La monitorización fotogramétrica de laderas y taludes inestables está cambiando rápidamente gracias al uso de inteligencia artificial (IA), que permite automatizar procesos que hasta hace poco requerían una intervención manual intensiva. En este trabajo presentamos tres metodologías complementarias que integran IA en distintos momentos del flujo de trabajo fotogramétrico con cámaras fijas, lo que facilita un seguimiento más eficiente, preciso y continuo de fenómenos como la erosión, los deslizamientos y los desprendimientos de roca. La primera propuesta se basa en el uso de redes neuronales para detectar automáticamente los puntos de control terrestre (GCPs) en las imágenes, una tarea clave para garantizar una georreferenciación precisa. El modelo que utilizamos, una Keypoint R-CNN entrenada con imágenes tomadas en condiciones ambientales muy variadas, ha demostrado ser capaz de localizar los centros de los GCPs con una precisión subpíxel, incluso cuando están parcialmente ocultos o degradados. Esto reduce drásticamente el esfuerzo manual necesario y hace más robusto el análisis de grandes series temporales. El segundo flujo de trabajo se centra en medir el movimiento de la ladera a partir de imágenes time-lapse. Para ello combinamos el modelo PIPs++ con el algoritmo LightGlue, lo que nos permite seguir trayectorias de píxeles entre múltiples imágenes, incluso cuando hay oclusiones o variaciones de iluminación. A partir de estas trayectorias, transformamos los movimientos detectados en coordenadas métricas usando un modelo 3D, y así podemos estimar velocidades de desplazamiento con gran resolución espacial y temporal, incluso usando cámaras low-cost. Por último, proponemos un sistema automático para clasificar los cambios detectados en modelos 3D generados mediante SfM-MVS. Después de usar el algoritmo DBSCAN para obtener los clústeres con cambios, describimos cada uno con un conjunto de 44 parámetros que recogen sus propiedades geométricas, estadísticas y topológicas. A partir de esta información, un clasificador Random Forest nos permite distinguir entre verdaderos desprendimientos de roca y falsos positivos, lo que automatiza una de las partes más críticas del monitoreo y abre la puerta a sistemas de alerta automatizados, más rápidos y fiables.