Электрические сети, в том числе сельские, нуждаются в трансформации в связи с декарбонизацией энергетики, интеграцией возобновляемых источников энергии, активным развитием потребителей и повышением требований к надежности и энергоэффективности сетей. Применение искусственного интеллекта (ИИ) при решении проблем энергосистем обусловлено недостаточной эффективностью традиционных методов управления электрическими сетями. Цель исследований – систематический анализ ключевых направлений применения ИИ в электрических сетях, используемых алгоритмов и практических примеров его внедрения, обобщение практического опыта зарубежных и отечественных компаний. В результате обзора отечественных и зарубежных источников, описывающих использование ИИ в электрических сетях, выявлено 4 направления: прогнозирование нагрузки; оптимизация электроэнергетических систем и электрических сетей; поиск неполадок (мониторинг электрооборудования, электрических сетей); оптимальное использование ресурсов в электрических сетях. В рамках данных направлений наиболее эффективными алгоритмами машинного и глубокого обучения являются LSTM, GRU, SVM и CNN, а также метаэвристические методы. Примеры практического использования искусственного интеллекта демонстрируют разнонаправленность применения технологий ИИ в зависимости от особенностей национальных энергосистем. В странах с высокой долей возобновляемых источников энергии акцент смещен на прогнозирование нагрузки, в России – на автоматизацию мониторинга и диагностики протяженных сельских электрических сетей с использованием компьютерного зрения и БПЛА. Искусственный интеллект может служить инструментом для создания «Умных сетей» (Smart Grid), его применение позволит провести цифровую трансформацию электрических сетей, повысить их эффективность, устойчивость и адаптивность. Однако внедрение ИИ сопряжено с необходимостью решения задач надежности, кибербезопасности и понимания выбора, принимаемого автоматикой. /The evolving energy landscape, characterized by decarbonization, the integration of renewable energy sources (RES), and the growing demand for grid reliability and energy efficiency, necessitates a profound transformation of power grids, particularly in rural areas. Conventional methods of power grid management often prove insufficient for these challenges, driving the adoption of artificial intelligence (AI) solutions. This study provides a systematic analysis of key AI applications in power grids, examining the algorithms employed and practical implementation examples from both international and domestic contexts. Drawing on a comprehensive review of literature, the authors have identified four primary application areas: load forecasting, power system and grid optimization, fault detection and equipment monitoring, and optimal resource management within power grids. Within these domains, effective algorithms include deep learning techniques such as LSTM, GRU, and CNN, along with machine learning models like SVM and various metaheuristic methods. Practical examples highlight the diverse deployment of AI, adapting to national power system specificities. For instance, countries with a high share of renewable energy sources (RES) often prioritize AI for load forecasting, while in Russia, the focus is on automating the monitoring and diagnostics of extensive rural grids through computer vision and UAVs. AI is instrumental in the design of Smart Grids, enabling the digital transformation of power infrastructure to enhance efficiency, resilience, and adaptability. However, successful AI integration requires addressing challenges related to reliability, cybersecurity, and the explainability of automation-driven decision-making.