decisions)}이 가장 빈번하게 나타났습니다. 마지막으로, 우리의 분석은 인라인 extit{코드 제안(code suggestion)}의 존재가 코멘트 해결의 가장 강력한 예측 변수인 반면, 길고 복잡한 코멘트는 실행될 가능성이 낮다는 것을 보여줍니다. 우리의 연구 결과는 AI 생성 코드 리뷰 피드백을 개선하고 이를 개발 워크플로(workflows)에 통합하는 데 필요한 통찰력을 제공합니다.